简述神经网络数据挖掘在音乐分类中运用学年

论文导读：
摘要：为了满足不同人群对音乐爱好的需求,各大音乐软件企业开始致力于数据挖掘在音乐分类中的探讨,由于它具有很大商业价值和广泛的运用前景,很快引起了学者们的热切关注。本论文以统计学角度介绍数据挖掘常用算法在音乐分类中的运用。本论文所做工作与革新如下：首先,介绍了BP神经网络,RBF神经网络,LVQ神经网络,Hoppfeild神经网络,通过解释其算法推导历程中所遵循的不同原理,阐述其实际运用的差别,以及他们之间的优缺点。运用上面陈述的神经网络分类器对本论文所提供的数据进行分类,并解释其产生不同分类效果的理由。然后引入支持向量机分类器,通过粒子群和遗传算法优化算法,选择使适应度函数最小的参数。最后介绍了判别浅析和逻辑回归分类,并比较浅析所有分类器的效果。本论文首次运用粒子群算法解决音乐分类不足中支持向量机参数选择不足。与遗传算法相比它们都以开始设定随机解,然后通过适应度函数,向不同方向寻找最优解,但是粒子群算法没有交叉,变异等操作,规则简单,容易实现,比较浅析可知优化后的支持向量在此音乐分类实例便中具有很好的分类效果。本论文的线性判别浅析,决策树算法运用R软件建模。神经网络,支持向量机运用matlab软件建模浅析。逻辑回归运用spss软件进行建模。关键词：支持向量机论文线性判别论文音乐分类论文数据挖掘论文神经网络论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-4
ABSTRACT4-7
第1章 绪论7-10

1.1 统计学与数据挖掘7-8

1.2 音乐分类不足的提出8-9

1.3 国内外进展近况9-10

第2章 神经网络10-23

2.1 神经网络10-17

2.

1.1 概念10-11

2.

1.2 BP神经网络11-13

2.

1.3 径向基(RBF)函数神经网络13

2.

1.4 Hopfield网络13-16

2.

1.5 LVQ神经网络16-17

2.2 评估策略17-18

2.1 模型的过份拟合17

2.2 交叉验证17

2.3 混淆矩阵17-18

2.3 神经网络在音乐分类中的运用18-23

2.3.1 数据来源18-19

2.3.2 BP神经网络验证19

2.3.3 Hoppfield网络分类器19-20

2.3.4 RBF神经网络分类器20-21

2.3.5 Ivq神经网络分类器21

2.3.6 小结21-23

第3章 优化算法23-27

3.1 遗传算法23-25

3.

1.1 基本原理23

3.

1.2 基本构成23-24

3.

1.3 遗传算法基本流程24-25

3.2 粒子群算法25-27
3.

2.1 基本原理25-26

3.

2.2 粒子群算法步骤26-27

第4章 支持向量机27-36

4.1 支持向量机27-32

4.

1.1 概述27

4.

1.2 VC维论述27-28

4.

1.3 推广误差边界28-29

4.

1.4 支持向量与最优超平面29-31

4.

1.5 非线性情况31-32

4.2 基于遗传算法优化支持量机在音乐分类中的运用32-34
4.

2.1 GA+SVM32-34

4.3 基于PSO算法优化支持向量机在音乐分类中的运用34-36
4.

3.1 PSO+SVM设计34-35

4.

3.2 小结35-36

第5章 其它分类策略在音乐分类中的运用36-43

5.1 线性判别浅析36-37

5.

1.1 判别浅析的假设条件36

5.

1.2 线性判别基本形式36-37

5.2 logistic回归模型37-39
5.

2.1 基本形式37-38

5.

2.2 系数解释38-39

5.3 实证浅析39-43
5.

3.1 线性判别浅析39

5.

3.2 逻辑回归验证39-40

5.

3.3 分类回归树验证浅析40-41

5.

3.4 比较浅析41-43

第6章 总结与展望43-45

6.1 总结43

6.2 展望43-45

参考文献45-49
附录49-53
致谢53