标签：vq svm
今天整理资料时，发现了在学校时做的这个实验，当时整个过程过重偏向依赖分类器方面，而又很难对分类器本身性能进行一定程度的改良，所以最后没有选用这个方案，估计以后也不会接触这类机器学习的东西了，希望它对刚入门的人有点用。
SVM比较适合高维数据的二分类，本来准备对语音特征直接用SVM进行二分类，但是发现样本数据比较多，训练的2天都没有出收敛，最后想用VQ聚类的方法先抽取出具有代表性的语音，但是用这些代表性的训练集训练SVM分类器，效果还可以，用了一个下午就收敛了。识别结果还行，比较差的情况下，也有80%的准确率。
LibSVM是台湾大学林智仁设计的开发包：http://www.csie.ntu.edu.tw/~cjlin/
训练特征提取部分：
clc;
clear;
train_feature0=[]; %A类特征
train_feature1=[]; %B类特征
%%%%%相关参数选取%%%%%
N=128;
ine = 1*10^(-3);
%%%%%%%%%A类训练数据
root0=‘D:\model_train\train_orign‘;
list0=dir(root0);
list0(1:2)=[];
N0=length(list0);
for i=1:N0
file=[root0,‘\‘,list0(i).name];
x=readwav(file);
[temp]=mfcc(x);
train_feature0=[train_feature0;temp];
disp(list0(i).name);
end
%%%%
[vector0,cent0]=VQ(train_feature0,N,ine);VQ聚类A类
%%%%
% for i=1:N
% train_feature=[train_feature;vector0(i).data(1:XQ,:)];
% end
% label0=ones(N*XQ,1);%文件标记 1
%%%%%%%%B类训练数据
root1=‘D:\model_train\train_tamper‘;
list1=dir(root1);
list1(1:2)=[];
N1=length(list1);
for j=1:N1
file=[root1,‘\‘,list1(j).name];
x=wavread(file);
[temp]=mfcc(x);
train_feature1=[train_feature1;temp];
disp(list1(j).name);
end
%%%%%%%%%%%VQ聚类B类
[vector1,cent1]=VQ(train_feature1,N,ine);
模型训练与分类部分：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
|
clc;clear;%---------用SVM测试三种特征的准确率，单独检测，2012-3-19-------addpath(‘svm-mat-2.89-3‘);
% add path with libsvm routinesdisplay(datestr(now));%------------------------装载训练数据----------------------------------------load(‘train_feature.mat‘);
%语音特征训练数据load(‘train_label.mat‘);%对应标签load(‘test_feature.mat‘);
%用于归一化%-------------直接指定参数-----------G
= 1/24; C = 1e8; %lecmd=sprintf(‘-t
2 -g %.4e -c %.4e‘,G,C); [train_scale,test_scale]
= scaleForSVM_corrected(train_feature,test_feature,-1,1);% scale the training set and testing sets to [0,1]model1=svmtrain(train_label,train_scale,cmd);%
train the svm classifier 训练 按帧save
model1.mat model1;save
test_scale.mat test_scale;clear;load(‘model1.mat‘);
load(‘test_scale.mat‘);
%------------------------装载测试数据----------------------------------------load(‘test_label.mat‘);%对应标签load(‘test_file_frames.mat‘);
%帧级别load(‘test_label_frame.mat‘);%--------------------------------------------------------------------------[predict_label,predict_accuracy_rate]=svmpredict(test_label_frame,test_scale,model1);%
classify the testing set N=length(test_file_frames);temp1=0;temp2=0;for
i=1:N temp2=temp2+test_file_frames(i); temp1=temp2-test_file_frames(i)+1; %
zonghe=score(temp1:temp2); same=ismember(predict_label(temp1:temp2),test_label_frame(temp1:temp2)); if
sum(same)/test_file_frames(i)>0.5 predict_result(i)=test_label(i);
else predict_result(i)=(~test_label(i));
endendpredict_result=predict_result‘;index=(predict_result==test_label);num_correct=sum(index);accuracy=num_correct/N;fprintf(‘A类和B类综合
accuracy = %0.2f (%s%s%s)%s \n‘,accuracy,num2str(num_correct),‘/‘,num2str(N),‘(classification)‘);display(datestr(now));%%%%%%%%%%%%%%%%%%%A类准确率index=(predict_result(1:200)==test_label(1:200));num_z=sum(index);accuracy=num_z/(N/2);fprintf(‘A类
accuracy = %0.2f (%s%s%s)%s \n‘,accuracy,num2str(num_z),‘/‘,num2str(N/2),‘(classification)‘);%%%%%%%%%%%%%%%%%%%B类准确率index=(predict_result(201:400)==test_label(201:400));num_f=sum(index);accuracy=num_f/(N/2);fprintf(‘B类
accuracy = %0.2f (%s%s%s)%s \n‘,accuracy,num2str(num_f),‘/‘,num2str(N/2),‘(classification)‘); |
标签：vq svm
原文地址：http://blog.csdn.net/weiqiwu1986/article/details/38513639
