VQ结合SVM分类方法

时间：2022-06-21 00:01:11

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*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：

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 routines

display(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; %le

cmd=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));

      end

end

predict_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)');

　　

相关文章