文 献 综 述
摘要： 随着互联网的发展和大数据时代的来临，使得多媒体信息日益丰富。音频应用如语音识别，音乐检索，音乐联想等都在开展相关的研究。音乐分类辨别方法的研究在理论上和应用上都具有重要的意义。分类辨识的发展和成果将对音乐检索、音乐联想、音乐存储管理等具有非常重要的实际意义。本论文是基于机器学习的计算机音乐风格的分类研究。音乐风格反映了音乐作品的总体基本特征，是音乐欣赏、研究的基础。而音乐分类本身标准不尽相同，我们认为分类结果越接近人的感受就越优秀。在本论文中，我们会对音乐的不同特征进行提取，训练我们的神经网络，建立分类辨别模型，与支持向量机方法进行对比，比较两种方法哪种更能更优秀的从听觉上对音乐进行分类辨别。
关键词：机器学习，神经网络 ，特征提取，分类辨别
1、相关概念
1.1 机器学习
机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。
机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人等领域。
机器学习可以分为下面四个类别。
监督学习：监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。
无监督学习：无监督学习与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有聚类。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
