导读:本文包含了音频聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:音频聚类,Mean,shift算法,小波分析,Mel频率倒谱系数
音频聚类论文文献综述
向伟[1]（2018）在《基于可变带宽的Mean Shift音频聚类算法》一文中研究指出固定带宽Mean Shift算法中带宽参数这一影响因子,提出了一种自适应带宽的Mean Shift音频聚类算法.该方法首先对需要聚类的音频段提取小波域特征,并采用PCA变换来消除音频特征间的相关性和冗余信息;然后采用自适应带宽的Mean Shift算法对音频段进行聚类;最后输出聚类结果.实验结果表明,选取的小波域音频特征比较好的表示了音频的语义信息,且该算法与固定带宽Mean Shift算法相比,提高了聚类的精度,使聚类更细化.(本文来源于《四川文理学院学报》期刊2018年02期）
徐秀芳,徐森,徐静,安晶[2]（2016）在《基于谱聚类算法的音频聚类研究》一文中研究指出提出一种新颖的基于谱聚类的音频聚类算法,首先对音频数据进行预处理,得到叁维音频向量,然后根据向量之间的距离计算音频相似度,最后设计谱聚类算法获得音频数据聚类结果。在网易云音乐数据上的对比实验表明,与K-means算法和快速查找密度峰值聚类算法相比,该算法获得的聚类结果更加优越。(本文来源于《软件导刊》期刊2016年11期）
王昱洁,蒋薇薇[3]（2016）在《基于模糊C均值聚类与单类支持向量机的音频隐写分析方法》一文中研究指出针对传统的二分类音频隐写分析方法对未知隐写方法的适应性较差的问题,提出了一种基于模糊C均值(FCM)聚类与单类支持向量机(OC-SVM)的音频隐写分析方法。在训练过程中,首先对训练音频进行特征提取,包括短时傅里叶变换(STFT)频谱的统计特征和基于音频质量测度的特征,然后对所提取的特征进行FCM聚类得到C个聚类,最后送入多个超球面的OC-SVM分类器进行训练;检测过程中,对测试音频进行特征提取,根据多个超球面OC-SVM分类器的边界对待测音频进行检测。实验结果表明,该隐写分析方法对于几种典型的音频隐写方法能够较为正确地检测,满容量嵌入时,测试音频的总体检测率达到85.1%,与K-means聚类方法相比,所提方法的检测正确率提高了至少2%。该隐写分析方法比二分类的隐写分析方法更具有通用性,更适用于隐写方法事先未知情况下的隐写音频的检测。(本文来源于《计算机应用》期刊2016年03期）
廖松博,何震瀛[4]（2011）在《HDCH:MapReduce平台上的音频数据聚类系统》一文中研究指出随着互联网上音乐数目的增长,如何对音乐进行分析、识别成为焦点问题.在音乐的识别过程中,需要对歌曲的帧数据进行聚类,数据的海量性与音乐数据本身的复杂性使得分析计算需要借助MapReduce平台多机并行完成.提出一种MapReduce平台上的音频数据聚类系统———HDCH,能够有效地对海量音频数据进行聚类.实验证明,HDCH具有很好的性能和可扩展性.除了音频数据外,HDCH还适用于所有海量高维数据的聚类分析.(本文来源于《计算机研究与发展》期刊2011年S3期）
刘剑武,朱映映,宋娜[5]（2010）在《融合音频特征的比赛场地主颜色聚类算法》一文中研究指出针对当前手动分割视频获取主颜色实验帧序列,导致算法鲁棒性差,自动化程度低等问题,着重分析了体育比赛的音频特征及场地颜色特征,提出一种融合音频特征的主颜色聚类算法。实验结果表明,该算法不需人工预处理,针对不同比赛场地具有良好的鲁棒性,通过音频特征的辅助分析,有效提高主颜色提取准确率,同时降低时间复杂度。(本文来源于《莆田学院学报》期刊2010年05期）
李稀敏,洪青阳,黄晓丹[6]（2010）在《基于说话人的音频分割与聚类》一文中研究指出说话人分割与聚类主要应用于两个方面的问题,一方面可以用于自动语音识别的说话人自适应;另一方面可用于说话人检索和富文本转录。主要包括叁个过程:有效语音检测、说话人分割以及说话人聚类。本文主要就这叁个方面展开叙述,全面地介绍了各类算法。(本文来源于《心智与计算》期刊2010年02期）
张忠民[7]（2009）在《一种基于FCM模糊聚类的音频水印算法的研究》一文中研究指出现有自适应数字音频水印技术普遍采用局部区域作为水印的嵌入位置,区域选择是根据多次实验的结果来确定,算法的适应性不强。因此,提出一种基于FCM模糊聚类的自适应音频水印算法,该算法结合数字音频的局部特征和变换后音频数据局部能量集中的特点,自适应的确定最佳水印嵌入区域。仿真实验表明,该算法对高斯噪声,MP3压缩攻击,滤波攻击有较强的鲁棒性。(本文来源于《硅谷》期刊2009年23期）
郑继明,俞佳[8]（2009）在《基于Mean-Shift的广播音频聚类算法》一文中研究指出针对大多数聚类算法依赖聚类数目这一先验知识的不足,提出一种基于均值漂移(Mean-Shift)的新广播音频聚类算法。对需聚类的音频段选取基于小波域的特征构造特征集合,通过主成分分析方法降低所提取特征中的冗余信息。在此基础上,采用Mean-Shift算法对音频信号进行初步聚类,然后利用快速近邻法对其聚类结果进行一次修正,最后合并仅含有单个样本类别的类进行二次修正。实验结果表明,该算法的聚类精度有一定的提高。(本文来源于《计算机应用》期刊2009年10期）
王磊,杜利民,王劲林[9]（2007）在《基于音频的电视新闻节目的主题检索和聚类》一文中研究指出随着流媒体应用的蓬勃兴起,基于媒体内容的检索和管理逐渐成为当前的学术研究热点。新闻节目作为电视节目的一种常见形式,对其主题进行自动提取检索具有重要的实际意义。该文从电视新闻节目的音频入手,综合应用了播音室语音/非播音室语音分类、说话人转换点检测以及按说话人聚类等多种技术,实现了对电视新闻节目的主题的检索和聚类。实验表明,该文中的方法能够找到新闻节目中96%以上的播音室段落,并对其进行准确归类,显示了这种方法的可行性和潜在价值。(本文来源于《电子与信息学报》期刊2007年10期）
闫丽颖,王欢,杨颖[10]（2006）在《模糊c均值聚类在wav格式音频检索中的研究》一文中研究指出应用模糊c均值聚类方法对wav格式的音频检索。不同于以前为音频建模和分类的监督机制,而是通过对音频数据的特征进行模糊聚类形成聚类质心,根据聚类质心的相似度匹配来实现非监督机制的音频检索,并优化参数以提高检索准确度。(本文来源于《中国科技信息》期刊2006年02期）
音频聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
提出一种新颖的基于谱聚类的音频聚类算法,首先对音频数据进行预处理,得到叁维音频向量,然后根据向量之间的距离计算音频相似度,最后设计谱聚类算法获得音频数据聚类结果。在网易云音乐数据上的对比实验表明,与K-means算法和快速查找密度峰值聚类算法相比,该算法获得的聚类结果更加优越。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
音频聚类论文参考文献
[1].向伟.基于可变带宽的MeanShift音频聚类算法[J].四川文理学院学报.2018
[2].徐秀芳,徐森,徐静,安晶.基于谱聚类算法的音频聚类研究[J].软件导刊.2016
[3].王昱洁,蒋薇薇.基于模糊C均值聚类与单类支持向量机的音频隐写分析方法[J].计算机应用.2016
[4].廖松博,何震瀛.HDCH:MapReduce平台上的音频数据聚类系统[J].计算机研究与发展.2011
[5].刘剑武,朱映映,宋娜.融合音频特征的比赛场地主颜色聚类算法[J].莆田学院学报.2010
[6].李稀敏,洪青阳,黄晓丹.基于说话人的音频分割与聚类[J].心智与计算.2010
[7].张忠民.一种基于FCM模糊聚类的音频水印算法的研究[J].硅谷.2009
[8].郑继明,俞佳.基于Mean-Shift的广播音频聚类算法[J].计算机应用.2009
[9].王磊,杜利民,王劲林.基于音频的电视新闻节目的主题检索和聚类[J].电子与信息学报.2007
[10].闫丽颖,王欢,杨颖.模糊c均值聚类在wav格式音频检索中的研究[J].中国科技信息.2006