盲识音频分类，非监督和监督联合使用

        到了现在提笔忘字的年龄，将东西写下来也算是留下了点痕迹。别想着这个是个浪花，它涟漪都算不上。

        之前一个人在折腾着音频信息隐藏的想法。在处理完原始信息压缩后，希望将这些混合有其他信息的音频剥离出来，寻找一下之间的相同之处。由于本人并无乐理知识，耳朵也是一个木耳。对歌曲，音频的也只能听个响，所以根本不能从音频中区别不同的分类。目前对于音频市场的头部公司，从发布到订阅都构建了一套牢不可破的技术+资本的护城河。即使能从它们所建立的音频信息资料里薅出一点什么东西，那也是少之又少的。本想着靠自己去人工标注音频，但是这种想法，在大量消耗时间上是不可取的。（耳朵，时间，以及缺失的音频背后的理论知识，都会让部分人工标注充斥着个人主观色彩）

      既然都是学习，好吧，那就重新开始折腾大数据分析。好不容易找到了1700多首歌曲作为学习资源。拿到这些歌曲后，该怎么办？找资料，读论文，知道了首先要对所谓的特征提取，什么过零率，MFCC等。老老实实的一步一步来。自己做切片，做特征提取。这些都做完了，留在手里的只有一堆数据，怎么让这些数据发挥作用？一个人在解决这些问题时，很痛苦。没有人授业解惑，有时候很迷茫。因为拿到数据不知道怎么去做非监督和监督权责。监督数据从何而来？也只有认真的读书，好不容易在《机器学习》一书中找到有一句这样的话：可以将非监督产生的数据，用作监督学习里的样本使用。那么，在众多的非监督学习到底使用SVM 还是KMeans？经过多次的测试，发现SVM对小数据量样本可以适用。但是对于我自己胡乱搞的这个特征模型却是无法接受。在提取时，我将歌曲切片，并按时间线随机提取切片，并组成40秒的特征数据，差不多 有 300多w行的数据。SVM在运算时由于运算的机制会造成内存溢出，就寻思着换为KMeans聚类。

       使用KMeans，对于K的初始选值，取决于经验模型。受测歌曲中有多少分类，我根本不知道。在人工搜索部分歌曲的曲风分类后，暂定K=10。（K值的选择直接影响分类效果）当然一些小众的歌曲参照网上的曲风流派似乎也不那么靠谱。例如子曰秋野的歌曲。通过KMeans分类输出，再根据模型的结构，会得到一组样本的分组比例，在经过贝叶斯提取。得到样本一个整体的分类（这里只是样本的一个相对分类。因为受测样本中不同时域的特征可能归属于不同的分类。但是对于单个的受测样本，就需要将所有的时域分类汇总后，求出最大的分类比例，作为相对分类）。KMeans处理完毕后，将得到的分类数据和特征数据作为下一步的非监督数据。

       现在的神经网络太多，由于自己懒再加上学渣身份，没有去学习Tensorflow（感觉自己落后了好多）。我才用了Accord的深度信任网络（DBN）。有50个隐层，按照KMeans 的K值，设置了10个输出层。由于 DBN支持 非监督和监督，为了利用之前的产出数据，所以将之前得到的输出数据作为DBN的学习样本，进行50次反向传播的监督学习，错误率在2%左右趋向于3%，学习时间达到了2个多小时。然后再将受测体制作为时间线不等的模型数据放入DBN进行估算。估算时间很短，最后也是得出的一组与受测体条目一致的分类数据，按照之前非监督的分类提取方式，就可以暂估这个受测体的相对分类。

      我在整理非监督分类的时候，发现了一件很有意思的事情。 在我的样本库里，收集了200多首周杰伦的歌曲，当分类出来后，居然发现，周杰伦的歌曲70%以上的分类是一致的，他的其他歌曲也很有规律的落到剩下的3个分类。然后，我找了他的一首《给我一首歌的时间 live》（周杰伦和蔡依林的演唱会版本）进行受测，居然，和样本库里的这首歌的专辑版本一致。然后我又用他的《说好不哭》受测，也是在样本库他的歌曲的最大分类里。和它最像的《稻香》，《窃爱》，《爸我回来了》等等。当然这些统计都与歌曲切片提取特征有关。

       写在最后，这篇完全是笔记，没有多少的干活。唯一要记住，对于歌曲的特征，切片会直接影响分类。同时在做非监督时，余弦距离比欧氏距离来的友好程度更好。看完的也谢谢您们，耐心的听一个人在这里发牢骚。