openXBOW的使用（1）

默认：已下载openXBOW源码。

1. 获取所有可用参数的列表：

   java -jar openXBOW.jar

2. 直接上使用示例：

   1. 示例1(基础操作)：对每个音频/图像文档，给定一定数量的特征向量，即数字低级描述符（LLD），如MFCC，SIFT等。从属于一个文档/样本的所有LLD中，应创建一个词袋表示。

      1. 根据数据、标签生成词袋模型的三种方式：

         （1）java -jar openXBOW.jar -i examples/example1/llds.arff -l examples/example1/labels.csv -o bow.arff
         （2）java -jar openXBOW.jar -i examples/example1/llds.csv  -l examples/example1/labels.csv -o bow.arff
         （3）java -jar openXBOW.jar -i examples/example1/llds_labels.arff -o bow.arff

      2. 如果需要生成codebook大小为1000，且每个输入LLD有10个分配的字包表示形式：在上述指令中增加参数：-size 1000 -a 10

      3. 对输入文件中所有LLD进行随机抽样生成codebook，当没有目标（类标签）情况下生成单词袋输出:

         java -jar openXBOW.jar -i examples/example1/llds.csv -o bow2.arff

      4. 使用 kmeans++ 聚类学习大小为 200 的codebooks，然后将其存储在文件中：

         java -jar openXBOW.jar -i examples/example1/llds_labels.arff -o bow.arff -a 5 -c kmeans++ -size 200 -B codebook

      5. 加载学习的codebook并将其应用与相同的输入数据：java -jar openXBOW.jar -i examples/example1/llds_labels.arff -o bow.arff -a 5 -b codebook

      6. 生成词袋表示形式后，可进行的进一步处理：

         1. 对数项频率加权：适用于袋中的每个项频率（TF），可在加载相应的codebook时使用。

         2. 逆文档频率（IDF）转换：将每个词项频率乘上（样本总数与存在相应词项/单词的实例数）之比的对数，可在加载相应的codebook时使用。

         3. 直方图归一化：在基础指令中增加：（1,2,3择一个数字即可）一般用于不同输入文档/样本之间的输入LLD数量不同时：

            -norm 1/2/3

         4. 标准化/规范化的参数：（以下择1即可）

            -standardizeInput 
            -normalizeInput 
            -standardizeOutput -normalizeOutput

              

   2. 示例2：
      1. 从与时间相关的数值低级描述符生成与时间相关的词袋表示形式
      2. 对应场景：对音频中说话人特征（如情绪）的时间依赖性（离散时间连续）预测。
      3. 袋子是在特征的段或块上创建的
      4. 在参数中设置窗口大小和跃点大小（均以秒为单位）：此处使用的是5.0s的块大小来生成袋子，有跃点大小0.5s指定每个时间戳周围2.5s 的周期：

         java -jar openXBOW.jar -i examples/example2/llds.csv -l examples/example2/labels.csv -t 5.0 0.5 -o bow.arff -a 1 -c kmeans++ -size 200 -B codebook
         
         java -jar openXBOW.jar -i examples/example2/llds.csv -l examples/example2/labels.csv -t 5.0 0.5 -o bow.arff -a 1 -b codebook

      5. 将输入的LLD拆分为两个或多个子集，对于每个子集训练一个单独的codebook。为每个LLD子集独立生成袋子，并最终融合，实际操作：

         java -jar openXBOW.jar -i examples/example2/llds.csv -attributes nt1[5]2[5] -l examples/example2/labels.csv -t 5.0 0.5 -o bow.arff -a 1 -c kmeans++ -size 50,100 -B codebook -writeName -writeTimeStamp

   3.  示例3：
      1. 从交叉模式（数字和符号）输入数据生成词袋表示形式
      2. 在使用声学特征和文本的实际设置中，声学特征的速率将远远高于单词的速率。所以很多的文本是空的。
      3. 将相同属性的所有输入都转为词袋表示形式：

         java -jar openXBOW.jar -i examples/example3/crossmodal.arff -o bow.arff -c kmeans++ -size 4 -B codebook -writeName

      4. 生成的codebook中所有文本会自动转换为大写。文本输入通常来自自动语音识别系统（该系统主要以大写形式输出）
      5. 后期融合：（即先数字和符号分别生成codebook，后续进行融合）：

         java -jar openXBOW.jar -i examples/example3/crossmodal.arff -attributes n1[4]rc -o bowNumeric.arff -c kmeans++ -size 4 -B codebookNumeric -writeName
         
         java -jar openXBOW.jar -i examples/example3/crossmodal.arff -attributes nr[4]0c -o bowText.arff -B codebookText -writeName