Clustering of features generated of

Clustering of features generated of musical sound recordings proved to be beneficial for further classification tasks such as instrument recognition (Ligges and Krey in Comput Stat 26(2):279-291, 2011). We propose to use order constrained solutions in K-means clustering to stabilize the results and improve the interpretability of the clustering. With this method a further improvement of the misclassification error in the aforementioned instrument recognition task is possible. Using order constrained K-means the musical structure of a whole piece of popular music can be extracted automatically. Visualizing the distances of the feature vectors through a self distance matrix allows for an easy visual verification of the result. For the estimation of the right number of clusters, we propose to calculate the adjusted Rand indices of bootstrap samples of the data and base the decision on the minimum of a robust version of the coefficient of variation. In addition to the average stability (measured through the adjusted Rand index) this approach takes the variation between the different bootstrap samples into account. © 2012 Springer-Verlag.

ผลลัพธ์ (ไทย) 1:

คลัสเตอร์สร้างบันทึกเสียงดนตรีของพิสูจน์ให้เป็นประโยชน์ต่อการเพิ่มเติมประเภทงานเช่นการรับรู้เครื่องมือ (Ligges และ Krey ใน Comput สถิติ 26 (2): 279-291, 2011) เราเสนอการใช้โซลูชั่นจำกัดสั่งในคลัสเตอร์หมายถึง K เพื่อมุ่งผลลัพธ์ และปรับปรุง interpretability ของคลัสเตอร์ ด้วยวิธีนี้ เพิ่มเติมการปรับปรุงข้อผิดพลาด misclassification ในงานการรับรู้เครื่องมือดังกล่าวได้ ใช้สั่งจำกัด K-หมายถึงสามารถแยกโครงสร้างดนตรีของชิ้นส่วนทั้งหมดของเพลงโดยอัตโนมัติ แสดงผลระยะทางของเวกเตอร์คุณลักษณะผ่านเมทริกซ์ระยะทางตนเองได้สำหรับการตรวจสอบภาพการกลายของผล สำหรับการประเมินของหมายเลขของคลัสเตอร์ เราเสนอการคำนวณดัชนี Rand ปรับปรุงตัวอย่างเริ่มต้นระบบของข้อมูล และพื้นฐานการตัดสินใจต่ำสุดของค่าสัมประสิทธิ์ของความแปรผันรุ่นแข็งแรง นอกจากความมั่นคงที่เฉลี่ย (วัด โดยดัชนี Rand ปรับปรุง) วิธีการนี้จะเปลี่ยนแปลงระหว่างตัวอย่างเริ่มต้นระบบอื่นเข้าบัญชี © 2012 springer-Verlag

ผลลัพธ์ (ไทย) 2:

ระบบคลัสเตอร์ของคุณสมบัติที่สร้างการบันทึกเสียงดนตรีได้พิสูจน์ให้เป็นประโยชน์ต่อสำหรับงานการแบ่ง ประเภท อื่นๆเช่นตราสาร Recognition ( ligges krey comput ",และอยู่ในสถานะของสายอากาศ: 26 ( 2 ): 279-291 2011 ) เราเสนอที่จะใช้โซลูชันมีการสั่งซื้อในระบบคลัสเตอร์ K - หมายถึงการสร้างความมั่นคงผลที่ได้รับและปรับปรุง interpretability ของคลัสเตอร์ที่ด้วยวิธีนี้การปรับปรุงเพิ่มเติมของข้อผิดพลาดจัดกลุ่มผิด ประเภท ในงานการจดจำหน้าปัดดังกล่าวมีความเป็นไปได้ การใช้การสั่งซื้อจำกัดโดย K - หมายถึงโครงสร้างทางดนตรีของชิ้นทั้งหมดที่ได้รับความนิยมของเพลงสามารถถูกแยกออกมาโดยอัตโนมัติ จำนวนข้อมูลกว่าระยะไกลขององค์ประกอบที่โดดเด่นไปด้วยที่ผ่าน Matrix Storage Technology ระยะทางด้วยตัวเองให้สำหรับการตรวจสอบความถูกต้องของ ภาพ ได้อย่างง่ายดายทำให้ได้.สำหรับประมาณการว่าหมายเลขด้านขวาของกลุ่มเราเสนอในการคำนวณดัชนี,แรนด์ปรับตัวอย่าง Bootstrap Processor ของข้อมูลที่มีฐานการตัดสินใจที่อยู่บนสุดของรุ่นที่แข็งแกร่งของตัวเลขของการเปลี่ยนแปลง นอกจากนี้ในการรักษา เสถียรภาพ โดยเฉลี่ย(วัดผ่านดัชนีที่สูงริมแม่น้ำได้ปรับ)ซึ่งวิธีการนี้จะแตกต่างกันระหว่างตัวอย่าง Bootstrap Processor ที่แตกต่างกันไปเข้าบัญชี© 2012 springer-verlag .