Audio 距离相关的中国餐馆流程

我是机器学习新手，希望在MATLAB中实现与距离相关的中餐厅过程，以便对音频轨迹进行聚类

我希望在26个功能上使用dd CRP。我猜这个过程可能是这样的

• 读入第一个特征向量并为其指定一个“表”
• 读入第二个特征向量并将其与第一个“表”进行比较，可能使用两个向量的余弦角（由于高维），如果在某个定义的θ范围内一致，则加入该表，否则开始新的一个
• 读入下一个特征，对每个现有表格的新特征向量重复步骤2
• 在发生这种情况时，我将跟踪有多少个表

我将在例如16个音轨上运行算法。音频输入算法的方式是，第一个特征向量来自音频轨道1的第一帧，第二个特征向量来自轨道2的第一帧，等等。因为我试图找出哪些音频轨道最喜欢聚集在一起，但我不想定义有多少质心。显然，我必须跟踪哪个音轨在哪个“桌子”上

---

这有意义吗？

您可以使用

X-means

算法，该算法根据贝叶斯信息标准（或BIC）自动确定最佳质心数（从而确定簇数）。简而言之，该算法查找每个簇的密度以及每个簇与其他簇的距离。

您可以使用

X-means

算法，该算法根据贝叶斯信息标准（或BIC）自动确定最佳质心数（从而确定簇数）。简而言之，该算法查找每个集群的密度，以及每个集群与其他集群之间的距离。

这不是一个中餐馆流程。这是一个启发式算法，与中餐馆的流程有一些相似之处。在CRP中，所有内容都是根据项目分配给集群的优先级来表述的（表类比），这些优先级与每个集群的似然函数相结合（这将使您描述的相似性函数形式化）。然后通过Gibbs采样进行推断，这意味着在给定所有其他分配的情况下，非确定性采样每个轨迹依次分配给哪个簇。非参数变分方法仍处于非常初步的阶段

---

为什么要使用CRP？你认为除了传统的聚类方法之外，你还能从中得到什么吗？实现和正确理解非参数的门槛很高，而且由于我提到的推理限制，它们目前通常没有什么实际用途。

这不是一个中餐馆流程。这是一个启发式算法，与中餐馆的流程有一些相似之处。在CRP中，所有内容都是根据项目分配给集群的优先级来表述的（表类比），这些优先级与每个集群的似然函数相结合（这将使您描述的相似性函数形式化）。然后通过Gibbs采样进行推断，这意味着在给定所有其他分配的情况下，非确定性采样每个轨迹依次分配给哪个簇。非参数变分方法仍处于非常初步的阶段

---

为什么要使用CRP？你认为除了传统的聚类方法之外，你还能从中得到什么吗？实现和正确理解非参数的门槛很高，由于我提到的推理限制，它们目前通常没有什么实际用途。

我们喜欢用代码处理特定问题。我看你还没有发任何邮件。尝试添加一些以获得我们的一些响应。恐怕我还没有为dd CRP编写任何代码。我只是想看看这个理论和我对这个问题的理解是否正确。我写了很多代码来处理音频，并使用k-means对其进行聚类，这是可行的，但我希望对其进行扩展。这可能与matlab无关。请删除matlab标签。我们喜欢用代码处理特定问题。我看你还没有发任何邮件。尝试添加一些以获得我们的一些响应。恐怕我还没有为dd CRP编写任何代码。我只是想看看这个理论和我对这个问题的理解是否正确。我写了很多代码来处理音频，并使用k-means对其进行聚类，这是可行的，但我希望对其进行扩展。这可能与matlab无关。请删除matlab标签。非常感谢。这正是我要找的！非常感谢你。这正是我要找的！嗨，本。谢谢你回复我。我之所以要看CRP，是因为有无限多的簇。我实际上想做的是从多声道录音中对音频曲目进行聚类。传统上，在音频制作中，您会根据这些内容对这些音频曲目进行分组，即将鼓与其他鼓分组，将吉他与其他吉他分组。我从每个音轨中提取低级特征，并基于这些特征对它们进行聚类，而不是遵循传统的声音工程实践，这通常只是一个经验法则。在这种情况下，我可能会更好地研究时间序列聚类吗？我认为一般聚类是可以的，还有一些聚类方法不需要预先指定聚类数（尽管CRP是无限模型，但对于有限数量的数据点，聚类数总是有限的）。以DBSCAN为例，它非常流行，您不必费劲寻找实现。我同意集群数量有限，但我希望数据定义应该有多少集群。总之