1.一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：包括以下步骤：步骤(1)：输入已标注音频事件样本集L、未标注音频事件样本集U和支持向量机分类器；

步骤(2)：用已标注音频事件样本集L中标注为正类的样本组成样本集L+，用未标注音频事件样本集U和样本集L+组成包含未标注音频事件样本和已标注的正类样本的数据集D1，用D1内的样本估计未标注音频事件样本的正类置信度；

-

步骤(3)：用已标注音频事件样本集L中标注为负类的样本组成样本集L ，用未标注音频事件样本集U和样本集L-组成包含未标注音频事件样本和已标注的负类样本的数据集D2，用D2内的样本估计未标注音频事件样本的负类置信度；

步骤(4)：对未标注音频事件样本，计算正类估计置信度和负类估计置信度的差值g1，用支持向量机分类器对未标注音频事件样本分类，然后选出那些落在支持向量机分类器分类边界内且其g1值为正值的未标注音频事件样本，并按其g1值进行降序排列，最后创建正类样本集P；

步骤(5)：对未标注音频事件样本，计算负类估计置信度和正类估计置信度的差值g2，用支持向量机分类器对未标注音频事件样本分类，然后选出那些落在支持向量机分类器分类边界内且其g2值为正值的未标注音频事件样本，并按其g2值进行降序排列，最后创建负类样本集N；

步骤(6)：将正类样本集P中的样本自动标注为正类，然后加入到已标注音频事件样本集L中，并将其从未标注音频事件样本集U中移除；将负类样本集N中的样本自动标注为负类，然后加入到已标注音频事件样本集L中，并将其从未标注音频事件样本集U中移除，利用处理后的音频事件样本集进行音频事件分类。

2.如权利要求1所述的一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：所述步骤(2)的方法为：用已标注音频事件样本集中标注为正类的样本组成样本集L+，用未标注音频事件样本集U和样本集L+组成包含未标注音频事件样本和已标注的正类样本的数据集D1，g+表示D1中样本的正类估计置信度组成的列向量，r+表示D1中样本的正类先验置信度组成的列向量，设置r+中各个样本的正类先验置信度，用D1中的样本估计未标注音频事件样本的正类置信度。

3.如权利要求1所述的一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：所述步骤(2)的具体方法为：步骤(2-1)：用已标注音频事件样本集L中标注为正类的样本组成样本集L+，用U和L+组成包含未标注音频事件样本和已标注的正类样本的数据集D1，D1＝{U,L+}＝{x1,x2,…,n nx|U|,x|U|+1,…,x|D1|}，xi∈R(i＝1,2,…,|D1)表示D1中的第i个样本，下标i表示第i个，R 表示n维实数向量，|U|表示未标注音频事件样本集U中样本的数量，|D1|表示数据集D1中样本的数量；

步骤(2-2)：令g+∈R|D1|表示由数据集D1中样本的正类估计置信度组成的列向量，g+是+ + D1一个待求的量，其各元素的值未知，g 中各元素在[0,1]区间取值，令r∈R 表示由数据集D1中样本的正类先验置信度组成的列向量，r+中各元素在[0,1]区间取值，RD1表示|D1|维的实数向量；

步骤(2-3)：对于D1中的每个样本xi(i＝1,2,…,|D1|)，通过K近邻的方法为其创建一个单元格,记为Ci,Ci＝{xi(0),xi(1),…,xi(K)}，xi表示D1中的第i个样本，下标i表示第i个，xi(0)表示样本xi在数据集D1中的第0近邻样本，即样本xi本身，xi(1)，xi(K)分别表示样本xi在数据集D1中的第1近邻样本和第K近邻样本；

步骤(2-4)：令Xi＝[xi(0),xi(1),…,xi(K)]表示由单元格Ci中的样本组成的样本矩阵，令(k＝0,1,…,K)表示Ci中样本xi(k)的正类估计置信度，令 表示Ci中样本xi(k)的正类先验置信度，xi(k)表示样本xi在数据集D1中的第k近邻样本；

步骤(2-5)：令Wi+表示对角矩阵，其对角向量为 上标T表示

转置，ω是一个正常数；

步骤(2-6)：令 I表示(K+1)×(K+1)维的单位矩阵，lK+1表示元素全为1的(K+1)维列向量，K表示K近邻算法中的K值，上标T表示转置，R(K+1)×(K+1)表示(K+1)×(K+1)维的实数矩阵；

步骤(2-7)：令 Xi表示由单元格Ci中的样本组成的样

本矩阵，上标T表示转置，λ表示正则化系数，In表示n×n维的单位矩阵；

步骤(2-8)：令 其中 表示|D1|

维的实数向量，其只有第p(xi(k))个元素值为1，其它元素值都为0，p(xi(k))表示样本xi(k)在数据集D1中的位置，xi(k)表示数据集D1中第i个样本xi的第k近邻样本；

步骤(2-9)：求

步骤(2-10)：求

步骤(2-11)：求g+＝(V++W+)-1W+r+；

步骤(2-12)：向量g+中前|U|个值是未标注音频事件样本的正类估计置信度，将前|U|个值取出，用向量 表示，则 即为未标注音频事件样本的正类估计置信度。

4.如权利要求1所述的一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：所述步骤(3)的步骤为：用已标注音频事件样本集L中标注为负类的样本组成样本集L-，用U和L-组成包含未标注音频事件样本和已标注的负类样本的数据集D2，g-表示数据集D2中样本的负类估计置信度组成的列向量，r-表示数据集D2中样本的负类先验置信度组成的列向量，设置r-中各个样本的负类先验置信度，用D2内的样本估计未标注音频事件样本的负类置信度。

5.如权利要求1所述的一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：所述步骤(3)的具体步骤为：步骤(3-1)：用已标注音频事件样本集L中标注为负类的样本组成样本集L-，用U和L-组成包含未标注音频事件样本和已标注的负类样本的数据集D2，D2＝{U,L-}＝{y1,y2,…,y|U|,y|U+1|,…,y|D2|},yi∈Rn(i＝1,2,…,|D2|)表示D2中的第i个样本，下标i表示第i个，Rn表示n维实数向量，|U|表示未标注音频事件样本集U中样本的数量，|D2|表示数据集D2中样本的数量；

步骤(3-2)：令g-∈RD2表示由数据集D2中样本的负类估计置信度组成的列向量，g-是一个待求的量，其各元素的值未知，g-中各元素在[0,1]区间取值，令r-∈RD2表示由数据集D2中样本的负类先验置信度组成的列向量，r-中各元素在[0,1]区间取值，R|D2|表示|D2|维的实数向量；

步骤(3-3)：对于D2中的每个样本yi(i＝1,2,…,|D2|)，通过K近邻的方法为其创建一个单元格,单元格内样本记为{yi(0),yi(1),…,yi(K)}，yi表示D2中的第i个样本，下标i表示第i个，yi(0)表示样本yi在数据集D2中的第0近邻样本，即样本yi本身，yi(1),yi(K)分别表示样本yi在数据集D2中的第1近邻样本和第K近邻样本；

步骤(3-4)：令Yi＝[yi(0),yi(1),…,yi(K)]表示由D2中第i个样本对应的单元格中的样本组成的样本矩阵，令 表示样本yi(k)的负类估计置信度，令表示样本yi(k)的负类先验置信度，yi(k)表示样本yi在数据集D2中的第k近邻样本；

步骤(3-5)：令Wi-表示对角矩阵，其对角向量为 上标T表示转

置，ω是一个正常数；

步骤(3-6)：令 I表示(K+1)×(K+1)维的单位矩阵，lK+1表示元素全为1的(K+1)维列向量，K表示K近邻算法中的K值，上标T表示转置，R(K+1)×(K+1)表示(K+1)×(K+1)维的实数矩阵；

步骤(3-7)：令Vi-＝H-HYiT(YiHYiT+λIn)-1YiH，Yi表示由D2中第i个样本对应的单元格中的样本组成的样本矩阵，上标T表示转置，λ表示正则化系数，In表示n×n维的单位矩阵；

步骤(3-8)：令 其中 表示|D2|

维的实数向量，其只有第p(yi(k))个元素值为1，其它元素值都为0，p(yi(k))表示样本yi(k)在数据集D2中的位置，yi(k)表示数据集D2中第i个样本yi的第k近邻样本；

步骤(3-9)：求

步骤(3-10)：求

步骤(3-11)：求g-＝(V-+W-)-1W-r-；

步骤(3-12)：向量g-中前|U|个值是未标注音频事件样本的负类估计置信度，将前|U|个值取出，用向量 表示，则 即为未标注音频事件样本的负类估计置信度。

6.如权利要求1所述的一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：所述步骤(4)的具体步骤包括：步骤(4-1)：对未标注音频事件样本，计算正类估计置信度和负类估计置信度的差值g1；

步骤(4-2)：在半监督学习的每轮迭代中，用支持向量机分类器对未标注音频事件样本分类，然后选出那些落在支持向量机分类器分类边界内且其g1值为正值的未标注音频事件样本；

步骤(4-3)：将步骤(4-2)中挑选出来的未标注音频事件样本按照其g1值降序排序；

步骤(4-4)：设定一个百分比值ε％，取步骤(4-3)中排序的未标注音频事件样本的前ε％作为挖掘的正类样本。

7.如权利要求6所述的一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：所述步骤(4-1)的具体步骤为：其中， 表示未标注音频事件样本集U中的第j个样本，下标j表示第j

个， 表示未标注音频事件样本 的g1值，即正类估计置信度和负类估

计置信度的差值，|U|表示未标注音频事件样本集中样本的数量。

8.如权利要求6所述的一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：所述步骤(4-4)的具体方法用公式表达为：P表示挖掘的正类样本集，f(·)表示支持向量机分类器的决策函数， 表示样本的决策值，根据支持向量机原理，f(x)＝±1表示的是支持向量机分类器的分类边界，而|f(x)|＜1则表示分类边界内部区域，其中x表示任一样本，所以 表示样本 落在分类边界内，TOPε％/g1{·}表示将集合{·}内的样本根据其g1值降序排序后，取其前ε％的样本组成新的样本集合。

9.如权利要求1所述的一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：所述步骤(5)的具体步骤为：步骤(5-1)：对未标注音频事件样本，计算负类估计置信度和正类估计置信度的差值g2；

步骤(5-2)：在半监督学习的每轮迭代中，用支持向量机分类器对未标注音频事件样本分类，然后选出那些落在支持向量机分类器分类边界内且其g2值为正值的未标注音频事件样本；

步骤(5-3)：将步骤(5-2)中挑选出来的未标注音频事件样本按照其g2值降序排序；

步骤(5-4)：设定一个百分比值ε％，取步骤(5-3)中排序的未标注音频事件样本的前ε％作为挖掘的负类样本。

10.如权利要求9所述的一种用于音频事件分类的半监督学习高置信度样本挖掘方法，其特征是：所述步骤(5-1)的具体方法为：其中， 表示未标注音频事件样本集U中的第j个样本，下标j表示第j

个， 表示未标注音频事件样本 的g2值，即负类估计置信度和正类估

计置信度的差值，|U|表示未标注音频事件样本集中样本的数量；

所述步骤(5-4)的具体方法用公式表达为：

N表示挖掘的负类样本集，TOPε％/g2{·}表示将集合{·}内的样本根据其g2值降序排序后，取其前ε％的样本组成新的样本集合。