伴随情感计算概念兴起,人们渴望智能终端具备与人类同一水平的情感识别能力。当智能终端具有更好的共情能力,人机交互的体验将更上一层。音乐一直都是人类情感表达的重要途径,古往今来音乐承载世界各地人民内心最真实的情绪。在情感计算领域,音乐情感识别是一个新兴难题。一方面,音乐情感识别受较强的主观因素影响。另一方面,音乐情感的表征需要设计复杂的音乐特征。极限学习机(Extreme Learning Machine,ELM)能较好处理非线性分类问题,是一种具备潜力的新模型。但ELM的映射空间唯一,不利于表征拼接的音乐特征。针对ELM因映射空间单调导致的音乐情感分类效果欠佳的问题,本文基于多核组合共同表达异构音乐特征的思想,提出两种改进的极限学习机,具体工作可概括如下:(1)借鉴粒子群策略的思想,提出多任务天牛群算法(Multitask Beetle Antennae Swarm Algorithm,简称MBAS)。其中“多任务”体现为天牛群的天牛粒子的任务职能根据每轮表现更改,不同任务职能的粒子对应不同位置更新方式。“多任务”机制下,粒子多样性增加,相较单粒子BAS算法,具有粒子群的MBAS算法能应对更复杂的寻优问题。利用MBAS算法为多核ELM求出最优核组合系数,提出一种基于多任务天牛群优化的多核极限学习机(Multitask Beetle Antennae Swarm Multiple Kernel Extreme Machine,缩写为MBAS-MK-ELM)。音乐特征在MBAS-MK-ELM构造的多核空间内具有更强可分性。因此,改进后的ELM算法在音乐情感分类任务的表现有所提升。(2)针对MBAS-MK-ELM训练运算开销大的问题,采用无监督的NMF多核构造法替代MBAS算法。同时考虑到音乐数据转换至高维空间将有丢失固有结构信息的风险,因此引入图嵌入框架。结合NMF多核构造法和图嵌入框架,提出图嵌入非负矩阵多核极限学习机(Graph Embedded Nonnegative Matrix Factorization Multiple Kernel Extreme Learning,缩写为GN-MK-ELM)。NMF算法能大幅度降低多核的构造时间,图嵌入策略和多核映射最大限度保留高维音乐特征的固有结构,分类能力得以提升。最后,通过公开的分类数据集和真实音乐情感数据集验证MBAS-MK-ELM和GN-MK-ELM,结果表明提出的两种ELM算法各有优点,且分类效果比原始的ELM和其他对比算法均有提升。