針對(duì)單一特征建立的音樂(lè)流派分類(lèi)模型導(dǎo)致誤判、遺漏、錯(cuò)分的不足及其處理速度慢、效率低等問(wèn)題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的音樂(lè)流派分類(lèi)方法。該算法首先采用倒譜系數(shù)提取音頻的MFCC特征矩陣,以其特征值作為CNN神經(jīng)網(wǎng)絡(luò)的輸入量對(duì)音頻信號(hào)進(jìn)行訓(xùn)練,獲取最優(yōu)分類(lèi)器用以作為訓(xùn)練器。將經(jīng)典、鄉(xiāng)村、重金屬和搖滾四種音樂(lè)流派的音頻信息通過(guò)最優(yōu)分類(lèi)器進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明:卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)的平均分類(lèi)效率可達(dá)88%,處理速度明顯提升,降低誤分類(lèi)及錯(cuò)判率。 

【文章來(lái)源】：電子測(cè)量技術(shù). 2019,42(21)

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

圖1 分類(lèi)識(shí)別的一般流程

MFCC從音頻到能量的一般提取過(guò)程如圖2[14]所示,已經(jīng)非常成熟,特拉維夫大學(xué)的Benyanmin Matiyaho已經(jīng)做出了充分的研究和證明[15]。音樂(lè)的MFCC特征參數(shù)主要表現(xiàn)的是音樂(lè)信號(hào)的靜態(tài)特征,而音樂(lè)的動(dòng)態(tài)特征可以通過(guò)靜態(tài)差分來(lái)描述,結(jié)合一階和二階差分作為動(dòng)態(tài)特征。靜態(tài)和動(dòng)態(tài)特征互相補(bǔ)充,提高系統(tǒng)的性能。

卷積神經(jīng)網(wǎng)絡(luò)一般包含卷積層,池化層和全連接層。卷積和池化層用于輸入和提取特征,全連接層用于將特征映射到維度空間中,其基本結(jié)構(gòu)如圖3所示。由二維數(shù)值卷積計(jì)算可知,卷積神經(jīng)網(wǎng)絡(luò)算法分為以下幾個(gè)步驟:

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[2]基于熵和支持向量機(jī)的音樂(lè)分類(lèi)方法[J]. 高林杰,張明.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2014(05)
[3]基于概率神經(jīng)網(wǎng)絡(luò)的流行音樂(lè)分類(lèi)研究[J]. 韓浩,王寅瀟,王博,譙妍,田京京.  數(shù)字技術(shù)與應(yīng)用. 2013(08)
[4]一個(gè)基于相關(guān)反饋的神經(jīng)網(wǎng)絡(luò)音樂(lè)情感分類(lèi)器構(gòu)建算法[J]. 王小鳳,耿國(guó)華,李鵬,劉曉寧.  西北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(01)
[5]基于MFCC和HMM的音樂(lè)分類(lèi)方法研究[J]. 張燕,唐振民,李燕萍,鄒益.  南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版). 2008(04)
[6]基于快速神經(jīng)網(wǎng)絡(luò)算法的非特定人語(yǔ)音識(shí)別[J]. 田嵐,陸小珊,白樹(shù)忠.  控制與決策. 2002(01)

碩士論文
[1]基于音樂(lè)基因的混合音樂(lè)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 鐘偉.安徽大學(xué) 2014



本文編號(hào)：3571130