發(fā)布時(shí)間：2020-11-09 16:25

　　 基于深度學(xué)習(xí)的樂器分類問題是深度學(xué)習(xí)在音樂信息檢索方向上的應(yīng)用,而音樂信息檢索又是語音識(shí)別領(lǐng)域近年來備受關(guān)注的研究熱點(diǎn)。首先,介紹音樂分類及深度學(xué)習(xí)領(lǐng)域的基本理論知識(shí),為混合模型的搭建做好理論鋪墊。其次,對(duì)用于構(gòu)建深度學(xué)習(xí)混合模型的深度自編碼器(DAE)與深度玻爾茲曼機(jī)(DBM)進(jìn)行重點(diǎn)介紹,包括模型的基本結(jié)構(gòu)、訓(xùn)練算法、性能特征及研究現(xiàn)狀等�；贒AE的數(shù)據(jù)擴(kuò)充能力與DBM的數(shù)據(jù)投影能力,構(gòu)建混合深度學(xué)習(xí)模型DA-BM;通過在參數(shù)調(diào)整過程中加入動(dòng)量項(xiàng)的方式緩解模型訓(xùn)練中的震蕩現(xiàn)象,同時(shí)引入平均場(chǎng)來平滑訓(xùn)練數(shù)據(jù)中的孤立點(diǎn),提升模型的魯棒性。DA-BM在樂器分類任務(wù)中充當(dāng)特征提取器,分別在模型頂層設(shè)置SVM與Softmax分類器,實(shí)現(xiàn)對(duì)樂器音頻數(shù)據(jù)的分類。另外,基于PLP系數(shù)能夠模擬人耳聽覺特性的優(yōu)勢(shì),結(jié)合譜通量特征能夠反映音樂信號(hào)中相鄰兩幀間能量變化關(guān)系的特性,提出一種新的混合特征量。最后,通過仿真實(shí)驗(yàn)對(duì)本文提出的DA-BM混合模型以及混合特征量進(jìn)行有效性驗(yàn)證。將DA-BM模型應(yīng)用于5類單樂器音頻數(shù)據(jù)的分類任務(wù),并與傳統(tǒng)音樂分類方法及單一深度學(xué)習(xí)模型進(jìn)行性能比較。實(shí)驗(yàn)結(jié)果表明,在同一測(cè)試集上,混合模型DA-BM的分類準(zhǔn)確率高于深度學(xué)習(xí)單模型DAE與DBM。同時(shí),DA-BM、DAE、DBM三種深度學(xué)習(xí)模型在樂器分類任務(wù)中的分類性能明顯優(yōu)于淺層模型SVM,分類準(zhǔn)確率提升超過10%。另外,提取音樂數(shù)據(jù)的能量特征、MFCC系數(shù)、PLP系數(shù)并構(gòu)建基于PLP系數(shù)和譜通量的混合特征。分別采用上述特征作為DA-BM模型的輸入,對(duì)比不同特征量的性能。實(shí)驗(yàn)結(jié)果表明混合特征量表現(xiàn)最優(yōu)異,分類準(zhǔn)確率達(dá)到91.25%,證明本文提出的混合特征量具有更強(qiáng)的數(shù)據(jù)表達(dá)能力。
【學(xué)位單位】：蘭州財(cái)經(jīng)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP181;J60-4
【部分圖文】：

的音樂推薦以及音樂情感分析等。對(duì)此，無監(jiān)督訓(xùn)練具有很強(qiáng)的適，并不是所有的深度學(xué)習(xí)模型都進(jìn)行無監(jiān)督訓(xùn)練，但在網(wǎng)絡(luò)中存在據(jù)的情況下，深度學(xué)習(xí)方法是極具競(jìng)爭(zhēng)力的一種嘗試。學(xué)習(xí)的常見模型爾茲曼機(jī)茲曼機(jī)（RBM）是一種無監(jiān)督模型，RBM 網(wǎng)絡(luò)的每一個(gè)子模塊包可視層 V，其中的節(jié)點(diǎn)數(shù)據(jù) V=(0v ,1v ,···,mv )一般服從伯努利分布以及隱藏層 H，隱藏單元中的數(shù)據(jù) H=(0h ,1h ,···,nh )一般服從伯努一層次中的節(jié)點(diǎn)彼此獨(dú)立，而兩個(gè)層次之間的各節(jié)點(diǎn)則兩兩相連圖 2.2 所示。···

量轉(zhuǎn)換成為取值僅為 0 和 1 的隨機(jī)二值變量，接著由網(wǎng)絡(luò)中更高層伯努利 RBM 或者伯努利-高斯 RBM 進(jìn)行信息的特征提取，而在 DB選擇使用伯努利-高斯 RBM 模型，將二值變量再轉(zhuǎn)換為實(shí)值變量，息進(jìn)行解釋。上述形式的 DBN 模型常被用于提取語音信息中的深深度玻爾茲曼機(jī)玻爾茲曼機(jī)（DBM）與深度信念網(wǎng)絡(luò)在結(jié)構(gòu)上很相似，但在可視連接方式上存在差異。DBM 的本質(zhì)仍然是 RBM，只是增加了單個(gè) R個(gè)數(shù)，如圖 2.3(b)所示。而 DBN 在靠近輸入層和遠(yuǎn)離輸入層的位同，靠近可視層的一段采用的是有向圖模型，箭頭由隱藏層指向可視視層的一端則采用 RBM。DBM 與 RBM 的區(qū)別可參照?qǐng)D 2.3。

自動(dòng)編碼器動(dòng)編碼器（AE）是一個(gè)包含了輸入層、隱含層以及輸出層的三，由 Rumelhart[50]在 1986 年首次提出。在該結(jié)構(gòu)中，原始信息通過碼器的編碼操作傳遞至隱藏層，編碼后的信息再經(jīng)過解碼器的解出層，而輸出的結(jié)果就是原始信息的重構(gòu)。最小化重構(gòu)信息與原是優(yōu)化自動(dòng)編碼器算法的首要目標(biāo)，往往通過定義一個(gè)重構(gòu)誤差型性能的重要指標(biāo)。如果重構(gòu)誤差很�。ㄐ∮谀硞�(gè)閾值），則重完全對(duì)應(yīng)于原始信息，此時(shí)經(jīng)編碼后的信息就是能夠充分表達(dá)原征量，將該特征量作為下一層的輸入，以此類推，完成整個(gè)網(wǎng)絡(luò)程中通過調(diào)整編碼器與解碼器的參數(shù)值使模型達(dá)到重構(gòu)誤差最小確定后，由隱藏層到輸出層的參數(shù)值將直接被釋放。自動(dòng)編碼器圖 2.4 所示。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 呂月坪;;一種基于六維打分的混合模型業(yè)務(wù)推薦系統(tǒng)[J];福建電腦;2017年03期

2 戴妙林;郭震;秦俊德;;位移混合模型的改進(jìn)[J];河海大學(xué)學(xué)報(bào);1992年06期

3 李臘元;適于通信協(xié)議形式描述的一種混合模型[J];計(jì)算機(jī)學(xué)報(bào);1988年05期

4 李旦江,楊立新,顧寧;混合模型及其在恒山拱壩原觀資料分析中的應(yīng)用[J];水力發(fā)電;1988年05期

5 盧有清,吳中如;混凝土重力壩變形的混合模型及其應(yīng)用研究[J];大壩與安全;1989年03期

6 李臘元;通信協(xié)議形式描述的一種混合模型研究[J];計(jì)算機(jī)工程與設(shè)計(jì);1989年01期

7 李臘元;;局部網(wǎng)絡(luò)通信協(xié)議形式描述的新混合模型[J];武漢水運(yùn)工程學(xué)院學(xué)報(bào);1989年03期

8 漆德威;鄭希特;;U(1)格點(diǎn)混合模型相圖的解析研究[J];成都科技大學(xué)學(xué)報(bào);1989年03期

9 包振華;宋曉琳;;廣義指數(shù)-帕累托(Ⅳ)混合模型[J];遼寧師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年01期

10 潘迪夫;陳軍;鮑天哲;韓錕;;多輸出支持向量機(jī)混合模型在機(jī)車調(diào)簧中的應(yīng)用[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年04期

相關(guān)博士學(xué)位論文 前10條

1 陳思寶;基于t-混合模型和擴(kuò)展保局投影的聚類與降維方法研究[D];安徽大學(xué);2006年

2 凌曉亮;混合模型中的隨機(jī)比較[D];蘭州大學(xué);2013年

3 李煒;多種混合模型下的盲信號(hào)分離方法研究[D];江南大學(xué);2014年

4 聶偉;不同混合模型下非平穩(wěn)信號(hào)的分離與提取[D];哈爾濱工程大學(xué);2017年

5 彭偉才;基于混合模型的中頻振動(dòng)聲學(xué)分析[D];華中科技大學(xué);2010年

6 熊太松;基于統(tǒng)計(jì)混合模型的圖像分割方法研究[D];電子科技大學(xué);2013年

7 蘭永紅;基于二維模型的重復(fù)控制系統(tǒng)分析與設(shè)計(jì)[D];中南大學(xué);2010年

8 吳小霞;多重檢驗(yàn)中FDR方法及其參數(shù)估計(jì)問題的研究[D];武漢大學(xué);2010年

9 楊萌;基于Taxonomy-folkonomy混合模型的社會(huì)化標(biāo)注系統(tǒng)資源聚合研究[D];吉林大學(xué);2014年

10 王洪武;基于非線性理論的古諾—伯川德混合模型研究及應(yīng)用[D];天津大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 趙佳;煉鋼流程能耗的控制與調(diào)動(dòng)集成優(yōu)化方法研究[D];東北大學(xué);2015年

2 周暢;基于深度學(xué)習(xí)的樂器分類方法研究[D];蘭州財(cái)經(jīng)大學(xué);2018年

3 孔德萌;基于混合模型CI-FPA-SVM對(duì)PM日濃度預(yù)測(cè)[D];蘭州大學(xué);2018年

4 雷昌寧;基于SARIMA和SVR混合模型的黑河徑流量預(yù)測(cè)分析[D];蘭州大學(xué);2018年

5 徐曉梅;基于混合模型EWT-PSO-SA-SVR的港口吞吐量區(qū)間預(yù)測(cè)[D];蘭州大學(xué);2018年

6 李藝;基于混合模型SSA-ICEEMD-CS-LSSVR的港口集裝箱吞吐量預(yù)測(cè)[D];蘭州大學(xué);2018年

7 張宇超;基于矩陣正態(tài)混合模型的模糊聚類算法研究[D];云南財(cái)經(jīng)大學(xué);2018年

8 王騫;云平臺(tái)下基于混合模型的網(wǎng)絡(luò)負(fù)載資源預(yù)測(cè)[D];陜西師范大學(xué);2018年

9 張丹峰;基于LightGBM,XGBoost,ERT混合模型的風(fēng)機(jī)葉片結(jié)冰預(yù)測(cè)研究[D];上海師范大學(xué);2018年

10 張海洋;混合模型軟測(cè)量建模方法及其在發(fā)酵過程中的應(yīng)用[D];江蘇大學(xué);2017年

本文編號(hào)：2876681