電子音樂分類有利于電子音樂的在線檢索,當前電子音樂分類模型難以準確識別各種類型的電子音樂,使得當前電子音樂分類模型分類效果差,為了提高電子音樂分類正確率,提出了多特征融合和機器學習算法的電子音樂分類模型。首先采集電子音樂信號,并從電子音樂信號中提取分類的多種特征,然后采用機器學習算法描述電子音樂信號類型和特征之間的聯(lián)系,建立電子音樂分類器,最后采用模型對多種電子音樂進行分類仿真實驗,結(jié)果表明,相對于當前其它電子音樂分類模型,該模型減少了電子音樂分類器構(gòu)建的時間,加快了電子音樂分類速度,能夠高精度識別各種類型的電子音樂,電子音樂分類正確率明顯提高,驗證了該電子音樂分類模型的優(yōu)越性。 

【文章來源】：微型電腦應(yīng)用. 2020,36(09)

【文章頁數(shù)】：3 頁

【部分圖文】：

電子音樂分類器結(jié)構(gòu)

多特征融合和機器學習算法的電子音樂分類模型的工作原理為:先采集電子音樂信號,并從電子音樂信號中提取分類的多種特征,然后采用機器學習算法描述電子音樂信號類型和特征之間的聯(lián)系,建立電子音樂分類器,如圖2所示。2 仿真測試

分別采用本文模型、HMM、BPNN對表1中的10類電子音樂進行訓練、學習,建立相應(yīng)的10類電子音樂分類器,然后計算它們對10類電子音樂的分類正確率,如圖3所示。從圖3可以看出:

【參考文獻】：
期刊論文
[1]基于2DFT變換的伴奏音樂分離方法[J]. 張?zhí)?張?zhí)祢U,葛宛營,范聰聰.  信號處理. 2019(10)
[2]基于過零率及頻譜的語音音樂分類算法[J]. 孫慧芳,龍華,邵玉斌,杜慶治.  云南大學學報(自然科學版). 2019(05)
[3]基于混沌理論的音樂信號非線性特征研究[J]. 趙志成,方力先.  振動與沖擊. 2019(03)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的盲文音樂識別研究[J]. 劉彪,黃蓉蓉,林和,蘇偉.  智能系統(tǒng)學報. 2019(01)
[5]深度卷積神經(jīng)網(wǎng)絡(luò)在音樂風格識別中的應(yīng)用[J]. 胡昭華,余媛媛.  小型微型計算機系統(tǒng). 2018(09)
[6]一種基于分層結(jié)構(gòu)的音樂自動分類方法[J]. 杜威,林滸,孫建偉,于波,姚愷豐.  小型微型計算機系統(tǒng). 2018(05)
[7]電子音樂與交互式電子音樂研究現(xiàn)狀[J]. 毛慶武.  當代音樂. 2017(22)
[8]基于降噪自動編碼器特征學習的音樂自動標注算法[J]. 黎鵬,陳寧.  華東理工大學學報(自然科學版). 2017(02)
[9]基于隱馬爾可夫模型的音樂分類[J]. 肖曉紅,張懿,劉冬生,歐陽春娟.  計算機工程與應(yīng)用. 2017(16)
[10]基于多核學習支持向量機的音樂流派分類[J]. 孫輝,許潔萍,劉彬彬.  計算機應(yīng)用. 2015(06)



本文編號：3323421