應(yīng)用傳統(tǒng)淺層模型處理樂(lè)器分類任務(wù)存在非線性擬合能力較差的問(wèn)題,使分類準(zhǔn)確率得不到有效保證,有必要引入深度學(xué)習(xí)方法來(lái)提升復(fù)雜任務(wù)的非線性建模能力。將深度玻爾茲曼機(jī)作為特征提取器提取表達(dá)能力更強(qiáng)的數(shù)據(jù)特征,分別以SVM與softmax分類器作為深度神經(jīng)網(wǎng)絡(luò)的頂層設(shè)置形成DBM+SVM組合模型與DBM+softmax組合模型,引入平均場(chǎng)理論和動(dòng)量項(xiàng)因子優(yōu)化網(wǎng)絡(luò)訓(xùn)練過(guò)程。將上述兩組模型及單一SVM分類器在五類樂(lè)器音頻數(shù)據(jù)上進(jìn)行對(duì)比實(shí)驗(yàn),兩種深度學(xué)習(xí)組合模型的分類準(zhǔn)確率分別達(dá)到89. 29%和87. 5%,與傳統(tǒng)淺層分類方法 SVM的73. 21%的準(zhǔn)確率相比優(yōu)勢(shì)明顯。實(shí)驗(yàn)結(jié)果表明深度玻爾茲曼機(jī)在樂(lè)器分類領(lǐng)域的應(yīng)用頗具前景。

【文章頁(yè)數(shù)】：4 頁(yè)

【文章目錄】：
1 相關(guān)理論
    1.1 深度學(xué)習(xí)的概念
    1.2 深度玻爾茲曼機(jī)
2 模型搭建
    2.1 平均場(chǎng)理論
    2.2 動(dòng)量項(xiàng)
    2.3 深度玻爾茲曼機(jī)的訓(xùn)練
3 仿真實(shí)驗(yàn)
    3.1 數(shù)據(jù)預(yù)處理
    3.2 搭建深度玻爾茲曼機(jī)模型
    3.3 實(shí)驗(yàn)結(jié)果
4 結(jié)束語(yǔ)



本文編號(hào)：3942429