針對(duì)機(jī)器學(xué)習(xí)模型對(duì)音樂(lè)流派特征識(shí)別能力較弱的問(wèn)題,提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的音樂(lè)流派識(shí)別（DCNN-MGR）模型。該模型首先通過(guò)快速傅里葉變換提取音頻信息,生成可以輸入DCNN的頻譜并切割生成頻譜切片。然后通過(guò)融合帶泄露整流（Leaky ReLU）函數(shù)、雙曲正切（Tanh）函數(shù)和Softplus分類器對(duì)AlexNet進(jìn)行增強(qiáng)。其次將生成的頻譜切片輸入增強(qiáng)的AlexNet進(jìn)行多批次的訓(xùn)練與驗(yàn)證,提取并學(xué)習(xí)音樂(lè)特征,得到可以有效分辨音樂(lè)特征的網(wǎng)絡(luò)模型。最后使用輸出模型進(jìn)行音樂(lè)流派識(shí)別測(cè)試。實(shí)驗(yàn)結(jié)果表明,增強(qiáng)的AlexNet在音樂(lè)特征識(shí)別準(zhǔn)確率和網(wǎng)絡(luò)收斂效果上明顯優(yōu)于AlexNet及其他常用的DCNN、DCNN-MGR模型在音樂(lè)流派識(shí)別準(zhǔn)確率上比其他機(jī)器學(xué)習(xí)模型提升了4%～20%。 

【文章來(lái)源】：智能系統(tǒng)學(xué)報(bào). 2020,15(04)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【參考文獻(xiàn)】：
期刊論文
[1]基于徑向變換和改進(jìn)AlexNet的胃腫瘤細(xì)胞圖像識(shí)別方法[J]. 甘嵐,郭子涵,王瑤.  計(jì)算機(jī)應(yīng)用. 2019(10)
[2]基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的紙幣識(shí)別研究[J]. 蓋杉,鮑中運(yùn).  電子與信息學(xué)報(bào). 2019(08)
[3]基于深度學(xué)習(xí)的車牌定位和識(shí)別方法[J]. 李祥鵬,閔衛(wèi)東,韓清,劉瑞康.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(06)
[4]基于AlexNet模型和自適應(yīng)對(duì)比度增強(qiáng)的乳腺結(jié)節(jié)超聲圖像分類[J]. 陳思文,劉玉江,劉冬,蘇晨,趙地,錢林學(xué),張佩珩.  計(jì)算機(jī)科學(xué). 2019(S1)
[5]人臉識(shí)別中AlexNet網(wǎng)絡(luò)設(shè)計(jì)和改進(jìn)方法研究[J]. 趙遠(yuǎn)東,劉振宇,柯麗,陳香敏.  通信技術(shù). 2019(03)
[6]緊湊型深度卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的應(yīng)用[J]. 吳進(jìn),錢雪忠.  計(jì)算機(jī)科學(xué)與探索. 2019(02)
[7]隱式特征和循環(huán)神經(jīng)網(wǎng)絡(luò)的多聲部音樂(lè)生成系統(tǒng)[J]. 苗北辰,郭為安,汪鐳.  智能系統(tǒng)學(xué)報(bào). 2019(01)
[8]一種新的深度卷積神經(jīng)網(wǎng)絡(luò)的SLU函數(shù)[J]. 趙慧珍,劉付顯,李龍躍.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2018(04)
[9]基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅外船只目標(biāo)檢測(cè)方法[J]. 王文秀,傅雨田,董峰,李鋒.  光學(xué)學(xué)報(bào). 2018(07)
[10]基于增強(qiáng)AlexNet的深度學(xué)習(xí)的阿爾茨海默病的早期診斷[J]. 呂鴻蒙,趙地,遲學(xué)斌.  計(jì)算機(jī)科學(xué). 2017(S1)



本文編號(hào)：3181396