針對(duì)用戶音樂(lè)檢索問(wèn)題,傳統(tǒng)采用人工標(biāo)注的音樂(lè)風(fēng)格分類方法已經(jīng)無(wú)法滿足實(shí)際需求,提出一種基于群智優(yōu)化神經(jīng)網(wǎng)絡(luò)的古典音樂(lè)風(fēng)格分類模型。首先,采用Skyline主旋律提取算法對(duì)音樂(lè)文件進(jìn)行特征提取;然后,對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的分類器訓(xùn)練和分類流程進(jìn)行分析,并構(gòu)建4層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu);最后,采用果蠅群智優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始化權(quán)值參數(shù)進(jìn)行優(yōu)化,以便提高全局搜索能力。仿真實(shí)驗(yàn)結(jié)果顯示,與已有的成果相比,提出的分類模型具有更好的準(zhǔn)確率,準(zhǔn)確率可達(dá)81%,能夠?qū)崿F(xiàn)音樂(lè)風(fēng)格自動(dòng)分類。 

【文章來(lái)源】：現(xiàn)代電子技術(shù). 2019,42(21)北大核心

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

音樂(lè)文件主旋律提取示例Fig.1Exampleofmainmelodyextractioninmusicfile

危???擲嗬智?畝喔鎏卣魘淙氳酵??模型中，得到相應(yīng)的多個(gè)風(fēng)格標(biāo)簽輸出，選擇占比最大的標(biāo)簽作為實(shí)際輸出標(biāo)簽，具體訓(xùn)練流程如圖3所示。圖2基于BP神經(jīng)網(wǎng)絡(luò)的分類器訓(xùn)練流程Fig.2TrainingprocessofclassifierbasedonBPneuralnetwork圖3基于BP神經(jīng)網(wǎng)絡(luò)的分類器分類流程Fig.3ClassificationprocessofclassifierbasedonBPneuralnetwork2.2BP神經(jīng)網(wǎng)絡(luò)的建立采用4層BP神經(jīng)網(wǎng)絡(luò)構(gòu)建音樂(lè)風(fēng)格分類器[8]。該BP神經(jīng)網(wǎng)絡(luò)具體包括：輸入層、變量層、隱含層和輸出層，如圖4所示。圖4BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4BPneuralnetworkstructure在第一層（輸入層）中，IN1輸入節(jié)點(diǎn)表示誤差數(shù)值，IN2輸入節(jié)點(diǎn)的輸入表示誤差的變化率。該層的輸入和輸出分別為：I(1)i=xi,i=1,2（4）O(1)ij=I(1)i,i=1,2;j=1,2,…,n（5）在第二層（變量層）中，利用高斯函數(shù)對(duì)上一層的數(shù)值進(jìn)行分類。該層的輸入和輸出分別為：I(2)i=(O(2)ij-αij)2β2ij,i=1,2;j=1,2,…,n（6）O(2)ij=exp(I(2)ij),i=1,2;j=1,2,…,n（7）式中αij和β2ij分別為高斯函數(shù)的兩個(gè)調(diào)整因子[9]。溫贊揚(yáng)：基于群智優(yōu)化神經(jīng)網(wǎng)絡(luò)的音樂(lè)風(fēng)格分類模型研究83

第21期Skyline方法有效地把樂(lè)曲的伴奏和主旋律進(jìn)行了分離并取出主旋律特征。此外，采用果蠅優(yōu)化方法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高了全局尋優(yōu)能力。結(jié)果說(shuō)明，相比PSOBP神經(jīng)網(wǎng)絡(luò)模型，果蠅優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型在樂(lè)曲風(fēng)格分類上效果更好。圖5網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)對(duì)訓(xùn)練分類結(jié)果影響Fig.5Effectofnumberofnodesinthenetworkhiddenlayerontrainingclassificationresults表13種方法在測(cè)試集上的準(zhǔn)確率Table1Accuracyofthreemethodsontestset%風(fēng)格類型ABCDEF文獻(xiàn)[8]方法71.370.269.470.870.268.6文獻(xiàn)[9]方法81.879.378.280.579.378.8本文方法81.580.179.781.680.481.74結(jié)論本文提出一種基于果蠅算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的古典音樂(lè)風(fēng)格分類模型，并在包含6種風(fēng)格的實(shí)際古典音樂(lè)數(shù)據(jù)集上進(jìn)行了分類訓(xùn)練和測(cè)試。實(shí)驗(yàn)結(jié)果顯示，提出的分類模型能夠得到理想的效果，而且相比典型BP神經(jīng)網(wǎng)絡(luò)分類模型和PSOBP神經(jīng)網(wǎng)絡(luò)分類模型，具有較高的分類準(zhǔn)確率。但是由于BP神經(jīng)網(wǎng)絡(luò)的迭代限制，該模型的訓(xùn)練和測(cè)試時(shí)間較長(zhǎng)，后續(xù)將考慮使用RBF神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)分類。參考文獻(xiàn)[1]IORDACHEMD，BIOUCASDIASJM，PLAZAA，etal.MUSICCSR：hyperspectralunmixingviamultiplesignalclassificationandcollaborativesparseregression[J].IEEEtransactionsongeoscience&remotesensing，2014，52（7）：43644382.[2]RAOP，ROSSJC，GANGULIKK，etal.Classificationofmelodicmotifsinragamusicwithtimeseriesmatching[J].Journalofnewmusicresearch，2014，43（1）：115131.[3]DAIMISN，SAHAG.


本文編號(hào)：3335087