复杂噪声环境中的音乐分类和检测模型

发布时间：2021-04-28 02:56

　　为了提高音乐分类和检测正确率,设计了一种复杂噪声环境中的音乐分类和检测模型。首先分析当前音乐分类和检测的研究进展,指出各种音乐分类和检测模型存在的缺陷,然后采集音乐分类和检测信号,引入去噪技术对噪声进行消除处理,从信号中提取特征,最后将特征和音乐类型分别作为神经网络的输入和输出向量,通过神经网络的训练建立音乐分类和检测模型。在相同环境下,与其它音乐分类和检测模型进行了对比测试,结果表明,无噪声环境下,这个模型的音乐分类和检测精度超过95%,在复杂噪声环境下,文中模型的音乐分类和检测精度超过90%,远远超过音乐处理的实际应用控制范围,音乐分类和检测效果优于对比模型,具有一定的实际应用价值。 

【文章来源】：微型电脑应用. 2020,36(10)

【文章页数】：3 页

【文章目录】：
0 引言
1 多种噪声环境下的音乐分类和检测模型
    1.1 音乐噪声的去除技术
    1.2 音乐分类和检测特征提取
    1.3 BP神经网络算法
    1.4 噪声环境中的音乐分类和检测步骤
2 音乐分类和检测模型的性能对比测试
    2.1 测评平台
    2.2 测评对象
    2.3 音乐分类和检测精度分析
    2.4 音乐分类和检测效率析
3 总结


【参考文献】：
期刊论文
[1]基于Android与JAVA的音乐在线分类管理与播放系统研究[J]. 倪璐.  自动化技术与应用. 2020(02)
[2]基于深度置信网络的多特征融合音乐分类算法[J]. 郑旦.  电子设计工程. 2020(04)
[3]基于U-Net和BGRU-RNN的实用歌声检测系统[J]. 陈志高,张旭龙,肖寒,肖川.  微型电脑应用. 2019(10)
[4]基于过零率及频谱的语音音乐分类算法[J]. 孙慧芳,龙华,邵玉斌,杜庆治.  云南大学学报(自然科学版). 2019(05)
[5]面向中文歌词的音乐情感分类方法[J]. 王洁,朱贝贝.  计算机系统应用. 2019(08)
[6]PCA-改进RPROP方法的BP算法在音乐信号分类中的应用[J]. 符朝兴,沈威,高述勇,闫福珍.  测控技术. 2019(07)
[7]改进的BP算法在音乐分类中的应用研究[J]. 黄欢欢,卢亚玲.  武汉轻工大学学报. 2018(04)
[8]一种基于分层结构的音乐自动分类方法[J]. 杜威,林浒,孙建伟,于波,姚恺丰.  小型微型计算机系统. 2018(05)
[9]基于改进的T型关联度在音乐分类中的应用[J]. 杨晓宇,黄浩,王浩华.  数学的实践与认识. 2017(20)
[10]基于DBN的多特征融合音乐情感分类方法[J]. 龚安,丁明波,窦菲.  计算机系统应用. 2017(09)



本文编号：3164666