民族乐器识别方法研究与实现
发布时间：2021-10-31 23:22
中国的民族乐器种类繁多,是不可多得的非物质文化遗产。民族乐器的识别分类,目的是让世界上更多的人能够了解少数民族乐器,使少数民族的音乐源远流长。通过MATLAB对民族乐曲进行分段、分帧、加窗等预处理,求得相应的MFCC特征向量,应用LVQ神经网络实现民族乐器的识别。通过3500组训练集数据、1500组测试集数据进行识别分类,识别率最高可达97.5%,说明本文提出的方法对民族乐器识别具有一定的参考价值。
【文章来源】：山西电子技术. 2020,(04)
【文章页数】：3 页
【部分图文】：
音乐特征提取流程图
学习矢量量化(Learning Vector Quantization,LVQ)系统规划。图2为本文使用的乐器识别分类的系统结构图。学习矢量量化神经网络由于具备神经网络构造简单、输入向量不需要根据需求进行归一化、正交化等长处,因而在模式识别和优化领域被广泛应用。
训练结果在图3中显示,实验结果在表1中显示。表1 实验记录表 乐器 样本总量 训练集样本 测试集样本 正确识别 误判 识别率 箜篌 1000 678 322 259 63 0.80435 杨琴 1000 723 277 270 7 0.97473 竹笛 1000 701 299 217 82 0.72575 二胡 1000 697 303 205 98 0.67657 葫芦丝 1000 701 299 163 136 0.54515 合计 5000 3500 1500 1114 386 0.74267
【参考文献】：
期刊论文
[1]基于改进卷积神经网络与听觉谱图的乐器识别[J]. 王飞,于凤芹. 计算机工程. 2019(01)
硕士论文
[1]基于深度学习的音乐流派及中国传统乐器识别分类研究[D]. 王芳.南京理工大学 2017
本文编号：3469058
【文章来源】：山西电子技术. 2020,(04)
【文章页数】：3 页
【部分图文】：
音乐特征提取流程图
学习矢量量化(Learning Vector Quantization,LVQ)系统规划。图2为本文使用的乐器识别分类的系统结构图。学习矢量量化神经网络由于具备神经网络构造简单、输入向量不需要根据需求进行归一化、正交化等长处,因而在模式识别和优化领域被广泛应用。
训练结果在图3中显示,实验结果在表1中显示。表1 实验记录表 乐器 样本总量 训练集样本 测试集样本 正确识别 误判 识别率 箜篌 1000 678 322 259 63 0.80435 杨琴 1000 723 277 270 7 0.97473 竹笛 1000 701 299 217 82 0.72575 二胡 1000 697 303 205 98 0.67657 葫芦丝 1000 701 299 163 136 0.54515 合计 5000 3500 1500 1114 386 0.74267
【参考文献】：
期刊论文
[1]基于改进卷积神经网络与听觉谱图的乐器识别[J]. 王飞,于凤芹. 计算机工程. 2019(01)
硕士论文
[1]基于深度学习的音乐流派及中国传统乐器识别分类研究[D]. 王芳.南京理工大学 2017
本文编号：3469058
本文链接：https://www.wllwen.com/kejilunwen/wltx/3469058.html
