基于卷积神经网络的音乐流派分类

发布时间：2022-01-05 21:43

　　针对单一特征建立的音乐流派分类模型导致误判、遗漏、错分的不足及其处理速度慢、效率低等问题,提出了一种基于卷积神经网络的音乐流派分类方法。该算法首先采用倒谱系数提取音频的MFCC特征矩阵,以其特征值作为CNN神经网络的输入量对音频信号进行训练,获取最优分类器用以作为训练器。将经典、乡村、重金属和摇滚四种音乐流派的音频信息通过最优分类器进行仿真实验。实验结果表明:卷积神经网络分类的平均分类效率可达88%,处理速度明显提升,降低误分类及错判率。 

【文章来源】：电子测量技术. 2019,42(21)

【文章页数】：4 页

【部分图文】：

图1 分类识别的一般流程

MFCC从音频到能量的一般提取过程如图2[14]所示,已经非常成熟,特拉维夫大学的Benyanmin Matiyaho已经做出了充分的研究和证明[15]。音乐的MFCC特征参数主要表现的是音乐信号的静态特征,而音乐的动态特征可以通过静态差分来描述,结合一阶和二阶差分作为动态特征。静态和动态特征互相补充,提高系统的性能。

卷积神经网络一般包含卷积层,池化层和全连接层。卷积和池化层用于输入和提取特征,全连接层用于将特征映射到维度空间中,其基本结构如图3所示。由二维数值卷积计算可知,卷积神经网络算法分为以下几个步骤:

【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[2]基于熵和支持向量机的音乐分类方法[J]. 高林杰,张明.  计算机系统应用. 2014(05)
[3]基于概率神经网络的流行音乐分类研究[J]. 韩浩,王寅潇,王博,谯妍,田京京.  数字技术与应用. 2013(08)
[4]一个基于相关反馈的神经网络音乐情感分类器构建算法[J]. 王小凤,耿国华,李鹏,刘晓宁.  西北大学学报(自然科学版). 2012(01)
[5]基于MFCC和HMM的音乐分类方法研究[J]. 张燕,唐振民,李燕萍,邹益.  南京师范大学学报(工程技术版). 2008(04)
[6]基于快速神经网络算法的非特定人语音识别[J]. 田岚,陆小珊,白树忠.  控制与决策. 2002(01)

硕士论文
[1]基于音乐基因的混合音乐推荐系统的设计与实现[D]. 钟伟.安徽大学 2014



本文编号：3571130