基于增强AlexNet的音乐流派识别研究

发布时间：2021-05-11 12:18

　　针对机器学习模型对音乐流派特征识别能力较弱的问题,提出了一种基于深度卷积神经网络的音乐流派识别（DCNN-MGR）模型。该模型首先通过快速傅里叶变换提取音频信息,生成可以输入DCNN的频谱并切割生成频谱切片。然后通过融合带泄露整流（Leaky ReLU）函数、双曲正切（Tanh）函数和Softplus分类器对AlexNet进行增强。其次将生成的频谱切片输入增强的AlexNet进行多批次的训练与验证,提取并学习音乐特征,得到可以有效分辨音乐特征的网络模型。最后使用输出模型进行音乐流派识别测试。实验结果表明,增强的AlexNet在音乐特征识别准确率和网络收敛效果上明显优于AlexNet及其他常用的DCNN、DCNN-MGR模型在音乐流派识别准确率上比其他机器学习模型提升了4%～20%。 

【文章来源】：智能系统学报. 2020,15(04)北大核心CSCD

【文章页数】：8 页

【参考文献】：
期刊论文
[1]基于径向变换和改进AlexNet的胃肿瘤细胞图像识别方法[J]. 甘岚,郭子涵,王瑶.  计算机应用. 2019(10)
[2]基于改进深度卷积神经网络的纸币识别研究[J]. 盖杉,鲍中运.  电子与信息学报. 2019(08)
[3]基于深度学习的车牌定位和识别方法[J]. 李祥鹏,闵卫东,韩清,刘瑞康.  计算机辅助设计与图形学学报. 2019(06)
[4]基于AlexNet模型和自适应对比度增强的乳腺结节超声图像分类[J]. 陈思文,刘玉江,刘冬,苏晨,赵地,钱林学,张佩珩.  计算机科学. 2019(S1)
[5]人脸识别中AlexNet网络设计和改进方法研究[J]. 赵远东,刘振宇,柯丽,陈香敏.  通信技术. 2019(03)
[6]紧凑型深度卷积神经网络在图像识别中的应用[J]. 吴进,钱雪忠.  计算机科学与探索. 2019(02)
[7]隐式特征和循环神经网络的多声部音乐生成系统[J]. 苗北辰,郭为安,汪镭.  智能系统学报. 2019(01)
[8]一种新的深度卷积神经网络的SLU函数[J]. 赵慧珍,刘付显,李龙跃.  哈尔滨工业大学学报. 2018(04)
[9]基于深度卷积神经网络的红外船只目标检测方法[J]. 王文秀,傅雨田,董峰,李锋.  光学学报. 2018(07)
[10]基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断[J]. 吕鸿蒙,赵地,迟学斌.  计算机科学. 2017(S1)



本文编号：3181396