基于群智优化神经网络的音乐风格分类模型研究
发布时间：2021-08-11 00:38
针对用户音乐检索问题,传统采用人工标注的音乐风格分类方法已经无法满足实际需求,提出一种基于群智优化神经网络的古典音乐风格分类模型。首先,采用Skyline主旋律提取算法对音乐文件进行特征提取;然后,对基于BP神经网络的分类器训练和分类流程进行分析,并构建4层BP神经网络结构;最后,采用果蝇群智优化算法对BP神经网络的初始化权值参数进行优化,以便提高全局搜索能力。仿真实验结果显示,与已有的成果相比,提出的分类模型具有更好的准确率,准确率可达81%,能够实现音乐风格自动分类。
【文章来源】：现代电子技术. 2019,42(21)北大核心
【文章页数】：4 页
【部分图文】：
音乐文件主旋律提取示例Fig.1Exampleofmainmelodyextractioninmusicfile
危???掷嗬智?亩喔鎏卣魇淙氲酵??模型中，得到相应的多个风格标签输出，选择占比最大的标签作为实际输出标签，具体训练流程如图3所示。图2基于BP神经网络的分类器训练流程Fig.2TrainingprocessofclassifierbasedonBPneuralnetwork图3基于BP神经网络的分类器分类流程Fig.3ClassificationprocessofclassifierbasedonBPneuralnetwork2.2BP神经网络的建立采用4层BP神经网络构建音乐风格分类器[8]。该BP神经网络具体包括：输入层、变量层、隐含层和输出层，如图4所示。图4BP神经网络结构Fig.4BPneuralnetworkstructure在第一层（输入层）中，IN1输入节点表示误差数值，IN2输入节点的输入表示误差的变化率。该层的输入和输出分别为：I(1)i=xi,i=1,2（4）O(1)ij=I(1)i,i=1,2;j=1,2,…,n（5）在第二层（变量层）中，利用高斯函数对上一层的数值进行分类。该层的输入和输出分别为：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分别为高斯函数的两个调整因子[9]。温赞扬：基于群智优化神经网络的音乐风格分类模型研究83
第21期Skyline方法有效地把乐曲的伴奏和主旋律进行了分离并取出主旋律特征。此外，采用果蝇优化方法对BP神经网络进行优化，提高了全局寻优能力。结果说明，相比PSOBP神经网络模型，果蝇优化BP神经网络模型在乐曲风格分类上效果更好。图5网络隐含层节点数对训练分类结果影响Fig.5Effectofnumberofnodesinthenetworkhiddenlayerontrainingclassificationresults表13种方法在测试集上的准确率Table1Accuracyofthreemethodsontestset%风格类型ABCDEF文献[8]方法71.370.269.470.870.268.6文献[9]方法81.879.378.280.579.378.8本文方法81.580.179.781.680.481.74结论本文提出一种基于果蝇算法优化BP神经网络的古典音乐风格分类模型，并在包含6种风格的实际古典音乐数据集上进行了分类训练和测试。实验结果显示，提出的分类模型能够得到理想的效果，而且相比典型BP神经网络分类模型和PSOBP神经网络分类模型，具有较高的分类准确率。但是由于BP神经网络的迭代限制，该模型的训练和测试时间较长，后续将考虑使用RBF神经网络来实现分类。参考文献[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.
本文编号：3335087
【文章来源】：现代电子技术. 2019,42(21)北大核心
【文章页数】：4 页
【部分图文】：
音乐文件主旋律提取示例Fig.1Exampleofmainmelodyextractioninmusicfile
危???掷嗬智?亩喔鎏卣魇淙氲酵??模型中，得到相应的多个风格标签输出，选择占比最大的标签作为实际输出标签，具体训练流程如图3所示。图2基于BP神经网络的分类器训练流程Fig.2TrainingprocessofclassifierbasedonBPneuralnetwork图3基于BP神经网络的分类器分类流程Fig.3ClassificationprocessofclassifierbasedonBPneuralnetwork2.2BP神经网络的建立采用4层BP神经网络构建音乐风格分类器[8]。该BP神经网络具体包括：输入层、变量层、隐含层和输出层，如图4所示。图4BP神经网络结构Fig.4BPneuralnetworkstructure在第一层（输入层）中，IN1输入节点表示误差数值，IN2输入节点的输入表示误差的变化率。该层的输入和输出分别为：I(1)i=xi,i=1,2（4）O(1)ij=I(1)i,i=1,2;j=1,2,…,n（5）在第二层（变量层）中，利用高斯函数对上一层的数值进行分类。该层的输入和输出分别为：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分别为高斯函数的两个调整因子[9]。温赞扬：基于群智优化神经网络的音乐风格分类模型研究83
第21期Skyline方法有效地把乐曲的伴奏和主旋律进行了分离并取出主旋律特征。此外，采用果蝇优化方法对BP神经网络进行优化，提高了全局寻优能力。结果说明，相比PSOBP神经网络模型，果蝇优化BP神经网络模型在乐曲风格分类上效果更好。图5网络隐含层节点数对训练分类结果影响Fig.5Effectofnumberofnodesinthenetworkhiddenlayerontrainingclassificationresults表13种方法在测试集上的准确率Table1Accuracyofthreemethodsontestset%风格类型ABCDEF文献[8]方法71.370.269.470.870.268.6文献[9]方法81.879.378.280.579.378.8本文方法81.580.179.781.680.481.74结论本文提出一种基于果蝇算法优化BP神经网络的古典音乐风格分类模型，并在包含6种风格的实际古典音乐数据集上进行了分类训练和测试。实验结果显示，提出的分类模型能够得到理想的效果，而且相比典型BP神经网络分类模型和PSOBP神经网络分类模型，具有较高的分类准确率。但是由于BP神经网络的迭代限制，该模型的训练和测试时间较长，后续将考虑使用RBF神经网络来实现分类。参考文献[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.
本文编号：3335087
本文链接：https://www.wllwen.com/wenyilunwen/yinlelunwen/3335087.html
