基于卷积神经网络的中国乐器分类

发布时间：2024-03-01 00:09

　　中国乐器有着丰富的种类,但过去由于缺少数字化的保存形式,在音乐信息检索领域有关它们的研究很少.基于中国音乐学院收集完成的中国乐器数据库,本文旨在找到每种中国乐器各自独有的声音特征,并希望找到泛化能力较强的模型以更好地利用有限的数据集.使用卷积神经网络并以对数Mel声谱图作为输入特征,在所构建的两个子数据集中实现了超过97%的分类准确率,说明所构建的模型能较好地学习到每种乐器的特征.此外,当以较短片段数据集训练的模型来对较长片段的数据集进行分类时,准确率依然高达92.70%,说明模型具有较好的泛化能力.

【文章页数】：6 页

【部分图文】：

图1曲笛和侗笛的MFCC特征

我们比较了被作为音频特征广泛地使用的Mel频率倒谱系数（MelFrequencyCepstralCoefficients,MFCC)[3]和常数Q变换（ConstantQTransform,CQT)[4]．图1展示了曲笛和侗笛的MFCC特征，图1(a),(b）来自曲笛的....

图2曲笛和侗笛的CQT特征

图1曲笛和侗笛的MFCC特征大数据时代机器算力的提升使得深度学习得以蓬勃发展，而深度神经网络可以自动地从数据中学习到特征，从而减少人本身在特征工程中所做的工作．伴随着深度学习的广泛使用，当使用神经网络作为分类器时，对数Mel声谱图[5]被普遍采用．从提取过程上来讲，提取对数Me....

图3特征提取的过程

特征提取的整个过程如图3所示．首先，采样率为44.1kHz的单声道音频在使用汉宁窗分窗后被分成一系列的帧，在这个过程中使用了1024个采样点作为跳距，2048个采样点作为窗距．之后，快速傅里叶变换在每一帧上得到了使用，这样就得到了声谱图．接下来，64个Mel滤波器组被用来对得....

图4VGGish的网络结构

VGGish的网络结构如图4所示，它由8个卷积层和1个全连接层组成，使用对数Mel声谱图作为输入特征．每个卷积层的通道数都在图4中进行了标注，卷积层的卷积核的大小为3×3，步长为1，每次卷积操作前会对图像进行大小为1的边缘像素填充，批量归一化（BatchNormalizatio....

本文编号：3915140