多特征融合和機(jī)器學(xué)習(xí)算法的電子音樂(lè)分類模型

易伶

摘 要： 電子音樂(lè)分類有利于電子音樂(lè)的在線檢索，當(dāng)前電子音樂(lè)分類模型難以準(zhǔn)確識(shí)別各種類型的電子音樂(lè)，使得當(dāng)前電子音樂(lè)分類模型分類效果差，為了提高電子音樂(lè)分類正確率，提出了多特征融合和機(jī)器學(xué)習(xí)算法的電子音樂(lè)分類模型。首先采集電子音樂(lè)信號(hào)，并從電子音樂(lè)信號(hào)中提取分類的多種特征，然后采用機(jī)器學(xué)習(xí)算法描述電子音樂(lè)信號(hào)類型和特征之間的聯(lián)系，建立電子音樂(lè)分類器，最后采用模型對(duì)多種電子音樂(lè)進(jìn)行分類仿真實(shí)驗(yàn)，結(jié)果表明，相對(duì)于當(dāng)前其它電子音樂(lè)分類模型，該模型減少了電子音樂(lè)分類器構(gòu)建的時(shí)間，加快了電子音樂(lè)分類速度，能夠高精度識(shí)別各種類型的電子音樂(lè)，電子音樂(lè)分類正確率明顯提高，驗(yàn)證了該電子音樂(lè)分類模型的優(yōu)越性。

關(guān)鍵詞： 電子音樂(lè); 機(jī)器學(xué)習(xí)算法; 分類特征; 分類器設(shè)計(jì); 訓(xùn)練時(shí)間

中圖分類號(hào)： TP 391 ? ? ?文獻(xiàn)標(biāo)志碼： A

Abstract： Classification of electronic music is conducive to online retrieval of electronic music. The current classification model of electronic music is difficult to accurately identify various types of electronic music， which makes the classification effect of current classification model of electronic music poor. In order to improve the accuracy of classification of electronic music， a classification model of electronic music based on multi feature fusion and machine learning algorithm is proposed. Firstly， the electronic music signals are collected， and the classification features are extracted from the electronic music signals. Then， the machine learning algorithm is used to describe the relationship between the types and features of the electronic music signals， and the electronic music classifier is established. Finally， the simulation experiment of this paper model is used to classify the electronic music signals. The results show that compared with other current electronic music classification models， this model reduces the time of constructing the electronic music classifier， speeds up the classification speed of electronic music， and can recognize all kinds of electronic music with high precision. The accuracy of electronic music classification is obviously improved， which verifies the superiority of this model.

Key words： electronic music; machine learning algorithm; classification features; classifier design; training time

0 引言

隨著信息技術(shù)、語(yǔ)音處理技術(shù)、電子設(shè)備等技術(shù)不斷成熟，人們通過(guò)計(jì)算機(jī)可以合成一定類型的音樂(lè)，出現(xiàn)了所謂電子音樂(lè)。電子音樂(lè)的創(chuàng)作具有一定的創(chuàng)新性與隨意性，電子音樂(lè)家能夠使用鍵盤(pán)模擬各種音效甚至做出現(xiàn)實(shí)樂(lè)器無(wú)法完成的效果，豐富了人們的音樂(lè)世界[1]。在實(shí)際應(yīng)用過(guò)程中，面對(duì)如此多的電子音樂(lè)，人們?nèi)绾芜x擇自己喜好的電子音樂(lè)就面臨一定的困難，即如何快速檢索出自己需要的電子音樂(lè)，電子音樂(lè)分類是電子音樂(lè)檢索的關(guān)鍵技術(shù)之一，因此設(shè)計(jì)能夠準(zhǔn)確識(shí)別各種電子音樂(lè)分類模型具有十分重要的意義，成為當(dāng)前電子音樂(lè)處理領(lǐng)域的一個(gè)熱點(diǎn)方向[2-4]。

電子音樂(lè)分類最初通過(guò)專家進(jìn)行，由于專家喜好的電子音樂(lè)不一樣，對(duì)電子音樂(lè)分類的標(biāo)準(zhǔn)應(yīng)存在一定的差異，同時(shí)由于引入了人的主觀意念，使得電子音樂(lè)分類結(jié)果存在一定的盲目性與主觀性，使得電子音樂(lè)分類結(jié)果不太可靠，有時(shí)與實(shí)際情況相差很大[5]。隨后出現(xiàn)了一些電子音樂(lè)自動(dòng)分類模型，最為常見(jiàn)的為隱馬爾可夫模型的電子音樂(lè)自動(dòng)分類模型、神經(jīng)網(wǎng)絡(luò)的電子音樂(lè)自動(dòng)分類模型，其中隱馬爾可夫模型屬于一種線性的分類技術(shù)，其認(rèn)為電子音樂(lè)類型和特征集合之間是一種簡(jiǎn)單的線性聯(lián)系，但是實(shí)際情況并非如此，電子音樂(lè)類型和特征集合之間同時(shí)還存在非線性聯(lián)系，隱馬爾可夫模型的局限性很明顯，得到的電子音樂(lè)分類結(jié)果不穩(wěn)定[6-8]。神經(jīng)網(wǎng)絡(luò)屬于非線性分類技術(shù)，其電子音樂(lè)類型和特征集合之間的關(guān)系可以進(jìn)行有效擬合，但是神經(jīng)網(wǎng)絡(luò)存在幾個(gè)明顯的缺陷：如電子音樂(lè)的訓(xùn)練樣本數(shù)量要大，如果訓(xùn)練樣本太少，那么電子音樂(lè)分類效果極差;同時(shí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，使得電子音樂(lè)分類模型的收斂效率低，使得電子音樂(lè)分類時(shí)間過(guò)長(zhǎng)[9-11]。

為了提高電子音樂(lè)分類效果，提出了多特征融合和機(jī)器學(xué)習(xí)算法的電子音樂(lè)分類模型，并與其它電子音樂(lè)分類模型仿真實(shí)驗(yàn)結(jié)果表明，本文模型的電子音樂(lè)分類器構(gòu)建時(shí)間少，電子音樂(lè)分類速度快，可以獲得高精度的電子音樂(lè)分類結(jié)果，具有比較明顯的優(yōu)越性。

1 多特征融合和機(jī)器學(xué)習(xí)算法的電子音樂(lè)分類模型1.1 提取電子音樂(lè)分類特征

電子音樂(lè)類型主要通過(guò)其特征來(lái)進(jìn)行識(shí)別，因此在實(shí)際建模過(guò)程中，將電子音樂(lè)分類問(wèn)題看作是一種模式識(shí)別問(wèn)題進(jìn)行研究，因此特征提取十分關(guān)鍵，直接決定了電子音樂(lè)分類的正確率的高低。當(dāng)前電子音樂(lè)特征通常采用單一特征進(jìn)行建模與分析，而單一特征提取的信息量有限，無(wú)法全面描述電子音樂(lè)的類型，因此本文采用提取多種特征進(jìn)行電子音樂(lè)分類。首先采集電子音樂(lè)信號(hào)，由于電子音樂(lè)信號(hào)是連續(xù)的，這樣需要對(duì)電子音樂(lè)信號(hào)進(jìn)行分幀處理，同時(shí)為了更好的提取電子音樂(lè)分類特征，需要對(duì)電子音樂(lè)信號(hào)進(jìn)行加重處理，如式（1）。

1.3 本文模型的工作原理

多特征融合和機(jī)器學(xué)習(xí)算法的電子音樂(lè)分類模型的工作原理為：先采集電子音樂(lè)信號(hào)，并從電子音樂(lè)信號(hào)中提取分類的多種特征，然后采用機(jī)器學(xué)習(xí)算法描述電子音樂(lè)信號(hào)類型和特征之間的聯(lián)系，建立電子音樂(lè)分類器，如圖2所示。

2 仿真測(cè)試

2.1 測(cè)試平臺(tái)

為了測(cè)試多特征融合和機(jī)器學(xué)習(xí)算法的電子音樂(lè)分類效果，選擇不同類型的電子音樂(lè)作為實(shí)驗(yàn)對(duì)象，共采集到10類電子音樂(lè)，每一種電子音樂(lè)的樣本數(shù)量如表1所示。

為了分析多特征融合和機(jī)器學(xué)習(xí)算法的電子音樂(lè)分類的優(yōu)越性，選擇隱馬爾可夫模型（HMM）和單一特征的BP神經(jīng)網(wǎng)絡(luò)（BPNN）進(jìn)行對(duì)比測(cè)試，它們采用相同的測(cè)試平臺(tái)，測(cè)試平臺(tái)參數(shù)如表2所示。

2.2 電子音樂(lè)的分類正確率比較

分別采用本文模型、HMM、BPNN對(duì)表1中的10類電子音樂(lè)進(jìn)行訓(xùn)練、學(xué)習(xí)，建立相應(yīng)的10類電子音樂(lè)分類器，然后計(jì)算它們對(duì)10類電子音樂(lè)的分類正確率，如圖3所示。

從圖3可以看出：

（1） HMM的10類電子音樂(lè)的分類正確率均很低，都沒(méi)有超過(guò)90%，遠(yuǎn)遠(yuǎn)低于電子音樂(lè)的分類實(shí)際應(yīng)用要求，這主要是由于HMM屬于一種線性電子音樂(lè)分類模型，而電子音樂(lè)類型與特征之間同時(shí)存在線性和非線性聯(lián)系，這樣無(wú)法準(zhǔn)確建立最優(yōu)的電子音樂(lè)分類模型，使得電子音樂(lè)分類成功率低，電子音樂(lè)分類錯(cuò)誤率高。

（2） BPNN的10類電子音樂(lè)的分類正確率均要高于HMM，都超過(guò)90%，可以滿足電子音樂(lè)的分類實(shí)際應(yīng)用要求，這主要是由于BPNN屬于一種非線性電子音樂(lè)分類模型，可以同時(shí)描述電子音樂(lè)類型與特征之間的線性和非線性聯(lián)系，建立了更優(yōu)的電子音樂(lè)分類模型，但是由于其采用單一分類特征，使得電子音樂(lè)分類成功率有待進(jìn)一步改善。

（3） 本文模型的10類電子音樂(lè)的分類正確率均超過(guò)95%，遠(yuǎn)遠(yuǎn)高于HMM、BPNN的電子音樂(lè)分類正確率，這主要是由于本文模型不僅克服了HMM只能進(jìn)行線性分類的缺陷，同時(shí)引入了多特征描述電子音樂(lè)類型，克服了單一特征的電子音樂(lè)分類的局限性，對(duì)比結(jié)果體現(xiàn)了本文電子音樂(lè)分類模型的優(yōu)越性。

2.3 電子音樂(lè)的分類趕時(shí)間比較

統(tǒng)計(jì)3種分類模型的10種不同的電子音樂(lè)的平均分類時(shí)間，時(shí)間的單位為秒，統(tǒng)計(jì)結(jié)果如圖4所示。

對(duì)圖4的電子音樂(lè)的平均分類時(shí)間進(jìn)行分析可以知道：相對(duì)于HMM、BPNN的電子音樂(lè)分類模型，本文電子音樂(lè)分類模型的時(shí)間明顯減少，加快了電子音樂(lè)分類的速度，這樣使得電子音樂(lè)分類速度得到了明顯的提升。

3 總結(jié)

音樂(lè)分類是提高電子音樂(lè)檢索的重要技術(shù)之一，針對(duì)當(dāng)前電子音樂(lè)分類正確率低，速度慢等弊端，以提高電子音樂(lè)分類整體性能為目標(biāo)，提出了多特征融合和機(jī)器學(xué)習(xí)算法的電子音樂(lè)分類模型，并與其它電子音樂(lè)分類模型進(jìn)行對(duì)比測(cè)試，結(jié)果表明，本文電子音樂(lè)分類模型的分類速度不僅得到了提高，而且電子音樂(lè)分類正確率得到了明顯提升，獲得了整體性能更優(yōu)的電子音樂(lè)分類結(jié)果，具有十分廣泛的應(yīng)用前景。

參考文獻(xiàn)

[1] 毛慶武.電子音樂(lè)與交互式電子音樂(lè)研究現(xiàn)狀[J].當(dāng)代音樂(lè)，2017（22）：96-97.

[2] 張?zhí)?，張?zhí)祢U，葛宛營(yíng)，等.基于2DFT變換的伴奏音樂(lè)分離方法[J].信號(hào)處理，2019，35（10）：1708-1713.

[3] 趙志成，方力先.基于混沌理論的音樂(lè)信號(hào)非線性特征研究[J].振動(dòng)與沖擊，2019，38（3）：39-43.

[4] 黎鵬，陳寧.基于降噪自動(dòng)編碼器特征學(xué)習(xí)的音樂(lè)自動(dòng)標(biāo)注算法[J].華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，43（2）：241-247.

[5] 杜威，林滸，孫建偉，等.一種基于分層結(jié)構(gòu)的音樂(lè)自動(dòng)分類方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2018，39（5）：888-892.

[6] 孫慧芳，龍華，邵玉斌，等.基于過(guò)零率及頻譜的語(yǔ)音音樂(lè)分類算法[J].云南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，41（5）：925-931.

[7] 肖曉紅，張懿，劉冬生，等.基于隱馬爾可夫模型的音樂(lè)分類[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（16）：138-143.

[8] 劉彪，黃蓉蓉，林和，等.基于卷積神經(jīng)網(wǎng)絡(luò)的盲文音樂(lè)識(shí)別研究[J].智能系統(tǒng)學(xué)報(bào)，2019，14（1）：186-193.

[9] 胡昭華，余媛媛.深度卷積神經(jīng)網(wǎng)絡(luò)在音樂(lè)風(fēng)格識(shí)別中的應(yīng)用[J].小型微型計(jì)算機(jī)系統(tǒng)，2018，39（9）：1932-1936.

[10] 孫輝，許潔萍，劉彬彬. 基于多核學(xué)習(xí)支持向量機(jī)的音樂(lè)流派分類[J].計(jì)算機(jī)應(yīng)用，2015，35（6）：1753-1756.

[11] 吳淦洲. 基于特征提取與神經(jīng)網(wǎng)絡(luò)的音樂(lè)分類方法[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)， 2014， 44（5）： 94-100.

（收稿日期： 2019.12.09）