基于bp神经网络的音乐分类模型

《基于bp神经网络的音乐分类模型》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于BP神经网络的音乐分类模型　摘要：针对单一特征难以建立理想音乐分类模型的不足，为了帮助用户找到自己喜欢的音乐，提出BP神经X络的音乐分类模型。首先提取音乐的多种类型特征，便于对音乐信息进行准确描述，然后将这些特征组合在一起作为音乐分类模型的输入向量，通过BP神经X络的智能学习建立音乐分类模型，最后在Matlab2016平台下进行多个音乐分类实验。结果表明，该模型克服了单一特征提供信息简单的局限性，提高了音乐的分类正确率，而且音乐分类的实时性较好，可以用于X络上的音乐检索研究。　　关键词：情感特征；音频特征；RBF神经X络；音乐分类器；音乐检索；智能学习　　：

2、TN711?34；TP391：A：1004?373X（2018）05?0136?04　　Abstract：Sincetheuseofsinglefeatureisdifficulttoestablishthesatisfiedmusicclassificationmodel，amusicclassificationmodelbasedonBPneuralusic.Themusiccharacteristicsultipletypesareextractedtodescribethemusicinformationaccurately.Thecharacteris

3、ticsarebinedastheinputvectorofthemusicclassificationmodel，andtheintelligentlearningofBPneuralusicclassificationmodel.Themulti?musicclassificationexperiment.Theresultsshoodelcanoverethelimitationsofthesinglefeatureprovidingsimpleinformation，improvetheclassificationaccuracyofthemusic，h

4、asperfectreal?timeperformanceofmusicclassification，andisusedtostudythemusicretrievalontheily:微软雅黑,Helvetica;font-size:16px;"/>　　Keyotioncharacteristic；audiocharacteristic；RBFneuralusicclassifier；musicretrieval；intelligentlearning　　0引言　　近年來，音乐处理技术得到迅速发展，出现了大量的音乐。面对大量的音乐，人们如何快速找到自己喜欢的音

5、乐显得越来越重要[1]。音乐检索技术可以帮助用户实现该功能，而音乐分类是实现快速检索的基础，因此，建立性能优良的音乐分类模型成为当前音乐检索领域中的研究重点[2?3]。　　音乐分类研究是一个复杂的系统工程，要获得理想的分类结果，涉及的因素相当多，出现了许多的音乐分类模型，所有模型都要提取音乐的特征，主要用于描述音乐的信息，以区别音乐的类型[4?5]。当前音乐特征有很多类，如音乐的能量特征、时域特征，频域特征等，它们可以描述音乐一个具体的内容，单一音乐特征提供的信息有限，不能完整描述音乐的整体内容，因此无法正确区别各种类型的音乐[6]。当前学者们经常将多种特征组合

6、在一起实现音乐分类，由于提供了更多的信息，音乐分类结果得到了一定的改善。但是多种特征组合在一起存在两个问题：一个是特征数量太多，音乐分类时间明显延长，无法满足音乐的在线检索要求；另一个问题是多种特征可能会提供部分相同信息，使得特征之间会互相影响，特征冗余度增加，对音乐分类产生不利影响[7]。除了要提取音乐的特征之外，还有一个重要的内容就是建立音乐分类器，当前分类器的建立大多基于机器学习理论，如隐马尔可夫算法、神经X络、支持向量机等[8?10]，它们均有各自的优点，如支持向量机的泛化能力优异，神经X络的学习速度快等。相对于其他算法，BP神经X络的综合性能更优，因此

7、在音乐分类研究中得到了广泛的应用[11]。　　针对音乐分类过程中的特征优化问题，提出基于BP神经X络的音乐分类模型，最后通过具体实验对音乐分类效果进行分析。　　1基于BP神经X络的音乐分类框架　　基于BP神经X络的音乐分类思想为：首先提取不同类型的音乐特征，但不是将音乐多特征进行简单组合，然后采用灰色关联分析确定每一个特征的贡献率，通过贡献率体现第一个特征对音乐分类的重要程度，最后采用BP神经X络建立音乐的分类器，如图1所示。　　2音乐的多特征融合　　2.1音乐的分帧和端点检测　　音乐具有非线性变化特点，是一种典型的非平稳信号，因此不能直接对音乐数据进行特征提取

8、，而是对音乐信号进行分帧