卷积神经网络在乐器板材优劣识别中的应用研究

发布时间：2021-12-27 20:03

　　目前民族乐器板材振动信号识别算法存在特征提取复杂且耗时长等缺点,针对此问题,提出了一种基于卷积神经网络的木材振动信号分类识别算法,实现了乐器板材优劣的判别。卷积神经网络将特征提取和分类过程结合来进行神经网络的训练,具有识别度高、鲁棒性好等优点。首先重点分析和讨论了提取木材振动信号的语谱图特征,然后应用卷积神经网络结合网格搜索的方法进行参数调优。为了防止过拟合,还应用了Re LU和dropout等新技术,得到最终分类结果。实验证明,测试样本准确率达到96%,明显优于传统方法。该方法可减小人工测量的误差,加快板材的选取时间,为民族乐器制造领域的选材提供了一种更加实用的方法。 

【文章来源】：计算机应用研究. 2019,36(03)北大核心CSCD

【文章页数】：5 页

【文章目录】：
0 引言
1 卷积神经网络的结构
    1.1 卷积层
    1.2 池化层
    1.3 全连接层
    1.4 其他常用层
2 特征提取
3 实验方法与结果分析
    3.1 实验声音样本集及实验环境
    3.2 实验及结果分析
        3.2.1 基于网格搜索的CNN模型调整
        3.2.2 不同CNN结构对比实验
4 结束语


【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[2]基于网格搜索算法的PCNN模型参数自适应[J]. 李瀚,杨晓峰,邓红霞,常莎,李海芳.  计算机工程与设计. 2017(01)
[3]基于语谱图行投影的特定人二字汉语词汇识别[J]. 梁士利,魏莹,潘迪,张玲,许廷发,王双维.  吉林大学学报(工学版). 2017(01)
[4]基于深度卷积神经网络的车型识别研究[J]. 邓柳,汪子杰.  计算机应用研究. 2016(03)
[5]面向语音情感识别的语谱图特征提取算法[J]. 陶华伟,査诚,梁瑞宇,张昕然,赵力,王青云.  东南大学学报(自然科学版). 2015(05)
[6]中国民族乐器传承与发展[J]. 罗嘉琪,唐衡.  前沿. 2013(07)
[7]纤丝角对云杉属木材声振动特性的影响[J]. 沈隽,刘一星,刘振波,于海鹏,冈野健,和田昌久.  东北林业大学学报. 2002(05)
[8]几种木材声学性质的测定[J]. 李源哲,李先泽,汪溪泉,王书勤.  林业科学. 1962(01)



本文编号：3552640