多特征融合和机器学习算法的电子音乐分类模型

发布时间：2021-08-05 08:28

　　电子音乐分类有利于电子音乐的在线检索,当前电子音乐分类模型难以准确识别各种类型的电子音乐,使得当前电子音乐分类模型分类效果差,为了提高电子音乐分类正确率,提出了多特征融合和机器学习算法的电子音乐分类模型。首先采集电子音乐信号,并从电子音乐信号中提取分类的多种特征,然后采用机器学习算法描述电子音乐信号类型和特征之间的联系,建立电子音乐分类器,最后采用模型对多种电子音乐进行分类仿真实验,结果表明,相对于当前其它电子音乐分类模型,该模型减少了电子音乐分类器构建的时间,加快了电子音乐分类速度,能够高精度识别各种类型的电子音乐,电子音乐分类正确率明显提高,验证了该电子音乐分类模型的优越性。 

【文章来源】：微型电脑应用. 2020,36(09)

【文章页数】：3 页

【部分图文】：

电子音乐分类器结构

多特征融合和机器学习算法的电子音乐分类模型的工作原理为:先采集电子音乐信号,并从电子音乐信号中提取分类的多种特征,然后采用机器学习算法描述电子音乐信号类型和特征之间的联系,建立电子音乐分类器,如图2所示。2 仿真测试

分别采用本文模型、HMM、BPNN对表1中的10类电子音乐进行训练、学习,建立相应的10类电子音乐分类器,然后计算它们对10类电子音乐的分类正确率,如图3所示。从图3可以看出:

【参考文献】：
期刊论文
[1]基于2DFT变换的伴奏音乐分离方法[J]. 张天,张天骐,葛宛营,范聪聪.  信号处理. 2019(10)
[2]基于过零率及频谱的语音音乐分类算法[J]. 孙慧芳,龙华,邵玉斌,杜庆治.  云南大学学报(自然科学版). 2019(05)
[3]基于混沌理论的音乐信号非线性特征研究[J]. 赵志成,方力先.  振动与冲击. 2019(03)
[4]基于卷积神经网络的盲文音乐识别研究[J]. 刘彪,黄蓉蓉,林和,苏伟.  智能系统学报. 2019(01)
[5]深度卷积神经网络在音乐风格识别中的应用[J]. 胡昭华,余媛媛.  小型微型计算机系统. 2018(09)
[6]一种基于分层结构的音乐自动分类方法[J]. 杜威,林浒,孙建伟,于波,姚恺丰.  小型微型计算机系统. 2018(05)
[7]电子音乐与交互式电子音乐研究现状[J]. 毛庆武.  当代音乐. 2017(22)
[8]基于降噪自动编码器特征学习的音乐自动标注算法[J]. 黎鹏,陈宁.  华东理工大学学报(自然科学版). 2017(02)
[9]基于隐马尔可夫模型的音乐分类[J]. 肖晓红,张懿,刘冬生,欧阳春娟.  计算机工程与应用. 2017(16)
[10]基于多核学习支持向量机的音乐流派分类[J]. 孙辉,许洁萍,刘彬彬.  计算机应用. 2015(06)



本文编号：3323421