基于稀疏表示和深度神經(jīng)網(wǎng)絡(luò)模型的西洋樂(lè)器自動(dòng)分類方法.pdf

1、隨著現(xiàn)代社會(huì)科技的快速發(fā)展，數(shù)字音樂(lè)的數(shù)量也以海量的方式增長(zhǎng)，為了方便用戶音樂(lè)檢索，對(duì)音樂(lè)進(jìn)行有效合理的分類十分重要。但音樂(lè)基數(shù)多，每天新的單曲數(shù)又不斷增加，采取人工的方式對(duì)音樂(lè)進(jìn)行分類不切實(shí)際。因此，本文采用深度神經(jīng)網(wǎng)絡(luò)模型對(duì)音樂(lè)提取特征實(shí)現(xiàn)自動(dòng)分類。與此同時(shí)，由于音樂(lè)信號(hào)具備稀疏性的特點(diǎn)，本文創(chuàng)新型地提出將稀疏特征與深度神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的方法，實(shí)現(xiàn)音樂(lè)信號(hào)的自動(dòng)分類。音樂(lè)信號(hào)分類標(biāo)準(zhǔn)眾多，本文旨在將提出的新方法應(yīng)用在西洋樂(lè)器的自動(dòng)

2、分類上。
　　本文首先介紹了音樂(lè)信號(hào)的常見(jiàn)特征，包括基本的物理學(xué)特征和人耳感知的心理學(xué)角度的特征，與此同時(shí)還介紹了人耳聽(tīng)覺(jué)系統(tǒng)的特性。接著介紹了音樂(lè)自動(dòng)分類的理論，包含對(duì)音樂(lè)的特征提取，并著重介紹了本文所采用的深度神經(jīng)網(wǎng)絡(luò)模型方面的相關(guān)概念。然后研究了音樂(lè)信號(hào)的稀疏特征提取過(guò)程，創(chuàng)新性地引入新型的稀疏表示字典庫(kù)，該字典庫(kù)是基于不同樂(lè)器發(fā)出音色頻率間的差異。本文通過(guò)MATLAB仿真實(shí)驗(yàn)，對(duì)比了基于傳統(tǒng)字典庫(kù)和基于本文構(gòu)建字典庫(kù)下的稀

3、疏重構(gòu)結(jié)果，證明了基于本文構(gòu)建字典庫(kù)下進(jìn)行稀疏重構(gòu)效果優(yōu)于傳統(tǒng)字典庫(kù)。最后本文研究了基于稀疏表示和深度神經(jīng)網(wǎng)絡(luò)模型結(jié)合的西洋樂(lè)器自動(dòng)分類情況，傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)模型輸入端為音頻信號(hào)的梅爾頻率倒譜系數(shù)(Mel Frequency Cepstrum Coefficient，MFCC)，本文創(chuàng)新性地使用音頻信號(hào)的稀疏特征作為深度神經(jīng)網(wǎng)絡(luò)模型輸入端，在此基礎(chǔ)上訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型參數(shù)，實(shí)現(xiàn)西洋樂(lè)器的自動(dòng)分類。本文采用Python腳本語(yǔ)言，通過(guò)實(shí)