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

1、隨著現(xiàn)代社會科技的快速發(fā)展，數(shù)字音樂的數(shù)量也以海量的方式增長，為了方便用戶音樂檢索，對音樂進(jìn)行有效合理的分類十分重要。但音樂基數(shù)多，每天新的單曲數(shù)又不斷增加，采取人工的方式對音樂進(jìn)行分類不切實(shí)際。因此，本文采用深度神經(jīng)網(wǎng)絡(luò)模型對音樂提取特征實(shí)現(xiàn)自動分類。與此同時，由于音樂信號具備稀疏性的特點(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)音樂信號的自動分類。音樂信號分類標(biāo)準(zhǔn)眾多，本文旨在將提出的新方法應(yīng)用在西洋樂器的自動

2、分類上。
　　本文首先介紹了音樂信號的常見特征，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，與此同時還介紹了人耳聽覺系統(tǒng)的特性。接著介紹了音樂自動分類的理論，包含對音樂的特征提取，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。然后研究了音樂信號的稀疏特征提取過程，創(chuàng)新性地引入新型的稀疏表示字典庫，該字典庫是基于不同樂器發(fā)出音色頻率間的差異。本文通過MATLAB仿真實(shí)驗(yàn)，對比了基于傳統(tǒng)字典庫和基于本文構(gòu)建字典庫下的稀

3、疏重構(gòu)結(jié)果，證明了基于本文構(gòu)建字典庫下進(jìn)行稀疏重構(gòu)效果優(yōu)于傳統(tǒng)字典庫。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)合的西洋樂器自動分類情況，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)西洋樂器的自動分類。本文采用Python腳本語言，通過實(shí)