易伶

摘 要： 電子音樂分類有利于電子音樂的在線檢索，當前電子音樂分類模型難以準確識別各種類型的電子音樂，使得當前電子音樂分類模型分類效果差，為了提高電子音樂分類正確率，提出了多特征融合和機器學習算法的電子音樂分類模型。首先采集電子音樂信號，并從電子音樂信號中提取分類的多種特征，然后采用機器學習算法描述電子音樂信號類型和特征之間的聯(lián)系，建立電子音樂分類器，最后采用模型對多種電子音樂進行分類仿真實驗，結(jié)果表明，相對于當前其它電子音樂分類模型，該模型減少了電子音樂分類器構(gòu)建的時間，加快了電子音樂分類速度，能夠高精度識別各種類型的電子音樂，電子音樂分類正確率明顯提高，驗證了該電子音樂分類模型的優(yōu)越性。

關(guān)鍵詞： 電子音樂; 機器學習算法; 分類特征; 分類器設(shè)計; 訓練時間

中圖分類號： TP 391 ? ? ?文獻標志碼： A

Abstract： Classification of electronic music is conducive to online retrieval of electronic music. The current classification model of electronic music is difficult to accurately identify various types of electronic music， which makes the classification effect of current classification model of electronic music poor. In order to improve the accuracy of classification of electronic music， a classification model of electronic music based on multi feature fusion and machine learning algorithm is proposed. Firstly， the electronic music signals are collected， and the classification features are extracted from the electronic music signals. Then， the machine learning algorithm is used to describe the relationship between the types and features of the electronic music signals， and the electronic music classifier is established. Finally， the simulation experiment of this paper model is used to classify the electronic music signals. The results show that compared with other current electronic music classification models， this model reduces the time of constructing the electronic music classifier， speeds up the classification speed of electronic music， and can recognize all kinds of electronic music with high precision. The accuracy of electronic music classification is obviously improved， which verifies the superiority of this model.

Key words： electronic music; machine learning algorithm; classification features; classifier design; training time

0 引言

隨著信息技術(shù)、語音處理技術(shù)、電子設(shè)備等技術(shù)不斷成熟，人們通過計算機可以合成一定類型的音樂，出現(xiàn)了所謂電子音樂。電子音樂的創(chuàng)作具有一定的創(chuàng)新性與隨意性，電子音樂家能夠使用鍵盤模擬各種音效甚至做出現(xiàn)實樂器無法完成的效果，豐富了人們的音樂世界[1]。在實際應用過程中，面對如此多的電子音樂，人們?nèi)绾芜x擇自己喜好的電子音樂就面臨一定的困難，即如何快速檢索出自己需要的電子音樂，電子音樂分類是電子音樂檢索的關(guān)鍵技術(shù)之一，因此設(shè)計能夠準確識別各種電子音樂分類模型具有十分重要的意義，成為當前電子音樂處理領(lǐng)域的一個熱點方向[2-4]。

電子音樂分類最初通過專家進行，由于專家喜好的電子音樂不一樣，對電子音樂分類的標準應存在一定的差異，同時由于引入了人的主觀意念，使得電子音樂分類結(jié)果存在一定的盲目性與主觀性，使得電子音樂分類結(jié)果不太可靠，有時與實際情況相差很大[5]。隨后出現(xiàn)了一些電子音樂自動分類模型，最為常見的為隱馬爾可夫模型的電子音樂自動分類模型、神經(jīng)網(wǎng)絡的電子音樂自動分類模型，其中隱馬爾可夫模型屬于一種線性的分類技術(shù)，其認為電子音樂類型和特征集合之間是一種簡單的線性聯(lián)系，但是實際情況并非如此，電子音樂類型和特征集合之間同時還存在非線性聯(lián)系，隱馬爾可夫模型的局限性很明顯，得到的電子音樂分類結(jié)果不穩(wěn)定[6-8]。神經(jīng)網(wǎng)絡屬于非線性分類技術(shù)，其電子音樂類型和特征集合之間的關(guān)系可以進行有效擬合，但是神經(jīng)網(wǎng)絡存在幾個明顯的缺陷：如電子音樂的訓練樣本數(shù)量要大，如果訓練樣本太少，那么電子音樂分類效果極差;同時神經(jīng)網(wǎng)絡結(jié)構(gòu)比較復雜，使得電子音樂分類模型的收斂效率低，使得電子音樂分類時間過長[9-11]。

為了提高電子音樂分類效果，提出了多特征融合和機器學習算法的電子音樂分類模型，并與其它電子音樂分類模型仿真實驗結(jié)果表明，本文模型的電子音樂分類器構(gòu)建時間少，電子音樂分類速度快，可以獲得高精度的電子音樂分類結(jié)果，具有比較明顯的優(yōu)越性。

1 多特征融合和機器學習算法的電子音樂分類模型1.1 提取電子音樂分類特征

電子音樂類型主要通過其特征來進行識別，因此在實際建模過程中，將電子音樂分類問題看作是一種模式識別問題進行研究，因此特征提取十分關(guān)鍵，直接決定了電子音樂分類的正確率的高低。當前電子音樂特征通常采用單一特征進行建模與分析，而單一特征提取的信息量有限，無法全面描述電子音樂的類型，因此本文采用提取多種特征進行電子音樂分類。首先采集電子音樂信號，由于電子音樂信號是連續(xù)的，這樣需要對電子音樂信號進行分幀處理，同時為了更好的提取電子音樂分類特征，需要對電子音樂信號進行加重處理，如式（1）。

1.3 本文模型的工作原理

多特征融合和機器學習算法的電子音樂分類模型的工作原理為：先采集電子音樂信號，并從電子音樂信號中提取分類的多種特征，然后采用機器學習算法描述電子音樂信號類型和特征之間的聯(lián)系，建立電子音樂分類器，如圖2所示。

2 仿真測試

2.1 測試平臺

為了測試多特征融合和機器學習算法的電子音樂分類效果，選擇不同類型的電子音樂作為實驗對象，共采集到10類電子音樂，每一種電子音樂的樣本數(shù)量如表1所示。

為了分析多特征融合和機器學習算法的電子音樂分類的優(yōu)越性，選擇隱馬爾可夫模型（HMM）和單一特征的BP神經(jīng)網(wǎng)絡（BPNN）進行對比測試，它們采用相同的測試平臺，測試平臺參數(shù)如表2所示。

2.2 電子音樂的分類正確率比較

分別采用本文模型、HMM、BPNN對表1中的10類電子音樂進行訓練、學習，建立相應的10類電子音樂分類器，然后計算它們對10類電子音樂的分類正確率，如圖3所示。

從圖3可以看出：

（1） HMM的10類電子音樂的分類正確率均很低，都沒有超過90%，遠遠低于電子音樂的分類實際應用要求，這主要是由于HMM屬于一種線性電子音樂分類模型，而電子音樂類型與特征之間同時存在線性和非線性聯(lián)系，這樣無法準確建立最優(yōu)的電子音樂分類模型，使得電子音樂分類成功率低，電子音樂分類錯誤率高。

（2） BPNN的10類電子音樂的分類正確率均要高于HMM，都超過90%，可以滿足電子音樂的分類實際應用要求，這主要是由于BPNN屬于一種非線性電子音樂分類模型，可以同時描述電子音樂類型與特征之間的線性和非線性聯(lián)系，建立了更優(yōu)的電子音樂分類模型，但是由于其采用單一分類特征，使得電子音樂分類成功率有待進一步改善。

（3） 本文模型的10類電子音樂的分類正確率均超過95%，遠遠高于HMM、BPNN的電子音樂分類正確率，這主要是由于本文模型不僅克服了HMM只能進行線性分類的缺陷，同時引入了多特征描述電子音樂類型，克服了單一特征的電子音樂分類的局限性，對比結(jié)果體現(xiàn)了本文電子音樂分類模型的優(yōu)越性。

2.3 電子音樂的分類趕時間比較

統(tǒng)計3種分類模型的10種不同的電子音樂的平均分類時間，時間的單位為秒，統(tǒng)計結(jié)果如圖4所示。

對圖4的電子音樂的平均分類時間進行分析可以知道：相對于HMM、BPNN的電子音樂分類模型，本文電子音樂分類模型的時間明顯減少，加快了電子音樂分類的速度，這樣使得電子音樂分類速度得到了明顯的提升。

3 總結(jié)

音樂分類是提高電子音樂檢索的重要技術(shù)之一，針對當前電子音樂分類正確率低，速度慢等弊端，以提高電子音樂分類整體性能為目標，提出了多特征融合和機器學習算法的電子音樂分類模型，并與其它電子音樂分類模型進行對比測試，結(jié)果表明，本文電子音樂分類模型的分類速度不僅得到了提高，而且電子音樂分類正確率得到了明顯提升，獲得了整體性能更優(yōu)的電子音樂分類結(jié)果，具有十分廣泛的應用前景。

參考文獻

[1] 毛慶武.電子音樂與交互式電子音樂研究現(xiàn)狀[J].當代音樂，2017（22）：96-97.

[2] 張?zhí)?，張?zhí)祢U，葛宛營，等.基于2DFT變換的伴奏音樂分離方法[J].信號處理，2019，35（10）：1708-1713.

[3] 趙志成，方力先.基于混沌理論的音樂信號非線性特征研究[J].振動與沖擊，2019，38（3）：39-43.

[4] 黎鵬，陳寧.基于降噪自動編碼器特征學習的音樂自動標注算法[J].華東理工大學學報（自然科學版），2017，43（2）：241-247.

[5] 杜威，林滸，孫建偉，等.一種基于分層結(jié)構(gòu)的音樂自動分類方法[J].小型微型計算機系統(tǒng)，2018，39（5）：888-892.

[6] 孫慧芳，龍華，邵玉斌，等.基于過零率及頻譜的語音音樂分類算法[J].云南大學學報（自然科學版），2019，41（5）：925-931.

[7] 肖曉紅，張懿，劉冬生，等.基于隱馬爾可夫模型的音樂分類[J].計算機工程與應用，2017，53（16）：138-143.

[8] 劉彪，黃蓉蓉，林和，等.基于卷積神經(jīng)網(wǎng)絡的盲文音樂識別研究[J].智能系統(tǒng)學報，2019，14（1）：186-193.

[9] 胡昭華，余媛媛.深度卷積神經(jīng)網(wǎng)絡在音樂風格識別中的應用[J].小型微型計算機系統(tǒng)，2018，39（9）：1932-1936.

[10] 孫輝，許潔萍，劉彬彬. 基于多核學習支持向量機的音樂流派分類[J].計算機應用，2015，35（6）：1753-1756.

[11] 吳淦洲. 基于特征提取與神經(jīng)網(wǎng)絡的音樂分類方法[J].數(shù)學的實踐與認識， 2014， 44（5）： 94-100.

（收稿日期： 2019.12.09）