基于深度学习的音乐流派及中国传统乐器识别分类研究

摘要

近几年，随着互联网和数字音频技术的发展，音乐信息检索逐渐成为研究热点。其中，对音乐流派进行有效的识别分类是一个重要的研究方向;此外，乐器的识别分类也是研究热点方向之一，其中中国传统乐器作为世界乐器的重要组成部分，也具有很大的研究价值，但对其研究较少。
　　目前音乐信息检索领域的识别分类系统主要先人工提取音乐特征，再用分类器训练建模，最后利用建好的模型对测试音乐样本进行识别分类。但是目前在人工提取音乐特征方面遇到了瓶颈。因为不同的识别分类任务所需的音乐特征不同，甚至有时所需的音乐特征叫不出名字，所以人工提取音乐特征十分困难。而深度学习作为一种新的特征提取技术，已在图像处理、自然语言理解等领域取得了巨大成果，因此本文针对是否可以利用深度学习强大的特征提取能力发现更合适的音乐特征用于音乐流派和中国传统乐器识别分类这一问题展开了研究。
　　首先，本文介绍了人工提取的音乐特征以及经典的分类方法，并概述了深度学习的发展历史、结构以及常用模型，指出了本文采用深度置信网络的原因。接着，本文研究了基于深度置信网络的音乐流派识别分类算法，并对其进行了改进。先对各音乐流派信号预处理并提取梅尔多频系数，再将该特征作为深度置信网络的输入，并对网络添加Dropout和动量来改进网络，然后不断调参训练得到最佳网络模型，最后利用得到的最佳模型对测试音乐进行流派预测。仿真实验结果表明，使用改进的方法对GTZAN库的十大音乐流派进行识别分类的准确率最高达75.8％，优于现有经典算法。最后，本文提出了基于深度置信网络的中国传统乐器识别分类算法，对各乐器音乐样本预处理并提取梅尔频率倒谱系数，再将其输入深度置信网络，然后调参训练，最后利用训练好的模型对测试乐器的种类进行预测。仿真实验结果表明，使用该算法对本人建立的中国传统乐器音乐库的六种乐器进行识别分类的准确率最高达99.2％，同样优于现有经典算法。因为乐器库的音乐质量较好且乐器的种类较少，故预测准确率明显高于流派库的预测准确率。