基于稀疏表示和深度神经网络模型的西洋乐器自动分类方法

摘要

随着现代社会科技的快速发展，数字音乐的数量也以海量的方式增长，为了方便用户音乐检索，对音乐进行有效合理的分类十分重要。但音乐基数多，每天新的单曲数又不断增加，采取人工的方式对音乐进行分类不切实际。因此，本文采用深度神经网络模型对音乐提取特征实现自动分类。与此同时，由于音乐信号具备稀疏性的特点，本文创新型地提出将稀疏特征与深度神经网络模型相结合的方法，实现音乐信号的自动分类。音乐信号分类标准众多，本文旨在将提出的新方法应用在西洋乐器的自动分类上。
　　本文首先介绍了音乐信号的常见特征，包括基本的物理学特征和人耳感知的心理学角度的特征，与此同时还介绍了人耳听觉系统的特性。接着介绍了音乐自动分类的理论，包含对音乐的特征提取，并着重介绍了本文所采用的深度神经网络模型方面的相关概念。然后研究了音乐信号的稀疏特征提取过程，创新性地引入新型的稀疏表示字典库，该字典库是基于不同乐器发出音色频率间的差异。本文通过MATLAB仿真实验，对比了基于传统字典库和基于本文构建字典库下的稀疏重构结果，证明了基于本文构建字典库下进行稀疏重构效果优于传统字典库。最后本文研究了基于稀疏表示和深度神经网络模型结合的西洋乐器自动分类情况，传统的深度神经网络模型输入端为音频信号的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)，本文创新性地使用音频信号的稀疏特征作为深度神经网络模型输入端，在此基础上训练深度神经网络模型参数，实现西洋乐器的自动分类。本文采用Python脚本语言，通过实验证明了基于稀疏特征和深度神经网络模型相结合的方法，实现西洋乐器自动分类，准确率可达82％。

目录

声明

摘要

1 绪论

1．1 论文研究背景和意义

1．2 音乐自动分类研究方法现状

1．3 西洋乐器自动分类技术的发展及研究现状

1．4 论文结构安排和创新点

2 音乐信号量

2．1 音乐的基本物理量

2．1．1 频率

2．1．2 谱能量

2．2 音乐学领域的信号量

2．2．1 音调

2．2．2 响度

2．2．3 音色

2．3 音乐生理学

2．3．1 人耳听觉特性模型

2．3．2 听觉临界频带

2．3．3 听觉掩蔽效应

2．4 本章小结

3 音乐自动分类介绍

3．1 音乐信号特征提取

3．1．1 时域特征

3．1．2 频域特征

3．1．3 MFCC特征参数

3．2 深度神经网络理论

3．2．1 神经元模型

3．2．2 误差逆传播算法

3．2．3 受限玻尔兹曼机

3．2．4 深度学习

3．3 本章小结

4 基于自建字典库的西洋乐器音乐稀疏表示

4．1 过完备字典稀疏表示理论简介

4．2 稀疏表示字典库选择

4．2．1 传统字典库

4．2．2 本文创建的字典库

4．3 稀疏分解算法

4．3．1 稀疏分解算法的研究现状

4．3．2 凸松弛算法

4．3．3 贪婪匹配追踪算法

4．4 实验结果及分析

4．4．1 实验1 钢琴音乐信号基于本文所构字典库重构效果

4．4．2 实验2 吉他音乐信号基于本文所构字典库重构效果

4．4．3 实验3 小提琴音乐信号基于本文所构字典库重构效果

4．4．4 实验4 萨克斯音乐信号基于本文所构字典库重构效果

4．4．5 实验5 竖笛音乐信号基于本文所构字典库重构效果

4．4．6 实验6 百音盒音乐信号基于本文所构字典库重构效果

4．5 本章小结

5 基于稀疏表示和深度神经网络模型的西洋乐器自动分类

5．1 DBN神经网络结构

5．1．1 RBM参数设置

5．1．2 对比散度快速学习算法

5．1．3 预训练及微调

5．1．4 softmax分类器

5．2 深度神经网络工作站配置

5．3 音乐样本库的建立

5．4 西洋乐器音乐信号特征表示

5．4．1 预处理

5．4．2 稀疏特征提取

5．5 实验分析与结果

实验1：微调迭代次数对深度神经网络模型的影响

实验2：隐藏层数及隐藏层结点数对深度神经网络模型的影响

实验3：稀疏特征与深度神经网络结合的分类结果

5．6 本章小结

6 总结与展望

专利申请情况

致谢

参考文献