基于權(quán)值合理分配的電子音樂智能分類模型

杜非霏

摘 要： 針對傳統(tǒng)分類技術(shù)存在分類不準(zhǔn)確、耗費(fèi)時(shí)間長，難以滿足人們實(shí)際生活中對音樂分類需求等問題，提出基于權(quán)值合理分配的電子音樂智能分類模型。根據(jù)音色特點(diǎn)、基頻特點(diǎn)和節(jié)奏特點(diǎn)，對電子音樂音色和節(jié)奏特征進(jìn)行提??；利用不同音色特征對權(quán)值隱寫檢測貢獻(xiàn)不同，綜合考慮權(quán)值合理分配并提高特征分類能力，利用多種濾波器計(jì)算音頻信號過零率，并根據(jù)音色所屬區(qū)域?qū)ζ漕l率倒譜系數(shù)展開分析；隨機(jī)設(shè)置權(quán)值和閾值，并確定隱含層節(jié)點(diǎn)數(shù)，求得權(quán)值最優(yōu)解，由此構(gòu)建分類模型。通過實(shí)驗(yàn)驗(yàn)證可知，該模型分類準(zhǔn)確，且耗費(fèi)時(shí)間較短。

關(guān)鍵詞： 權(quán)值合理分配； 電子音樂； 智能分類模型； 隱寫分析算法； 音色； 基頻； 節(jié)奏

中圖分類號： TN911?34； TP309.2 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2018）13?0168?04

Abstract： The traditional classification technology has the problems of inaccurate classification effect and long time consump?tion， and is hard to meet the requirement of people′s real life for music classification. Therefore， the electronic music intelligent classification model based on weight reasonable distribution is presented. On the basis of characteristics of tone， base frequency and rhythm， the tone and rhythm characteristics of electronic music are extracted. Since the different tone characteristics have different contributions for weight steganographic detection， the weight reasonable distribution is comprehensively considered to improve the feature classification ability. A variety of filters are used to calculate the zero?crossing rate of the audio signal， and the frequency cepstrum coefficient is analyzed according to its tone area. The weights and thresholds are set randomly， and the number of hidden layer node is determined to obtain the optimal solution of weight， so as to construct the classification model. The experimental results show that the model has accurate classification result and short time consumption.

Keywords： weight reasonable distribution； electronic music； intelligent classification model； steganalysis algorithm； tone； base frequency； rhythm

0 引 言

隨著電子音樂在網(wǎng)絡(luò)中不斷發(fā)展，促使廣大音樂愛好者可通過網(wǎng)絡(luò)獲取喜愛的音樂，引起了音樂愛好者對電子音樂種類分類產(chǎn)生了極大興趣。但是，傳統(tǒng)分類技術(shù)存在分類不準(zhǔn)確、耗費(fèi)時(shí)間長等問題，難以滿足人們實(shí)際生活中對音樂分類的需求，為此，提出基于權(quán)值合理分配電子音樂智能分類模型。

以音樂特征為載體的信息隱藏技術(shù)成為電子音樂分類領(lǐng)域的一個(gè)研究重點(diǎn)。其中，權(quán)值隱寫檢測技術(shù)是區(qū)分電子音樂種類的重要組成部分。智能分類從音色、節(jié)奏和基音頻率三方面對音頻特征進(jìn)行了提取，衡量既定時(shí)間間隔音頻信號所經(jīng)歷的過零值次數(shù)；根據(jù)人耳聽覺特點(diǎn)，利用傅里葉變換音頻特征，使用雙離合變速器進(jìn)行處理，提取頻率倒譜系數(shù)，并從分析窗和結(jié)構(gòu)窗角度提高分類速度。設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證該模型構(gòu)建的合理性，并由此得出結(jié)論。實(shí)驗(yàn)結(jié)果表明，該模型分類準(zhǔn)確，且耗費(fèi)時(shí)間較短，與傳統(tǒng)分類方法相比效果更佳。

1 基于權(quán)值分配電子音樂分類模型的構(gòu)建

1.1 基于權(quán)值分配特征提取

為了獲取音頻準(zhǔn)確性與簡潔性特征，需對音頻進(jìn)行分析，提取出有關(guān)分類的信息。電子音樂種類的特征應(yīng)根據(jù)具體應(yīng)用而進(jìn)行特征提取，該特征具有音色、基頻和節(jié)奏特點(diǎn)，基于該特點(diǎn)對電子音樂音色和節(jié)奏特征進(jìn)行提取。

1.1.1 音色特征提取

針對具有相似音調(diào)和節(jié)奏的音頻，需對音色特征進(jìn)行區(qū)分。音色特征是一個(gè)具有短時(shí)間特點(diǎn)的電子音樂因素，想要準(zhǔn)確提取音色特征，就需對信號幀數(shù)進(jìn)行區(qū)分[1]。將最初獲得的音頻信號分成等段長度的幀，信號幀與信號幀之間具有一定的重疊性，為了促使信號更加平滑，需要對信號幀進(jìn)行加窗處理。為了減輕邊緣信號幀影響，選擇長度為512的幀數(shù)，重疊后點(diǎn)數(shù)為25，進(jìn)行分幀處理之后，通過傅里葉積分變化獲得幀信號頻譜，進(jìn)而對譜特征進(jìn)行提取[2]。

由于不同音色特征的電子音樂對權(quán)值隱寫檢測貢獻(xiàn)不同，為了綜合考慮權(quán)值是否合理分配，需提高特征分類能力，利用多種濾波器計(jì)算音頻信號過零率，并根據(jù)音色所屬區(qū)域?qū)ζ漕l率倒譜系數(shù)展開分析，其次進(jìn)行統(tǒng)計(jì)，特征提取框架如圖1所示。

由圖1可知，基于權(quán)值合理分配音色特征提取框架的主要內(nèi)容有以下三個(gè)方面。

1） 過零率

分析過零率是衡量既定時(shí)間間隔音頻信號所經(jīng)歷的過零值次數(shù)，忽略自然產(chǎn)生的噪音，對過零值進(jìn)行隨機(jī)選擇。因此，對于靜音片段，過零率需要高于所有有聲片段，該區(qū)域通常被稱為音頻判斷區(qū)域，如果有聲音，說明該區(qū)域處于高聲區(qū)；如果無聲音，說明該區(qū)域值沒有過零[3]。過零率[Z]的數(shù)學(xué)表達(dá)式為：

2） 頻率倒譜系數(shù)

頻率倒譜系數(shù)受到人們對于聽覺特征的啟發(fā)，根據(jù)聽覺特點(diǎn)，人耳感受到了響度與幅度的實(shí)際變化。將幅度值頻譜取對數(shù)后，系數(shù)可根據(jù)頻率分成若干個(gè)頻帶，由于獲取頻率向量具有高度辨識特征，且還具有復(fù)雜連帶性，為了去除響度與幅度之間的連帶性，需利用傅里葉變換音頻特征，使用雙離合變速器進(jìn)行處理，整個(gè)頻率倒譜系數(shù)提取過程如圖2所示[4]。

由圖2可知，由于頻率倒譜系數(shù)第一個(gè)系數(shù)代表音頻信號中的直流分量，因此，在實(shí)際應(yīng)用中可去除。頻率倒譜系數(shù)具有一階和二階差分量，存在一定的現(xiàn)實(shí)意義。

3） 分析窗和結(jié)構(gòu)窗

在對短時(shí)音頻分析過程中，信號可被分成若干個(gè)重疊部分，這些重疊分量被稱為分析窗[5]。分析窗具有較小但相對穩(wěn)定的頻率特征，在短時(shí)間內(nèi)頻譜與時(shí)間規(guī)律相吻合，此時(shí)會產(chǎn)生一種質(zhì)感，為了獲得質(zhì)感特征，需將若干個(gè)特征向量組成強(qiáng)大的結(jié)構(gòu)窗，由此計(jì)算特征向量的均值與方差。采用該方式可降低計(jì)算量，提高分類速度。

1.1.2 節(jié)奏特征的提取

音樂節(jié)奏特征可直觀反映出音樂信號隨著時(shí)間的變化而發(fā)生改變，節(jié)奏特征有音樂節(jié)奏、節(jié)拍和拍速，通常利用直方圖對節(jié)奏特征進(jìn)行提取[6]。節(jié)拍直方圖可由音頻信號小波分解得到，并對時(shí)域信號進(jìn)行高通與低通濾波處理，其計(jì)算流程如圖3所示。

由圖3可得到不同特征向量數(shù)值：節(jié)拍直方圖相對峰值、每拍周期、峰的幅度比值、整個(gè)峰的幅度值之和。

1.2 分類模型的構(gòu)建

根據(jù)上述音色與節(jié)奏特征的提取，隨機(jī)設(shè)置權(quán)值和閾值，并確定隱含層的節(jié)點(diǎn)數(shù)，可求得最優(yōu)解[7]。設(shè)隱含層節(jié)點(diǎn)數(shù)為[N]，那么音色向量輸出函數(shù)為：

基于此分析電子音樂分類效果，具體描述為：

1） 主成分分析+電子音樂分類訓(xùn)練情況（[W1]）；

2） 核主成分分析+支持向量機(jī)電子音樂分類訓(xùn)練情況（[W2]）。

對電子音樂分類平均訓(xùn)練時(shí)間進(jìn)行設(shè)定，如圖4所示。

由圖4不同電子音樂分類平均訓(xùn)練時(shí)間不同，可獲得基于權(quán)值合理分配的電子音樂智能分類模型，如圖5所示。

2 實(shí) 驗(yàn)

為了驗(yàn)證基于權(quán)值合理分配電子音樂智能分類模型設(shè)計(jì)的合理性進(jìn)行了如下實(shí)驗(yàn)。實(shí)驗(yàn)中共包含藍(lán)點(diǎn)音樂（Blue）、古典音樂（Classical）、鄉(xiāng)村音樂（Country）、迪斯科（Disco）、嘻哈（Hiphop）、爵士（Jazz）、金屬樂（Metal）、流行音樂（Pop）、雷鬼音樂（Reggae）、搖滾（Rock）等10種音樂類型，其中每種音樂共包含100種樂曲，將此樂曲進(jìn)行音樂特征提取獲得音樂片段[8]。通過實(shí)驗(yàn)驗(yàn)證不同分類模型對電子智能音樂分配的影響以及權(quán)值分配與電子音樂相結(jié)合的有效性。

2.1 分類準(zhǔn)確率實(shí)驗(yàn)結(jié)果與分析

將上述處理的音樂片段進(jìn)行不等段截取處理，分別分為等長的2段、4段和8段，并對每一段進(jìn)行標(biāo)記，加以區(qū)分。將分割后的音樂片段進(jìn)行提取，獲得12維的頻率倒譜系數(shù)（MFCC）和12維的一階差分頻率倒譜系數(shù)（MFCC）共同組成的24維特征向量[9?10]。根據(jù)音樂特性和權(quán)值分配原理，將上述等長時(shí)段分別按照2個(gè)時(shí)間段、4個(gè)時(shí)間段、8個(gè)時(shí)間段進(jìn)行訓(xùn)練，獲得智能分類模型，構(gòu)建一個(gè)音樂分類系統(tǒng)，如圖6所示。

將該系統(tǒng)中每類音樂詞匯表大小設(shè)置為1 000，使用密度聚類算法（DBSCAN）來決定權(quán)值合理分配電子音樂智能分類模型的主題。針對每一個(gè)分類進(jìn)行10次實(shí)驗(yàn)，在每次實(shí)驗(yàn)中進(jìn)行隨機(jī)分類，從每種樂曲中選擇60%的數(shù)據(jù)作為訓(xùn)練集合，其余作為測試數(shù)據(jù)集合。

采用傳統(tǒng)分類方法與本文設(shè)計(jì)的模型分類方法對10次實(shí)驗(yàn)平均分類正確率進(jìn)行對比，結(jié)果如表1所示。

由表1可知，針對這10種音樂類型，傳統(tǒng)分類方法最低準(zhǔn)確率為68.39%，而本文分類方法最低準(zhǔn)確率為82.91%。傳統(tǒng)分類方法最高準(zhǔn)確率為88.29%，而本文分類方法最高準(zhǔn)確率為99.80%。由此可知，采用基于權(quán)值合理分配的電子音樂智能分類模型方法可提高分類準(zhǔn)確率，具有精準(zhǔn)的分類性能。

不同訓(xùn)練時(shí)間段對音樂的分類情況也不同，選取本文分類方法準(zhǔn)確率最高的搖滾樂為實(shí)驗(yàn)對象，測試隨著時(shí)間段的增加，正確分類率是否會受到影響，結(jié)果如圖7所示。

由圖7可知，搖滾樂在時(shí)刻為8 s時(shí)分類準(zhǔn)確率最高，并且隨著時(shí)間的增加，準(zhǔn)確率呈下降趨勢，說明該模型在分類時(shí)不是耗費(fèi)時(shí)間越長準(zhǔn)確率就越高，也不是耗費(fèi)時(shí)間越短分類準(zhǔn)確率就越低，而是每個(gè)時(shí)刻的音樂片段都會影響分類信息的提取，因此，只有在特定的時(shí)間內(nèi)分類才會準(zhǔn)確。

2.2 分類效果對比分析

為了驗(yàn)證本文設(shè)計(jì)模型的分類效果，選擇50名音樂系學(xué)生對這10種音樂進(jìn)行選擇，發(fā)現(xiàn)喜歡流行音樂的學(xué)生人數(shù)最多，其次是搖滾與嘻哈，然后是古典音樂與爵士，喜歡藍(lán)點(diǎn)音樂、鄉(xiāng)村音樂、迪斯科、金屬樂和雷鬼音樂人數(shù)較少。

將傳統(tǒng)分類效果與本文分類效果進(jìn)行對比，結(jié)果如圖8所示。

由圖8可知，根據(jù)調(diào)查結(jié)果采用基于權(quán)值合理分配的電子音樂智能分類模型效果較好，可合理對音樂進(jìn)行智能分類。

2.3 實(shí)驗(yàn)結(jié)論

經(jīng)過上述實(shí)驗(yàn)內(nèi)容可知，采用基于權(quán)值合理分配的電子音樂智能分類模型需根據(jù)特定時(shí)間對音樂分類信息進(jìn)行提取，才會提高分類準(zhǔn)確率，具有精準(zhǔn)的分類性能，并且該分類模型效果較好，可合理對音樂進(jìn)行智能分類，進(jìn)而證明了該方法的合理性。

3 結(jié) 語

根據(jù)音樂動態(tài)特征，對傳統(tǒng)分類方法進(jìn)行改進(jìn)，提出基于權(quán)值合理分配的電子音樂智能分類模型設(shè)計(jì)，并利用權(quán)值分配隱寫分析算法求取模型動態(tài)參數(shù)，進(jìn)而對音樂進(jìn)行建模，將獲取的向量作為序列模型，并得出分類結(jié)果。通過實(shí)驗(yàn)驗(yàn)證該模型設(shè)計(jì)的合理性，并能準(zhǔn)確對電子音樂進(jìn)行分類，性能較好。

參考文獻(xiàn)

[1] 楊宇，李紫珠，何知義，等.QGA?VPMCD智能診斷模型研究[J].振動與沖擊，2015，34（13）：31?35.

YANG Yu， LI Zizhu， HE Zhiyi， et al. QGA?VPMCD intelligent diagnosis model [J]. Journal of vibration and shock， 2015， 34（13）： 31?35.

[2] 趙偉，周建輝.基于模糊C均值聚類算法的音樂噴泉智能識別[J].控制工程，2015，22（6）：1057?1062.

ZHAO Wei， ZHOU Jianhui. Based on the fuzzy C?means clustering algorithm music fountain intelligent identification [J]. Control engineering of China， 2015， 22（6）： 1057?1062.

[3] 黃步添，劉琦，何欽銘，等.基于語義嵌入模型與交易信息的智能合約自動分類系統(tǒng)[J].自動化學(xué)報(bào)，2017，43（9）：1532?1543.

HUANG Butian， LIU Qi， HE Qinming， et al. Intelligent contract automatic classification system based on semantic embedded model and transaction information [J]. Acta automatica sinica， 2017， 43（9）： 1532?1543.

[4] BESSE P C， GUILLOUET B， LOUBES J M， et al. Destination prediction by trajectory distribution based model [EB/OL]. [2017?11?14]. https：//www.fondation?hadamard.fr/sites/default/files/public/bibliotheque/guillouet?pgmodays2017_partie1.pdf.

[5] 葛順，夏學(xué)知.一種基于概率影響分析的智能決策模型[J].計(jì)算機(jī)工程，2016，42（6）：213?217.

GE Shun， XIA Xuezhi. An intelligence decision model based on probabilistic influence analysis [J]. Computer engineering， 2016， 42（6）： 213?217.

[6] 劉紫燕，毛攀，吳俊熊，等.基于改進(jìn)智能水滴算法的多用戶OFDMA系統(tǒng)資源分配[J].電訊技術(shù)，2017，57（2）：161?166.

LIU Ziyan， MAO Pan， WU Junxiong， et al. Resource allocation with improved intelligent water drops algorithm in multi?user OFDMA system [J]. Telecommunication engineering， 2017， 57（2）： 161?166.

[7] 方如舉，王建平，孫偉.基于最小流量的智能配電網(wǎng)WSNs通信模型[J].電子測量與儀器學(xué)報(bào)，2017，31（8）：1218?1226.

FANG Ruju， WANG Jianping， SUN Wei. WSNs communication model based on minimum traffic for smart distribution grid [J]. Journal of electronic measurement and instrumentation， 2017， 31（8）： 1218?1226.

[8] 吳承毅.基于多維度特征權(quán)值動態(tài)更新的用戶推薦模型研究[J].現(xiàn)代電子技術(shù)，2016，39（15）：127?129.

WU Chengyi. Research on user recommendation model based on multi?dimensional feature weight dynamic update [J]. Modern electronics technique， 2016， 39（15）： 127?129.

[9] 曾奕棠，張玉峰.基于云分類挖掘的物流信息智能分析方法研究[J].情報(bào)科學(xué)，2016，34（11）：135?139.

ZENG Yitang， ZHANG Yufeng. Research on intelligent analysis method of logistics information based on cloud classification mining [J]. Information science， 2016， 34（11）： 135?139.

[10] CAPELETTO C A， COSTA C， SAYER C， et al. Mathematical modeling of molecular weight distribution in miniemulsion polymerization with oil?soluble initiator [J]. AICHE journal， 2016， 63（6）： 1?7.