復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)智能檢測(cè)算法設(shè)計(jì)

許晶晶

摘? 要： 電子音樂信號(hào)檢測(cè)有利于音樂的分類和后續(xù)處理，針對(duì)當(dāng)前電子音樂信號(hào)檢測(cè)方法沒有考慮噪聲對(duì)電子音樂信號(hào)檢測(cè)結(jié)果的干擾，導(dǎo)致電子音樂信號(hào)檢測(cè)錯(cuò)誤率大，檢測(cè)時(shí)間長(zhǎng)，無法滿足現(xiàn)代大規(guī)模電子音樂信號(hào)檢測(cè)的實(shí)際要求。為了解決當(dāng)前電子音樂信號(hào)檢測(cè)過程中存在的一些局限性，提出一種復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)智能檢測(cè)算法。首先分析電子音樂信號(hào)智能檢測(cè)的原理，引入小波變換對(duì)電子音樂信號(hào)中的噪聲進(jìn)行抑制;然后從消噪的電子音樂信號(hào)中提取特征，并根據(jù)電子音樂信號(hào)類型構(gòu)建學(xué)習(xí)樣本;最后引入最小二乘支持向量機(jī)對(duì)電子音樂信號(hào)智能檢測(cè)模型進(jìn)行構(gòu)建，分析電子音樂信號(hào)的變化特點(diǎn)，并對(duì)其參數(shù)進(jìn)行相應(yīng)的優(yōu)化。仿真實(shí)驗(yàn)結(jié)果表明，對(duì)于復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)，文中方法可以獲得較高精度的檢測(cè)結(jié)果，檢測(cè)時(shí)間也明顯得到了減少，獲得了比其他方法更優(yōu)的電子音樂信號(hào)，對(duì)復(fù)雜噪聲具有較強(qiáng)的魯棒性。

關(guān)鍵詞： 電子音樂信號(hào)檢測(cè); 智能檢測(cè)算法; 檢測(cè)原理分析; 噪聲抑制; 模型構(gòu)建; 參數(shù)優(yōu)化

中圖分類號(hào)： TN911.23?34; TP391? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）19?0049?04

Abstract： Electronic music signal detection is conducive to music classification and follow?up processing. For the current electronic music signal detection method， the interference of noise on the electronic music signal detection results is not considered， which makes the electronic music signal detection error rate large and detection time long， and is unable to meet the actual requirements of large?scale modern electronic music signal detection. In order to solve some limitations existing in the process of the current electronic music signal detection， an intelligent detection algorithm of electronic music signal in complex noise scene is proposed. The principle of intelligent detection of electronic music signal is analyzed. The wavelet transform is introduced to suppress the noise in electronic music signal， and then the features of the denoised electronic music signal are extracted. The learning samples are constructed according to the types of electronic music signal. The least square support vector machine is introduced to construct the intelligent detection model of electronic music signal， analyze the changes of electronic music signal， and carried out corresponding optimization of the parameters. The simulation results show that， for the electronic music signal in the complex noise scene， the method proposed in this paper can obtain high?precision detection results， and its detection time is significantly reduced， and its electronic music signals are better than those of other methods， which has strong robustness to complex noise.

Keywords： electronic music signal detection; intelligent detection algorithm; detection principle analysis; noise suppression; model establishment; parameter optimization

0? 引? 言

隨著人們生活水平的不斷提高以及微電子技術(shù)、語音技術(shù)的不斷發(fā)展，可以通過計(jì)算機(jī)合成一個(gè)音樂，稱之為電子音樂[1?3]。由于每個(gè)人都可以合成電子音樂，使得電子音樂信號(hào)數(shù)據(jù)呈爆炸式增加，給人們選擇自己最喜歡的電子音樂信號(hào)帶來了困難，而電子音樂信號(hào)檢測(cè)可幫助人們快速、準(zhǔn)確地選擇電子音樂，因此電子音樂信號(hào)檢測(cè)具有十分重要的研究意義[4?6]。

由于學(xué)者們的大量投入以及各行各業(yè)的關(guān)注，當(dāng)前電子音樂信號(hào)檢測(cè)算法很多[7?9]。相對(duì)于其他類型算法，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的電子音樂信號(hào)檢測(cè)算法最常用，它們均屬于人工智能領(lǐng)域的新型技術(shù)[10?12]，在電子音樂信號(hào)檢測(cè)實(shí)際應(yīng)用中，人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)均存在一些難以克服的問題，如：人工神經(jīng)網(wǎng)絡(luò)的電子音樂信號(hào)檢測(cè)錯(cuò)誤率高，電子音樂信號(hào)檢測(cè)結(jié)果極不穩(wěn)定，人們經(jīng)常得不到真正需要的電子音樂信號(hào)檢測(cè)結(jié)果;支持向量機(jī)的電子音樂信號(hào)檢測(cè)速度慢，對(duì)于大規(guī)模電子音樂信號(hào)來說，通常無法在有效時(shí)間內(nèi)得到電子音樂信號(hào)檢測(cè)結(jié)果。同時(shí)它們均沒有考慮噪聲對(duì)電子音樂信號(hào)檢測(cè)結(jié)果的干擾，對(duì)噪聲魯棒性差，影響音樂的分類和后續(xù)處理[13?15]。

為了提高電子音樂信號(hào)檢測(cè)效果，本文提出了復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)智能檢測(cè)算法，并對(duì)其優(yōu)越性和通用性進(jìn)行了測(cè)試，結(jié)果表明，本文算法的電子音樂信號(hào)檢測(cè)精度、智能化程度高，而且電子音樂信號(hào)檢測(cè)時(shí)間短。

1? 電子音樂信號(hào)智能檢測(cè)算法設(shè)計(jì)

1.1? 電子音樂信號(hào)的噪聲抑制

為了對(duì)電子音樂信號(hào)中的噪聲進(jìn)行最大程度的抑制，采用小波分析算法去除電子音樂信號(hào)中的噪聲。設(shè)[f（t）∈L2（R）]，連續(xù)小波[Ψ（t）]應(yīng)該滿足如下條件：

式中[τ]為位移。

電子音樂信號(hào)采用計(jì)算機(jī)進(jìn)行處理，因此其屬于離散信號(hào)，設(shè)[a=2-j]，[τ=2-jk]，得到離散小波如下：

對(duì)電子音樂信號(hào)抑制的步驟如下：

Step1：采用小波分析對(duì)原始電子音樂信號(hào)進(jìn)行分解，得到多個(gè)電子音樂子信號(hào)，每一個(gè)電子音樂子信號(hào)含有一個(gè)小波系數(shù)，根據(jù)頻率高低對(duì)電子音樂子信號(hào)進(jìn)行排列，第一個(gè)電子音樂子信號(hào)的小波系數(shù)向量表示為[c1]，那么所有子信號(hào)小波系數(shù)向量集為：[C=[c1，c2，…]]。

Step2：電子音樂信號(hào)向量集可以劃分為兩部分：有用的電子音樂信號(hào)（[S]）和噪聲（[U]），即：

Step3：計(jì)算電子音樂信號(hào)噪聲標(biāo)準(zhǔn)方差（[σ]），然后設(shè)置一個(gè)閾值（[δ]），兩者之間的關(guān)系可描述為：

設(shè)大于[δ]的子信號(hào)向量小波系數(shù)值設(shè)置為0，其他保持不變，得到電子音樂信號(hào)小波系數(shù)的新向量為：

Step4：采用小波分析對(duì)電子音樂信號(hào)小波系數(shù)進(jìn)行重建，得到?jīng)]有噪聲的電子音樂信號(hào)。

1.2? 電子音樂信號(hào)特征提取

由于不同的電子音樂信號(hào)有不同的特征，因此電子音樂信號(hào)特征提取十分重要，本文采用Mel頻率倒譜系數(shù)描述電子音樂信號(hào)。Mel頻率和實(shí)際頻率[（f）]之間的關(guān)系可以描述為：

Mel頻率倒譜系數(shù)提取電子音樂信號(hào)特征的具體步驟如下：

Step1：對(duì)電子音樂信號(hào)進(jìn)行預(yù)加重、分幀操作，采用傅里葉變換對(duì)電子音樂信號(hào)進(jìn)行處理，從而可以得到電子音樂信號(hào)的頻譜能量系數(shù)。

Step2：以Mel刻度分布為基礎(chǔ)，用三角濾波器組對(duì)電子音樂信號(hào)的頻譜能量系數(shù)進(jìn)行卷積操作，并對(duì)結(jié)果進(jìn)行離散余弦變換，選擇12個(gè)系數(shù)進(jìn)行時(shí)倒譜加權(quán)操作，從而得到電子音樂信號(hào)特征的Mel頻率倒譜系數(shù)。

Step3：對(duì)電子音樂信號(hào)特征的Mel頻率倒譜系數(shù)進(jìn)行一次差分操作，又產(chǎn)生12個(gè)系數(shù)，共得到24個(gè)Mel頻率倒譜系數(shù)，并將它們作為電子音樂信號(hào)的檢測(cè)特征。

1.3? 最小二乘支持向量機(jī)建立電子音樂信號(hào)檢測(cè)分類器

最小二乘支持向量機(jī)的訓(xùn)練時(shí)間明顯短于支持向量機(jī)的訓(xùn)練時(shí)間，而且學(xué)習(xí)性能要優(yōu)于人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能，因此采用最小二乘支持向量機(jī)建立電子音樂信號(hào)檢測(cè)分類器。電子音樂信號(hào)檢測(cè)的分類平面為：

對(duì)式（1）變化處理，可以得到：

式中[γ]為最小二乘支持向量機(jī)的正則化參數(shù)。

對(duì)式（8）進(jìn)行求解，由于具有相應(yīng)的約束條件，使得求解過程比較復(fù)雜，為了加快求解速度，將其變化為無約束形式，具體如下：

最小二乘支持向量機(jī)建立電子音樂信號(hào)檢測(cè)分類器只能對(duì)兩類電子音樂進(jìn)行檢測(cè)，而實(shí)際上電子音樂信號(hào)有多種類型，因此采用圖1形式可以建立多種電子音樂信號(hào)檢測(cè)的分類器。

在最小二乘支持向量機(jī)的電子音樂信號(hào)檢測(cè)過程中，參數(shù)[γ]和[σ]對(duì)電子音樂信號(hào)檢測(cè)結(jié)果的影響程度很大，而傳統(tǒng)方法主要采用人工方式憑經(jīng)驗(yàn)實(shí)現(xiàn)，導(dǎo)致電子音樂信號(hào)檢測(cè)效果并非真正的達(dá)到最優(yōu)，為此本文采用粒子群算法解決難題，以得到更優(yōu)的電子音樂信號(hào)檢測(cè)結(jié)果。

1.4? 電子音樂信號(hào)檢測(cè)分類器參數(shù)優(yōu)化

1.5? 復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)智能檢測(cè)原理

復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)智能檢測(cè)算法的工作原理為：首先收集電子音樂信號(hào)，并引入小波變換對(duì)電子音樂信號(hào)中的噪聲進(jìn)行抑制;然后從消噪的電子音樂信號(hào)中提取特征，并根據(jù)電子音樂信號(hào)類型構(gòu)建學(xué)習(xí)樣本;最后引入最小二乘支持向量機(jī)對(duì)電子音樂信號(hào)智能檢測(cè)模型進(jìn)行構(gòu)建，分析電子音樂信號(hào)變化特點(diǎn)，并對(duì)其參數(shù)進(jìn)行相應(yīng)的優(yōu)化，具體如圖2所示。

2? 電子音樂信號(hào)智能檢測(cè)性能測(cè)試

2.1? 測(cè)試平臺(tái)

為了分析本文設(shè)計(jì)的復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)智能檢測(cè)有效性，對(duì)其進(jìn)行仿真測(cè)試，測(cè)試的平臺(tái)如表1所示。

2.2? 對(duì)比算法及測(cè)試數(shù)據(jù)

為了測(cè)試本文設(shè)計(jì)的復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)智能檢測(cè)算法的優(yōu)越性，選擇文獻(xiàn)[13?14]的電子音樂信號(hào)智能檢測(cè)算法進(jìn)行對(duì)照實(shí)驗(yàn)，它們的測(cè)試平臺(tái)相同。采用流行音樂作為對(duì)象，測(cè)試數(shù)據(jù)采集兩類電子音樂信號(hào)：一類是不含有噪聲的電子音樂信號(hào);另一類是含有噪聲的電子音樂信號(hào)。每一種方法進(jìn)行5次仿真實(shí)驗(yàn)，電子音樂信號(hào)測(cè)試數(shù)據(jù)如表2所示。

2.3? 結(jié)果與分析

2.3.1? 電子音樂信號(hào)檢測(cè)精度分析

采用3種電子音樂信號(hào)智能檢測(cè)算法分別對(duì)無噪和含有噪聲的電子音樂信號(hào)進(jìn)行檢測(cè)，統(tǒng)計(jì)它們的精度結(jié)果如圖3和圖4所示。對(duì)圖3和圖4的無噪和含有噪聲的電子音樂信號(hào)檢測(cè)精度進(jìn)行對(duì)比和分析可知：

1） 對(duì)于無噪和含有噪聲的電子音樂信號(hào)，文獻(xiàn)[13]對(duì)電子音樂信號(hào)檢測(cè)精度平均值分別為86.83%和81.0%，無噪的電子音樂信號(hào)檢測(cè)精度要略高于含有噪聲的電子音樂信號(hào)，這主要是因?yàn)槠錄]有引入噪聲消除技術(shù)，無法抑制噪聲對(duì)電子音樂信號(hào)檢測(cè)結(jié)果的干擾，因此電子音樂信號(hào)檢測(cè)精度有待進(jìn)一步提高。

2） 對(duì)于無噪和含有噪聲的電子音樂信號(hào)，文獻(xiàn)[14]對(duì)電子音樂信號(hào)檢測(cè)精度平均值分別為91.39%和86.09%，電子音樂信號(hào)檢測(cè)精度難以滿足電子音樂信號(hào)實(shí)際處理的要求，這是因?yàn)槠錄]有解決最小二乘支持向量機(jī)參數(shù)優(yōu)化的問題，導(dǎo)致電子音樂信號(hào)檢測(cè)錯(cuò)誤率比較高。

3） 無論無噪或者是含有噪聲的電子音樂信號(hào)，本文算法的檢測(cè)精度平均值均要高于文獻(xiàn)[13?14]的算法，這是因?yàn)楸疚乃惴ㄒ肓嗽肼曄惴ǎサ袅穗娮右魳沸盘?hào)中的噪聲，獲得了質(zhì)量高的電子音樂信號(hào)，同時(shí)解決了電子音樂信號(hào)檢測(cè)過程中的參數(shù)優(yōu)化難題，降低了電子音樂信號(hào)的檢測(cè)誤差，獲得理想的電子音樂信號(hào)檢測(cè)結(jié)果，可以滿足電子音樂信號(hào)處理的實(shí)際要求。

2.3.2? 電子音樂信號(hào)檢測(cè)效率分析

對(duì)于現(xiàn)代海量的電子音樂信號(hào)，檢測(cè)效率十分關(guān)鍵，因此統(tǒng)計(jì)每一次實(shí)驗(yàn)的電子音樂信號(hào)檢測(cè)時(shí)間，結(jié)果如圖5和圖6所示。從圖5和圖6可以發(fā)現(xiàn)，對(duì)于無噪和含有噪聲的電子音樂信號(hào)，文獻(xiàn)[13]的電子音樂信號(hào)檢測(cè)時(shí)間平均值分別為2.97 s和6.20 s，文獻(xiàn)[14]的電子音樂信號(hào)檢測(cè)時(shí)間平均值分別為4.93 s和7.02 s，而本文算法的電子音樂信號(hào)檢測(cè)時(shí)間平均值分別為2.63 s和4.63 s，本文算法的電子音樂信號(hào)檢測(cè)時(shí)間明顯減少，電子音樂信號(hào)檢測(cè)效率相應(yīng)提升，這與現(xiàn)代電子音樂信號(hào)向大規(guī)模發(fā)展的方向相適應(yīng)。

2.3.3? 電子音樂信號(hào)檢測(cè)算法的通用性

為了測(cè)試本文電子音樂信號(hào)檢測(cè)算法的通用性，選擇當(dāng)前流行的10種電子音樂信號(hào)作為研究對(duì)象，對(duì)它們分別進(jìn)行檢測(cè)，統(tǒng)計(jì)每一種電子音樂信號(hào)檢測(cè)精度，結(jié)果如表3所示。從表3可以發(fā)現(xiàn)，對(duì)于10種電子音樂信號(hào)，本文算法的檢測(cè)精度均超過90%，這表明本文算法具有很好的通用性。

3? 結(jié)? 語

針對(duì)當(dāng)前電子音樂信號(hào)檢測(cè)方法存在檢測(cè)錯(cuò)誤率大，檢測(cè)時(shí)間長(zhǎng)等局限性，本文提出一種復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)智能檢測(cè)算法。仿真實(shí)驗(yàn)結(jié)果表明，對(duì)于復(fù)雜噪聲場(chǎng)景下的電子音樂信號(hào)，本文方法獲得了理想的檢測(cè)結(jié)果，檢測(cè)效率高，可以應(yīng)用于實(shí)際的電子音樂信號(hào)分析和研究中。

參考文獻(xiàn)

[1] 石宇加.電子音樂創(chuàng)作中效果器應(yīng)用研究：以Digital performer為例[J].音樂時(shí)空，2011（10）：56?58.

[2] 李洪偉，李海峰，馬琳，等.音樂欣賞中腦對(duì)音樂屬性變化加工規(guī)律的腦電研究[J].復(fù)旦學(xué)報(bào)（自然科學(xué)版），2018，57（3）：385?392.

[3] 熊梅，張?zhí)祢U，張婷，等.結(jié)合HPSS的非負(fù)矩陣音樂分離方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2018，39（4）：1089?1094.

[4] 桂文明，劉睿凡，陶玉婷，等.一種新型音樂速度譜圖的生成算法[J].復(fù)旦學(xué)報(bào)（自然科學(xué)版），2018，57（3）：379?384.

[5] 張一彬，周杰，邊肇祺，等.基于內(nèi)容的音頻與音樂分析綜述[J].計(jì)算機(jī)學(xué)報(bào)，2007，30（5）：712?728.

[6] 陳芳，李偉，李曉強(qiáng).基于小波包最優(yōu)基的音樂指紋提取算法[J].計(jì)算機(jī)工程，2009，35（9）：236?237.

[7] 李麗娟，葉茂，趙欣.基于高斯混合模型流行音樂中歌唱部分的智能檢測(cè)[J].小型微型計(jì)算機(jī)系統(tǒng)，2009，30（5）：1017?1020.

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

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

[10] 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(xué)學(xué)報(bào)（自然科學(xué)版），2019，41（5）：925?931.

[11] 劉迪，關(guān)欣，李鏘，等.基于魯棒主成分分析的音樂信號(hào)降噪[J].計(jì)算機(jī)工程，2016，42（9）：292?296.

[12] 張?zhí)祢U，熊梅，張婷，等.結(jié)合區(qū)分性訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的歌聲與伴奏分離方法[J].聲學(xué)學(xué)報(bào)，2019，44（3）：393?400.

[13] 胡昭華，余媛媛.深度卷積神經(jīng)網(wǎng)絡(luò)在音樂風(fēng)格識(shí)別中的應(yīng)用[J].小型微型計(jì)算機(jī)系統(tǒng)，2018，39（9）：1932?1936.

[14] 周婧，范凌云.基于最小二乘支持向量機(jī)的電子音樂識(shí)別研究[J].現(xiàn)代電子技術(shù)，2018，41（9）：109?112.

[15] 王蒙蒙，關(guān)欣，李鏘.基于魯棒音階特征和測(cè)度學(xué)習(xí)SVM的音樂和弦識(shí)別[J].信號(hào)處理，2017，33（7）：943?952.