文摘

音乐是我们生活和学习不可缺少的一部分,是最重要的形式的多媒体应用。随着深度学习和神经网络的发展近年来,如何使用尖端技术研究和应用音乐已经成为一个研究热点。音乐频率波形不仅是音乐的主要形式,还音乐特征提取的基础。本文首先设计注意的方法提取基于音频信号的快速傅里叶变换原理数据包路由下自组织映射(SOM神经网络),可以准确地提取的音乐特征,如振幅、响度,时间,等等。其次,音频段分为总结通过添加窗口移动匹配法,和音乐特征如振幅、响度,期间获得的每个酒吧根据音频信号在每个栏的性能。最后,根据音频音乐理论的相似的相邻的总结每一个酒吧,音频段划分,每一段的音乐特征。传统的递归神经网络(RNN)是改善,和SOM神经网络用于识别音频的情感特征。最后的实验结果表明,该方法基于SOM神经网络和大数据可以有效地提取和分析音乐波形特性。与先前的研究相比,本文创造性地提出了一种新的算法,可以更准确、快速提取和分析数据声音波形,并使用SOM神经网络分析中包含的情感模型音乐第一次。

1。介绍

音乐波形分析是指分析音频特征提取方法利用神经网络和深度学习技术。它结合了音乐理论、人工智能技术、多媒体应用技术、和心理上的应用程序,形成一个新的学科。它也使用电脑的音频分析的基础和前景广阔1]。因此,音乐波形的特征提取和分析一直是研究人员关注的(2]。根据不同的提取对象和内容、音乐的提取波形可分为注意特征提取阶段,节段特征提取阶段,音乐情感特征提取阶段3]。传统音乐波形分析是基于MIDI格式的时代(乐器数字接口(MIDI)在1980年代初提出了电声乐器)之间的沟通来解决这个问题是主要的存储格式的音频文件。这时,存储MIDI音乐文件可以直接显示相关的波形特征的笔记和总结(4]。因此,大多数的音乐波形分析在这一时期集中在音乐情感特征识别(5]。随着多媒体技术的发展,电脑已经逐渐成为音乐存储的主要形式之一,和存储音乐格式不再是只有MIDI格式。同时,由于大空间被MIDI格式和音频质量低(6wav格式文件),基于脉冲编码调制(PCM编码)正逐渐被越来越多的人喜欢高保真。然而,有一个缺点在wav音频文件,也就是说,音乐波形信息不能直接提取注意尺寸,维度,总结和细分维度,所以是不可能谈论音乐波形分析和情感特征分析(7]。因此,如何有效地、准确地提出有关音乐波形特性wav格式已经成为当前研究的焦点之一8]。本文还基于前辈们做出自己的设计基于SOM神经网络和大数据技术的音乐波形分析,有效地提取wav音频文件。

2。相关工作

使用深度学习和神经网络模式识别的音频文件是应用最广泛的精度最高的方法(9]。音频文件模式识别的早期阶段,人们主要使用BP神经网络(反向传播(BP)神经网络误差反向传播算法的多层前馈网络的训练和可以学习和存储大量的投入产出模式映射关系没有揭示数学方程描述映射关系提前)模式识别,但是在使用的过程中,人们逐渐发现,BP网络的收敛速度明显放慢下大量的学习资料,和当地的不稳定降低其效率在模式识别的过程10]。RBF网络(径向基函数网络)是一种人工神经网络使用径向基函数作为激活函数)的学习算法。金等人改进了算法,提高学习速度和精度上的优势少量的计算,使原来的学习过程的收敛速度更快(11]。相比之下,英国石油公司基于传统的傅里叶变换原理,基于霍夫变换的算法,这也是其高速度和高精度的关键(12),但它的缺点是复杂的转换过程,使其学习速度和效果具有成本效益的,所以它不是广泛使用(13]。大卫等人还发明了一种新的神经网络训练方法基于径向基函数网络的原则。该算法首先进行参数学习,然后进行有效性测试深度学习后通过隐层节点选择(14]。这个单独的学习方法有效地提高了径向基函数神经网络训练的缺点;然而,由于深度学习后的聚类算法采用c均值聚类算法,算法的隶属函数和规则的决心展示其应用过程,所以不被广泛使用15]。栓和咀嚼16]发达花砖真正的金字塔算法和算法。这两种算法可以有效地学习不同类型的神经网络样本和达到良好的学习效果。然而,由于算法结果的复杂性,他们并没有广泛使用。Yoneda和山田17)开发了一个新的增长神经网络(GRBF)基于径向基函数神经网络通过自底向上的设计理念,动态调整隐层或节点的学习过程根据声波的性能或学习对象,逐步实现神经网络结构,能满足性能需求的初始状态小规模的模式。最著名的网络自组织特征映射神经网络(SOM)提出的冯et al。18),其目的是根据特征的人类大脑处理信息的过程。SOM神经网络能模仿权重系数的变化的过程中,人类大脑处理,以便更好的处理信息。毛等。19)认为,一个好的神经网络应该从外部输入信息,自动选择处理方式根据健身,然后学习输入信息的特点。与此同时,在学习过程中可以形成不同的学习区域,每个区域对应于不同的信息功能。因此,一个全面的视图是输入信息,形成区域信息的每个部分的特点和整体学习模式清晰可见。

总之,音乐学者波形分析一直是一个热门话题。目前,有许多类型的音乐波形分析基于神经网络,但也有一些局限性。本文创新提出音乐波形的分析基于SOM神经网络和大数据技术,突破了传统算法的缺点在音乐的过程中波形识别和提取,并提供一个更有效的算法对音乐波形提取和分析。

3所示。音乐波形提取技术

3.1。分析音乐的特点

在第二部分中,我们首先介绍了相关的波形提取技术用于音乐因为音乐波形的分析是基于波形特征提取的音乐吧。传统音乐的结构组成部分,酒吧、和笔记。每个结构提供了一个进步的关系,和优越的结构是由多个从属结构(见图1)。根据结构,它可以分为以下步骤:首先,最小的结构,可以提炼出“笔记”,和讲义可以集群根据提取的身份,长度、强度、和其他元素的音乐笔记的特点;最后,通过提取波形特征不同的片段,我们可以得到的波形特征分析音频。

与此同时,我们也可以使用情感识别器来测试确定音频的情感。情感识别通常指的是音乐的情感认知特征空间,音乐情感空间和识别样本空间。目前,古典模型包括Hevner模型和泰勒模型(20.]。这里使用的情感识别的测试模型是Plutchik情感模型提出的Binchini et al。21]。的优化版本Hevner情感模型,从而改变原来的平面Hevner情感模型从平面到三维模型。高的情感维度比这较低的维度。情感强度的维度添加到原始Hevner情感模型(如图2)。

3.2。SOM神经网络和大数据技术

SOM模型通常表示为在二维空间排列和组合,如图3。整个系统分为两层:输入层和竞争层。输入层神经元组成的一维,分为不同的节点根据输入信息的聚类22]。竞争层神经元组成的二维矩阵,用于处理信息的输入层分开。有不同的权重信息输入层和竞争层之间的数据传输,而且可以竞争层中的每个神经元之间的连接。通过不同权重的调整,学习过程的信息输入层可以实现。根据不同的学习过程的规则,输入信息和自适应模式匹配和分类,从而实现自组织的学习过程在无人监督的条件下输入信息。在学习过程中,反应是根据匹配程度的神经元和输入模式(23]。当我们选择神经元相匹配的输入模式最为密切,它会影响周围区域的神经元 ,造成不同程度的激励输入模式。在这个范围之内,兴奋性增加而减少距离神经元,神经元在这个范围内都受到不同程度的侧抑制。

有许多SOM模型的算法。在这里,只有一个算法用于音乐介绍了波形分析本文提出,这也是最简化算法在实际使用。基本思想是将手动标签的情绪学习样本,设置初始隐层中心的数量根据学习样本的类型,并设置初始隐层中心和隐层的宽度中心根据每种类型的学习样本,以提高学习效率,减少网络学习的时间和复杂性。输入学习样本的每个组件的重量计算的影响因素,使其符合每个组件的输入学习样本(可以找到特定的算法逻辑(24])。的步骤如下:第一步:首先,输入数据的初始值是随机生成的: 。在这里代表的数量输入初始值,也就是说,在一维空间的向量维数的输入层,代表竞争层在二维空间的向量维度,和尺寸应该安排和组合成二维矩阵根据竞争层结构。步骤2:计算的距离从输入层维度竞争层维度。使用欧氏距离测量原理,维计算: 步骤3:选择最合适的神经元模型匹配。第四步:调整神经元的重量相邻的神经元和竞争层的重量和其他神经元的重量保持不变。 第五步:重复上述操作。如果达到预期的效果,停止重叠;否则,继续重复,直到达到预期的效果。

通过上面的循环过程中,输入信息可以由竞争层处理预期的数据,和整个过程。如果数据类似于下次学习模式的输入,该模型将自动被称为快速计算之间最短的距离输入层和竞争层:

3.3。音乐波形提取基于SOM神经网络和大数据技术

接下来,我们提取音乐基于SOM神经网络波形特性和大数据技术。根据音乐的分类模型的特性,我们提取了维度的音频文件指出,酒吧、和部分。

注意的是反映在击败。在确定了PCM信号,我们可以找到击败通过声频信号的信息。然而,由于不可避免的局限性,如设备和准确性,PCM信号还包含了一些噪声,干扰我们击败信息的识别。因此,信号预处理应提取的注意。公式如下,表示时间和积累的价值数据D的绝对值是吗我th击败信息激励。音乐波形去噪后如图4。可以看出,尽管仍有地方噪声不能移除,节拍信息显然是清楚的。

尽管去噪音频信号消除了噪声干扰,它还减少了笔记的数量,这将减少集群的数量在随后的分类过程,大大影响下一阶段的特征提取。因此,在去噪之后,有必要滤波器的高频部分音频信号通过滤波器,进一步提取音频信号的低频部分。后续部分的特征提取是补充道。常用的过滤器包括巴特沃斯滤波器,切比雪夫多项式,椭圆滤波器,等等。在这里,我们用中心极限定理和高斯滤波器,其本质是一个极限压力函数的高斯函数,及其设计和实现在音频信号处理过程具有良好的可操作性25]。表达式如下: 在哪里D代表滤波器的宽度,由傅里叶变换表示 在哪里是环频率的频率选择的过滤器。过滤器的角色抽样音频特性,其频率响应时间需要计算。计算方法如下:

当n倾向于正无穷,倾向于高斯变换,傅里叶变换,表情变得高斯滤波器:

高斯滤波器过滤高频声波后,信号波形特征与一致的频率和低噪声内容终于获得(如图5)。实验验证表明,去噪后的音频文件的识别率高于之前去噪(如图6)在不同分贝,所以下一步的音乐可以进行波形分析和处理。

这是值得注意的特征提取。接下来,我们提取酒吧功能。酒吧是由多个笔记与相同的特征,所以我们可以使用注释的元素来表示音乐酒吧的波形特征。它是由沥青、长度和强度: 在哪里巴勒斯坦权力机构代表所有笔记在酒吧的平均间距;Ps代表所有的沥青稳定笔记在酒吧,Ia的平均强度的所有笔记在酒吧,是代表的稳定强度的笔记在酒吧,达代表所有笔记的平均长度在酒吧,和Ds代表的长度的稳定性在酒吧里所有的笔记。总之,音乐可以表达这部分的波形特征向量BV,在那里BV= {巴勒斯坦权力机构,Ps,Ia,是,达,Ds}。

最后,我们提取和分析音频波形通过提取的部分音乐波形特性。这里我们主要是提取音频波形的情感特征。音乐的情感特征反映在音乐旋律的方向强度的平均值,节奏,节奏变化的强度,播放速度,等等。因此,我们使用SOM神经网络提取上述信息。 其中梅尔表示方向的音乐旋律,达因代表音乐强度的平均值,钩藤碱代表音乐节奏的变化强度,Tem代表了速度性能。总之,整个音乐音频段的波形特征可以通过vecto表达r光伏= (Maj, Min,梅尔,达因,满足,钩藤碱,Tem)。

4所示。音乐波形的分析基于SOM神经网络和大数据技术

4.1。分析音乐的波形特征提取结果

实验结果来自378块从不同渠道下载的音乐。为了保证数据的可靠性,321块的音乐属于不同的类型和长度。200块的音乐具有较强的代表性和糟糕的可置换性被选为实验样本。200块的音乐被随机分为四组,每组50块。在音乐波形分析和测试基于SOM神经网络和大数据技术,30个样本随机选为实验样本,其余控制样本。

图7显示频率值振幅的变化趋势的音乐波形振幅在不同音频帧降噪后的长度。首先,它可以看到,即使在不同的采样的情况下订单,音乐波形的振幅更有序,消除噪声音频更完整,整个周期变化规律。其次,可以看出音频特性不同的帧长度的值范围是不一样的,但整体低频部分是远远高于高频部分,这是由音频自身的特点决定的。因此,该方法的降噪程度更完美,和数据可以更准确和清晰后清洗。

图8显示了提取算法的性能,并行处理算法,谐波峰值在注意提取方法。可以看出,本文的平均错误检测率远低于并行处理算法和谐波峰值的方法,这是只有0.08%。谐波峰值法平均错误检出率最高,0.21%(图8(一个))。它可以认为本文算法提取精度最高的精度。SOM神经网络算法可能缺失的现象指出深度学习的过程中或一些内容将被删除错误数据清理和降噪的过程中,导致损失的音频。与谐波峰值算法相比,平均错过了SOM神经网络算法的检出率为0.09%,最低的三个算法,和最高的是并行处理算法,达到0.12%(图8 (b))。它可以得出结论,虽然本文算法仍有缺失的情况检测,对当前深度学习的发展,本文在很大程度上减少了丢失的检出率。如果我们提高综合数据覆盖深度学习音乐的波形分析,我们仍然需要进一步的研究。然而,这种算法的平均耗时的性能不是很好。该方法的平均时间是1.63小时,远高于1.13小时的并行处理方法和谐波峰值的方法(图1.31小时8 (c))。推测,我们采用基于传统算法的改进算法,优化平均误检测率和平均错过的检出率。然而,由于复杂的过程,平均耗时的性能降低,所以我们可以在未来继续优化和完善。

4.2。音乐情感识别分析波形

在使用SOM神经网络音乐和大数据技术来提取波形特征,进一步分析是必要的。本文通过情感的建设基于SOM神经网络识别器,提取的音频特征向量通过情感识别器,用于情感识别和情感特征向量之间的映射和音频文件的设计情感识别器,以便完成通过音乐情感识别的音频波形,这是一个方法来测试音频波形识别的质量。

音乐情感识别的本质是一种模式识别,也就是说,音乐特征空间之间的连接由音频文件和心理情感空间形成一个特定的映射关系。我们通常所说的模式识别不同模式之间是有明显的特色课程,也作为一个明确的区分不同的模式类。这里提到的模式类指的是一类具有类似特征的团体或个人但不相同,比如SOM神经网络的输入层。每一个维在输入层神经元是一个不同的个体,和不同的单一维度神经元分组到不同的节点根据类似的特征。每个节点由一个神经元相似但不相同的特征,也就是说,一个模式。同样,每个节点相似但不相同的特色可以聚集成不同的音乐片段。它也可以被视为一个模式类组成的多个节点相似但不相同的特点。模式识别是正确映射和匹配模式空间它属于每个模式类。

SOM模式识别算法是一种基于RBF神经网络的优化算法。作为一个成长中的神经网络学习算法,它还可以通过音乐音乐情感特征波形进行分类。传统RBF算法不控制初始输入层的节点,所以很容易受限于输入起点的样本和样本数据的顺序的过程中深入学习,导致学习效率低、学习时间长和高复杂性。同时,由于初始节点没有设置,设置的重量是不可能在初始状态输入值,最后竞争层的偏差将导致结算结果在连接过程中由于重量问题。基于上述缺点,SOM神经网络学习改进,让它更加灵活和有效地避免过度拟合或underfitting问题引起的神经网络固定。同时,调整初始节点集的初始重量随时输入层,这样可以发现错误,及时调整学习过程,使其更适合通过音乐情感模式识别波形特性。通过图9,我们可以比较两种算法的语音识别率在不同的测试集。

的核心逻辑是设置初始输入输入层中心的中心和宽度在输入层数据根据样本中提取的类型和数量。这是有利于快速输入层和竞争层之间的联系,提高深度学习的效率,减少学习时间,简化连接过程。完成后深度学习,学习后的结论是与情感类型的结论手动标记相比,和情感模式识别的识别效果评判结论的准确性。这涉及到一定的音乐片段的现象有多个情感类别。这种音频的情感与多个类别,我们相信情感类型的最大比例音频可以代替整个音乐的情感类型。同时,四种情感类型Hevner情感模型中最具特色的特色:热情,快乐,悲伤,和抒情,被选中作为识别类型的选择。在样例24热情类型样本30快乐类型样本,35悲伤类型样本和32抒情所选样本类型(图10 ())。共有121个样本音频文件用情感标记首先,然后最后一个特征向量的音频输入设计SOM神经网络情感识别模型通过注意特征提取,特征提取部分,特征提取和部分基于SOM神经网络和大数据技术,分别获取学习情感类型在这个方法的最终结果。最后的识别结果如图10。从图可以看出10的四种类型的正确识别率超过80%(数据样本10 (b)- - - - - -10 (d)),大多数音频的情感类型可以被识别,只有一小部分的音频的情感类型不正确认识,和错误是可以接受的。因此,该方法基于SOM神经网络和大数据技术可以用来识别音乐情感类型,识别效果好。

5。结论

使用神经网络和大数据技术一直是近年来的一个研究热点,因为研究对象之间的关系和生活和音乐的先进技术。然而,传统的研究方法通常基于BP神经网络和傅里叶变换原理来分析音乐波形,缺点的学习效率和学习时间。因此,本文分析了音乐波形通过优化传统的傅里叶变换和基于SOM神经网络使用大数据技术。最后,0.08%的平均错误检测率和平均检出率0.09%的小姐提出的算法比传统的并行处理算法和谐波峰值的方法,但也有缺点,也就是说,平均时间消费高于其他两种算法,但是1.63也在可以接受的范围之内,所以我们仍然可以认为算法更有效和精确的音频特征提取。其次,在过去,音乐波形的分析只关注音乐特征的提取。提取算法后,本文设计一个音乐情感基于SOM神经网络的模式识别算法和大数据技术。音乐的分析波形不仅限于数据提取和人工分析的水平还可以深深我通过SOM神经网络波形数据。最后的结果表明,SOM神经网络算法的准确性对音乐情感类型识别是超过80%。总之,SOM神经网络和大数据技术有良好的性能在音乐波形分析。

6。未来的工作

音乐是复杂多变的。不同的音乐有不同的音乐理论和信号特征。甚至相同的音乐在不同的环境中有不同的情感表达。然而,本文的研究只是在开始阶段,仍有很大的研究空间等研究人员的努力。我们将进一步考虑如何实现端点检测和特征提取的抗噪声语音信号在嘈杂的环境。此外,提出了一种处理特征参数的新方法来代表演讲的独特的信息尽可能少的数据,提高识别的鲁棒性的前提下尽量减少信号损失。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由陕西师范大学。