使用机器学习算法来描述音乐信号的类型和特征之间的联系

文摘

音乐分类有利于在线音乐检索,但当前音乐分类模型很难准确地识别各种类型的音乐,这使得目前的音乐分类模型的分类效果差。为了提高音乐分类的准确性,音乐分类模型基于multifeature融合和机器学习算法。首先,我们获得的音乐信号,然后从音乐的分类提取各种特征信号,并使用机器学习算法来描述音乐信号的类型和特性之间的关系。音乐分类器和深度信念网在浅逻辑回归建立了机器学习模型,分别。实验设计这两个模型来验证模型的适用性对音乐分类。通过比较实验结果,发现深信心网络模型的分类精度高于逻辑回归模型,但其准确性收敛所需的迭代次数也高于逻辑回归模型。与其他当前音乐分类模型相比,该模型可以减少构建音乐分类器的时候,加速音乐分类的速度,可以用高精度识别各种类型的音乐。音乐分类的准确性明显提高,验证这种音乐分类模型的优越性。

1。介绍

与经济技术和科学技术的不断发展,人们之间的联系和音乐越来越紧密。有许多种类的音乐在音乐市场。音乐可以减少人们的生活和工作的压力。因为不同的用户有不同的偏好对于音乐类型,更重要的是找到音乐的用户需要快速、准确地识别音乐从大量的音乐库。关键技术改善音乐查询分类的效率。因此,有必要关注如何建立一个音乐分类模型有更好的分类性能1]。

为了建立一个音乐分类模型有更好的分类性能,有必要分析当前音乐分类模型的缺陷。经过调查和分析,发现当前最佳音乐分类模型是基于神经网络分类模型。但是,随着音乐数据增加,音乐的错误率基于神经网络分类模型来构造一个分类的低效率更高,更容易陷入局部最小值的问题(2];因此,应该优化神经网络结构建立一个音乐基于粒子群算法优化神经网络分类模型,加快神经网络的优化能力,改善效果和音乐分类精度。音乐分类模型基于粒子群优化神经网络需要提取音乐功能,和提取的音乐特征可以描述信息(3)有效识别的音乐类型。

为了提高音乐分类的影响,音乐分类模型基于multifeature融合和机器学习算法,相对于其他音乐分类模型。仿真结果表明,本文中的音乐分类器构造花费更少的时间,和音乐分类速度快。音乐它可以获得高精度的分类结果,具有明显的优势。分析的影响音色和音乐旋律及其适用性,介绍了梅尔倒谱系数反映音色和四个特征反映,频率,共振峰,频带能量分布的旋律和最后实施这四个特征的特征提取实验。用这四种特征提取的两种机器学习模型,结合逻辑回归和深信心网络,实验设计、分析和比较。

2。相关工作

音乐分类最初是由专家。因为小专家”的热爱音乐,音乐分类标准是不同的。与此同时,由于人类主观思维的引入,音乐分类的结果有一定程度的盲目性和主观性。这将使音乐分类的结果不可靠,有时训练和实际情况将大不相同。然后,有一些音乐自动分类模型,最常见的是隐马尔可夫模型的自动音乐分类模型。一般来说,隐马尔可夫模型是一个线性分类技术。这是一个简单的音乐类型和特性集(之间的线性关系4,5]。但事实上,情况并非如此。之间存在非线性关系的音乐类型和功能设置,将隐藏马尔可夫模型的局限性和获得不受欢迎的音乐分类结果(6,7]。神经网络属于非线性分类技术和音乐之间的关系类型和特性可以有效地健康。然而,神经网络具有明显的缺陷。例如,音乐训练样本的数量很大,如果训练样本太小,音乐分类效果很差。同时,神经网络的结构相对比较复杂(8),这使得音乐分类模型的收敛效率低和音乐分类时间太长了。

音乐的分类,研究主要包括以下两类:第一,音乐特征提取;其次,基于音乐的分类算法功能设计。音乐特征提取的主要目的是在音乐有效地提取特征信息。只有通过有效地提取音乐特性我们可以更好的分类。在研究过程中,音频信号特征划分(9,10),包括以下四种类型:长时间的功能;短期特征;语义特征;和混合特性。从人类体验的角度和听觉感知、音乐信号划分(11),包括三类:三、音色、旋律。音频信号处理(光谱分析)是一种广泛使用的音乐信号特征提取方法。这些方法的应用程序是非常简单的12),操作灵活,可以直接实现提取的目的。

通过音乐信号的研究和分析,我们知道音色特征是最基本的音频信号的特征。如果仪器和声音是不同的,相应的音色也会不同。在分析的过程中,音乐是首先处理的信号处理方法13),分为若干帧。其次,技术如频谱分析(14)和快速傅里叶变换,这是目前广泛使用的,用于进一步处理每一帧,最后得到所需的光谱。最后,通过研究信号频谱,相应的统计特性,如科幻小说,得到15]。有时,为了使信号特性更强,其功率谱可以分解,使其部分波段,和信号特性,如OSC,分析过程中可以提取(16]。所谓的音乐信号的时域特征可以被看作是音色特征的安排相应的多帧信号在一段时间内的系列。因此,时域特性可以通过结合音频信号的音质特征(17),然后可以通过短时傅里叶变换得到时域特性。在音乐分类,分类算法是另一个重要的研究内容。基于深度学习的音乐分类算法是目前最主流的音乐分类算法,吸引了更多的注意力从研究人员18,19]。主动学习算法与支持向量机为核心的是一个相对成熟的理论和广泛使用的分类算法。两种分类算法基于分类超平面距离和样本和版本空间提出了减少(20.),分类效果较好。高斯混合模型(21),逻辑回归22),决策树(23),稀疏表示分类器(24)等也模型通常用于分类算法。主成分分析也经常用于提取音乐特征(24),从而达到加工目的。非负矩阵分解和其他方面也可以应用于提取音乐特征(25]。在许多音乐分类算法,找到最一致的分类算法与当前音乐可以显著提高分类效果。

尽管许多音乐分类方法可以分类音乐信号,这些方法的分类效果不满意目前(26- - - - - -29日),还有缺点比如音乐分类错误,不完美的分类和检索功能。这主要是因为分类能力的特征提取分类方法的音乐特征提取是贫穷和音乐中包含的内容信息不能完全用来进行分类工作。因此,只有找到有效的特征提取和分类方法我们可以更好的改善音乐分类和检索功能。

3所示。音乐分类模型基于Multifeature融合和机器学习算法

3.1。提取的音乐分类特性

音乐类型主要是由他们的特点,因此在实际建模过程中,音乐分类研究作为一种模式识别问题,所以特征提取非常重要,这直接决定了音乐分类的准确性。目前,音乐功能通常建模和分析功能,但特征提取的信息数量是有限的,并不能全面描述音乐的类型。因此,对音乐的各种特征提取分类。首先,音乐信号采集。自从音乐信号是连续的,有必要将音乐信号分成帧。与此同时,为了更好地提取音乐分类特性,需要对音乐信号增强。这是显示在图1。该框架包括四个部分:数据预处理模块、特征提取模块,multifeature融合模块,和RVM模式识别模块。

数据预处理模块:找到丰富的情感信息的窗口大小的根据音乐情感分类数据之间的互信息和情感上的标签。如果所有的脑电图数据被用于实验,这将是计算复杂,含有大量的干扰信息。采用时间窗方法找到短时间窗与最丰富的信息根据数据矩阵之间的互信息和情感标签和提取信号,可以更好地代表了情感。

音乐分类的特征提取模块:提取特征信号从不同的角度。由于特征融合的前提是,几乎没有为融合各种特性之间的相关性,时频分析是进行音乐分类提取的小波能量特征在不同节奏的音乐情感分类,以及赫斯特指数和分形维数,代表的非线性和nonstability音乐分类。

Multifeature融合模块:使用联合稀疏表示的特征融合方法。特征融合方法可以综合利用各种音乐的分类特性,实现功能互补。音乐分类基于联合稀疏表示的特征融合的情绪识别方法可以利用固有的稀疏数据和获取multifeature融合结果通过结合多个音乐的稀疏表示分类特性。

模式识别模块:利用RVM分类和识别。音乐和情感标签分类数据进行分析,和任意选择核函数构造区分类决定表面和基于情感的音乐分类决策函数的信号。稀疏RVM模型是由迭代更新hyperparameters担保: 在哪里是加重的因素。

音乐信号加权后,实现帧分割的操作: 在哪里N帧长度和吗T音乐信号的采样频率系数。

音乐的分段处理一帧信号通过时间窗可以获得分段处理的音乐信号: 在哪里t(n)代表音乐信号分割之前代表时间窗口的大小。

短期音乐信号的平均能量的计算公式如下:

通过这种方式,可以获得一种音乐的分类特性,然后音乐信号的倒频谱系数频率提取,作为第二种音乐分类功能。具体想法如下:首先,使用傅里叶变换提取光谱能量系数从音乐信号,然后执行卷积操作和离散余弦变换谱能量系数获得频率倒谱系数,这是作为音乐信号的分类特征。

音乐信号可以被视为一个音频序列组成的不同的音调。音调的波动包含作曲家创作音乐时的情感。球场水平是由音高决定的频率;因此,音高频率在语音信号处理中是一个非常重要的参数。

音高频率提取是基于短期的语音信号的稳定性。目前,常见的提取方法对音高频率自相关检测,平均幅度差函数,提取方法,等等。考虑到沥青信号的稳定和平滑度,自相关函数的方法检测提取音高频率选择。语音信号的短时自相关函数定义为

如图2球场部分的自相关函数在一个音频剪辑将有一个明显的峰值。可以检测到明显的峰值确定音高或高频音调,可以检测和提取音高频率检测位置相邻的两个峰的间距。

3.2。建立一个音乐分类模型基于Multifeature融合机器学习

目前机器学习算法有两种:一是人工神经网络,另一个是支持向量机(SVM);他们模仿,小的原则,基于经验风险最大化的神经网络和支持向量机是基于结构风险最小化原则;神经网络的学习比支持向量机用于显著降低;本文建立的支持向量机分类器,以提高音乐分类的效果为目标,在支持向量机(SVM)进行详细描述。

支持向量机的核心思想是建立一个超平面作为决定平面分离两种小相同的样本,以便获得的形式分类: 在哪里权重系数向量和吗b分类阈值。

音乐分类模型的工作原理基于multifeature融合和机器学习算法如下:首先,收集音乐信号,以及各种分类从音乐中提取信号的特征;然后,机器学习算法用于描述音乐信号类型和特性之间的关系,以及音乐建立分类器,如图3。

从图可以看出3构建分类模型的音乐,各种类型的原创音乐应该首先收集数据,和收集的音乐数据应该去噪和加工。使用框架和端点检测运用音乐来获得有效信号。的时域和频域方差特性和能量特性音乐提取有效信号,并结合形成的特征向量提取的特征。音乐的贡献三个特点分类是由灰色关联分析方法,和上述特性加权集成各种特性。三个加权特征作为神经网络的输入部分优化的粒子群优化算法,和音乐分类结果输出的神经网络优化的粒子群优化算法。

音乐文件的自动分类的基础是音乐信号特征的提取,主要的旋律是音乐的主线,也是关键因素来判断音乐风格。一般而言,大多数作品的主旋律是定位高于伴奏旋律,因此本文评估主要通过相对简单的天际线。主题提取算法对音乐文件进行特征提取。的步骤如下:(1)遍历原始信号的音乐文件:两个指出,复调的关系,删除所有笔记除了最高的一个。复调的票据关系定义如下: (2)后的执行步骤(1)中,排序起始时间从早上到晚上如果两个相邻音符符合下列条件: 特征提取从一个音乐文件的一个示例使用天际线主题提取算法如图4。(1)高计算效率:当计算的误差反向传播,激活函数的导数是必要的。与乙状结肠和其他功能,相比ReLU不需要进行指数操作。由于导数是一个常数,计算非常小。(2)梯度消失的问题是可以避免的。乙状结肠的导数是接近0,接近饱和时,神经网络没有梯度下降的影响时,误差传播,也就是说,梯度消失,所以是不可能进一步学习功能。然而,ReLU的导数是恒定的,错误可以稳定在整个范围内传播。换句话说,梯度和梯度爆炸不会消失的问题发生。(3)减少过度拟合问题的发生。因为ReLU一些神经元的输出设置为0,提高网络的稀疏和参数之间的依赖降低。稀疏是神经网络的一个重要特性,这意味着神经元可以更好的学习的主要特性。(4)的收敛速度远高于乙状结肠和其他功能。

然而,ReLU需要设置一个合理的学习速率。如果不设置合理,学习速度梯度会剧烈波动。如果一个大梯度生成期间,由于过度刺激神经元可能会瘫痪,丧失了感知的能力小梯度。具体来说,神经元的梯度并没有改变,仍然是零。

在当前的市场,虽然有一些成熟的音乐数据集,这些数据集只包含英语歌曲;具体地说,中国传统音乐结构的数据集,市场很少见到。因此,实验分类模型,我们首先需要建立一个自己的音乐数据集。摘要爬虫工具是用于构建数据库通过戏剧爬行信息和文件等很多网站中国戏剧网站,戏剧网站,和戏剧当地。(1)首先,分析结构的网站找到每个戏剧之间的逻辑关系以及相应的戏剧和戏剧下载页面之间的关系。(2)分析网站结构通过谷歌浏览器开发工具(快捷键F12)找到相对应的URL页面跳转和戏剧下载对应的URL。(3)Anticrawling策略:目前,大多数网站都有自己的Anticrawling策略来保护他们的网站的安全,防止过多的爬虫占用太多的资源网站,导致网站的崩溃。摘要三个anticlimbing策略选择:(1)访问时间间隔设置为减少目标网站的负担。(2)建立用户代理领域的HTTP文件。(3)使用代理IP从第三方获取数据。(4)工具的选择:爬虫系统是在Python开发的。它将请求发送到目标站点,通过请求响应的工具。解析HTML文件使用BeautifulSoup工具。(5)数据存储:戏剧爬从网络文件将会被保存在服务器中,和这首歌的名字信息,表演者信息,标签信息,相应的戏剧和保存路径信息将存储在数据库同步。(6)数据整合:音乐文件从互联网上抓取本文总共包含4221首歌曲7种音乐。如图5550年,有420年四川歌剧,黄梅调,440京剧、昆曲785年,502年“评剧”,515秦腔戏曲,1015越剧。

4所示。结果和分析

为了测试音乐multifeature融合和机器学习算法的分类效果,相同类型的音乐被选为实验对象,收集和共有10种音乐。各种音乐的样本的数量如表所示1。

为了分析的优越性音乐multifeature融合和机器学习的分类算法,隐马尔科夫模型(HMM)和单一特征选择神经网络(YPNN)进行对比测试。他们使用相同的测试平台,测试平台参数如表所示2。

本文中的模型,嗯,YPNN,分别用于训练和学习音乐的10类表1,建立相应的10个类别的音乐分类器,然后计算其分类精度为10类的音乐,如图6。

从图可以看出6,嗯,10种音乐的分类精度很低,不超过91%,远低于实际应用要求的音乐分类;这主要是因为HMM模型的线性分类的音乐,音乐类型和特征之间的线性和非线性接触同时;这不能准确地设置;最佳音乐分类模型使音乐分类成功率低和音乐分类错误率高。使用摘要,10种音乐的分类精度高于嗯,超过92%;满足实际应用的要求的音乐分类;这主要是因为YPNN属于一种非线性模型的音乐分类,同时可以描述音乐和类型和特征之间的线性和非线性接触;更好的音乐分类模型成立,但因其使用单一分类器的特点,成功的音乐分类还有待进一步提高。

本文10种音乐的分类精度超过96%,远高于嗯和YPNN音乐分类的准确性。因为本文的模型很小,它只能克服的缺点嗯,只能进行线性分类。因此,我们引入了很多特性来描述音乐类型,它克服了单一功能的音乐分类的局限性,并比较结果证明音乐分类模型的优越性。

的平均分类时间10种音乐相似的小三分类模型计算,时间单位是秒。统计结果如图7。

根据平均音乐分类时间图的分析7嗯,YPNN音乐分类模型相比,音乐分类模型在本文的时间明显减少,加快速度的音乐分类,从而显著提高音乐分类的速度。

为了验证模型的分类结果,我们选择10种音乐中国统一的平台作为训练样本,和输入所选音乐特性。其中,音乐代表的频域特征音乐的音高和时间。时域特征的混响时间和调性音乐,音乐短期能源RMS代表音乐特点,和音乐分类模型用于输出10音乐类型的音乐;结果如表所示3。从表可以看出3摘要音乐分类模型可以有效地分类10类型的音乐。通过比较分类结果与实际类别的音乐,发现音乐分类模型的分类效果本文的实际类别是一样的音乐,表明音乐分类模型的分类精度高。

为了验证本文音乐分类的影响,100用户从用户随机选择的音乐平台在实验中,与用户被要求选择他们感兴趣的音乐从10种音乐。通过调查和统计,发现越来越多的人喜欢合奏的音乐,其次是丝竹音乐和秦音乐,而其他音乐类型的数量相对较小。比较本文的分类效果和神经网络的分类效果,比较结果如图8。从图可以看出8音乐分类模型的使用可以使音乐占了总数的21%,和音乐和钢琴音乐占了总数的17%和14%,分别。我们选择100个用户的利益。分类后的音乐制作传统的神经网络分类模型占总额的6%的音乐,和音乐和钢琴音乐占了总数的6%和7%。和有一个偏差的利益用户所选的100用户的利益。总之,本文中的音乐分类模型具有良好的分类效果。

5。结论

音乐分类的一个重要技术,提高音乐检索,对当前音乐分类精度低、速度慢,等等,为了提高音乐的目标分类,提出了多特征融合和音乐的机器学习算法的分类模型;相对于其他音乐分类模型试验,结果表明,音乐只小样本分类模型改进的分类率,和音乐分类精度显著提高,音乐分类的结果更好的整体性能,具有非常广阔的应用前景。为了提高音乐分类的准确性,提出了一种基于multifeature音乐分类模型融合机器学习。三个加权特征作为输入的机器学习,网络输出结果是音乐分类结果。通过实验分析,本文发现音乐分类模型充分考虑时域,频域方差特征,和短期能源特点的音乐的过程中采用multifeature融合机器学习来实现分类和具有较高的分类精度为10种音乐,如绣球花和风格。基于机器学习的音乐分类模型发现,MFCC的准确性高。然而,与其他模型相比,该模型的准确性需要改善。因此,后续将主要增加数据集探索是否能够提高准确率不影响后续的实验。

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

作者宣称他们没有利益冲突,可能出现影响工作报告。

确认

这项工作得到了湖南教育部一般项目:湖南民间歌曲经典研究的跨文化之旅的歌声在乌克兰的音乐学院,项目17 c0314。

引用

1. 王罗x, x”,研究特征融合基于self-attention机制、文本分类模型”物理学杂志》:会议系列,卷1693,不。1,第012078 - 012071页,2020。视图:出版商的网站|谷歌学术搜索
2. x y . f . Li粉丝,Zhang et al .,“基于EEG信号的特征融合方法及其在行程中的应用分类,“医疗系统杂志,44卷,不。2,31-41,2020页。视图:出版商的网站|谷歌学术搜索
3. c .陈和李问:“多通道音乐情感分类方法基于multifeature网络分类器相结合,“数学问题在工程卷,2020篇文章ID 4606027, 11页,2020年。视图:出版商的网站|谷歌学术搜索
4. c . Zhang y . Chen x杨et al .,“改善遥感图像分类基于多尺度特征融合,“遥感,12卷,不。2、213 - 226年,2020页。视图:出版商的网站|谷歌学术搜索
5. A . Abdi哈桑,s m . Shamsuddin n .伊德里斯和j .混杀丹”混合深度学习架构opinion-oriented多文档摘要基于特征融合,“以知识为基础的系统卷,213年,第106678 - 106658页,2020年。视图:出版商的网站|谷歌学术搜索
6. cμ,j·刘,刘y, y,“高光谱图像分类基于主动学习和spectral-spatial特性融合使用空间坐标,”IEEE访问,8卷,第6781 - 6768页,2020年。视图:出版商的网站|谷歌学术搜索
7. l . h . Wang, z, g . i .韦伯d·林和j·歌,“Crysalis:一个集成的服务器进行计算分析和设计的蛋白质结晶,“科学报告》第六卷,第21395 - 21383页,2016年。视图:出版商的网站|谷歌学术搜索
8. x, z, w•明问:一,和m·陈,“智能监控和诊断使用基于深度学习小说集成模型和多传感器特征融合,“测量卷,165年,第108097 - 108086页,2020年。视图:出版商的网站|谷歌学术搜索
9. 张任y、x, y马et al .,“满卷积神经网络基于多尺度特征融合遥感影像分类的类不平衡,“遥感,12卷,不。21日,第3567 - 3547页,2020年。视图:出版商的网站|谷歌学术搜索
10. 阿齐兹,e·a·穆罕默德·f·优素福,“交通标志识别基于特征融合和榆树分类器,”Procedia计算机科学卷,127年,第153 - 146页,2018年。视图:出版商的网站|谷歌学术搜索
11. l .黄他,m .翟r .呗,Nie x, y . Wang”基于转移的特征融合学习鸡胚蛋分类,“对称,11卷,不。5,606 - 623年,2019页。视图:出版商的网站|谷歌学术搜索
12. n·阿齐兹,n .法拉和m . t . Khadir“多级动态系综选择使用不同种类的学习算法:应用分类问题,“国际知识管理研究杂志》上,卷142,不。1,第104 - 98页,2015。视图:出版商的网站|谷歌学术搜索
13. m . El-Banna”,一个新的分类方法不平衡焊接数据:Mahalanobis遗传算法(公司)”国际先进制造技术杂志》上,卷77,不。1 - 4、407 - 425年,2015页。视图:出版商的网站|谷歌学术搜索
14. 江y, b . j .冯j . Hu和h·张,“治疗癫痫的脑电图信号的分类使用基于垂直距离的特征降维算法,”多媒体工具和应用程序,卷2020,不。385年,41 - 62,2020页。视图:出版商的网站|谷歌学术搜索
15. s . Xiaorui c . s . Kim和d·g·金,“准确的多尺度特性融合CNN时间序列分类的智能工厂,”电脑,材料和连续,卷65,不。1,第561 - 543页,2020。视图:出版商的网站|谷歌学术搜索
16. w·黄和h .张”,研究人工智能机器学习基于特征融合的字符识别方法,”物理学杂志》:会议系列,卷1544,不。1,第012169 - 012163页,2020。视图:出版商的网站|谷歌学术搜索
17. d . Karimi) g . Akbarizadeh k Rangzan, m . Kabolizadeh”有效监督多个检测特性为融合雷达和光学数据分类学习,”专业雷达、声纳、导航,11卷,不。5,768 - 777年,2017页。视图:出版商的网站|谷歌学术搜索
18. μf·a·赵张x, x, z,杨和z,“高分辨率航空场景图像分类特征融合,“物理学杂志》:会议系列卷,1168年,第042024 - 042003页,2019年。视图:出版商的网站|谷歌学术搜索
19. w·丁”,基于svm特征选择微分空间融合及其应用糖尿病眼底图像分类,“IEEE访问,7卷,不。1,第149502 - 149493页,2019。视图:出版商的网站|谷歌学术搜索
20. 崔l . Su y, z . Yu et al .,“一个基于分层分类的电力变压器故障诊断方法和整体学习,”物理学杂志》:会议系列,卷1346,不。1,第12056 - 012045页,2019。视图:出版商的网站|谷歌学术搜索
21. 基于h .郭和w·王”,一个活跃的学习支持向量机多分类模型中,“模式识别,48卷,不。5,1577 - 1597年,2015页。视图:出版商的网站|谷歌学术搜索
22. j .梁y张黄永发。钟,h·杨”,一个新颖的基于多特征融合的故障分类方法对旋转机械,”机械系统和信号处理,卷122,不。5,19-41,2019页。视图:出版商的网站|谷歌学术搜索
23. x, z, w . Chen和l .王”多通道和多模型融合的细分类使用ZiYuan-3图像区域复杂的景观区域,”遥感,11卷,不。22日,第2723 - 2716页,2019年。视图:出版商的网站|谷歌学术搜索
24. j . t . Wang Dong, t·谢·d·迪亚洛,和m . Benbouzid“自学基于多模型融合的故障诊断策略,”信息,10卷,不。3、116 - 136年,2019页。视图:出版商的网站|谷歌学术搜索
25. 周y、m .天主教徒和z Feng-An,“场景分类的遥感融合图像基于深层网络和多尺度特性,”Optik卷,171年,第293 - 287页,2018年。视图:出版商的网站|谷歌学术搜索
26. x, w .毛、江w .“Multiple-kernel-learning-based极端的分类设计的学习机器,”神经计算和应用,27卷,不。1,第184 - 175页,2016。视图:出版商的网站|谷歌学术搜索
27. a . j . Pinar j .大米、l . Hu d·t·安德森和t . c .天堂”高效的多个内核使用功能分类和决策级融合,“IEEE模糊系统,25卷,不。6,1403 - 1416年,2017页。视图:出版商的网站|谷歌学术搜索
28. j·s·阿尔梅达,p . p . Reboucas球场,t . Carneiro et al .,“检测帕金森病持续发声和语音信号使用机器学习技术,”模式识别的字母卷。125年,55 - 62、2019页。视图:出版商的网站|谷歌学术搜索
29. b .勇,w·魏k.c.李et al .,“整体网站管理权限检测的机器学习方法在物联网环境中,“交易新兴电信技术美国新泽西州霍博肯市威利,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021年薄熙来太阳。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。