文摘
吹奏乐器的声学特性是声乐领域的一个主要特点。本文研究风力发电的应用效果基于multiacoustic数据特征提取工具。结合声学数据训练模型,基于深度信任网络的分类算法是用来处理多个声学数据。使用多个声波数据的特征提取、识别和匹配多个声波之间的数据和实现风力测量仪。实验不仅评估网络的错误分类算法,还介绍了评价函数的深层信念网络系统中的分类算法。传统的信噪比评价方法是用来改善评价函数的不足。通过深层信念网络分类自学习算法,建立了仪器识别方法具有较强的适用性。最后,在风能multiacoustic数据的有效性验证特征提取工具。
1。介绍
传统乐器识别方法的识别和认知工具通常是意识到通过的独特特征的角度分析仪器和深入的听觉或视觉捕捉(1]。乐器识别是评估的核心内容识别的准确性和效率,这是很有价值的促进智能发展的各种声学数据和仪器组合(2]。近年来,许多数学家把主要精力集中于乐器音色优化,乐器的结构改进,等等,很少通过声学数据研究智能仪器识别系统(3]。在中国,对文章的研究特征识别已经有几十年的历史,涉及很多内容(4]。从的角度评价对象,它包括传统的猫脸识别、人体识别,和仪器识别(5]。目前,许多声音的识别数据和国内外风力测量仪器精度低和识别效率低的问题。因此,许多专家和学者们研究了多个声波数据的智能和高效的识别方法和管乐器6]。然而,在先前的研究在多个声波数据和仪器识别系统在国外,方法并不完美,有很多模糊性。大多数报纸使用深信心网络分类算法评估唱歌性能的影响(7]。
Ernoult和其他学者发现,当前音乐评价模型通常采用固定帧输入的特点,提出了一个具体的数据聚类分析方法收集实时音频输入信息(8]。为了提高多个声波数据的得分效率,王等人提出了一个创新的基于神经网络算法的评价方法和相关理论(9]。锅等人研究了呼吸对乐器的声音质量的影响,建立了一个评价体系。创新评分系统具有高稳定性和客观评价,适合歌唱的质量得分和分析不同群体(10]。现有研究方法的基础上,王等人进行了比较分析不同类型的管乐器,结合声学数据与乐器的音色特点,进行创新的应用程序在不同的维度和定量比较分析,并完成了不同大小的优化分析工具通过相关实验的设计11]。佩雷拉和其他学者提出了一个新的“端到端”multiacoustic数据梯子评分系统通过研究和分析在不同的歌曲和歌手的歌唱和音色的差异验证系统的有效性在歌唱过程实践的客观评价12]。音乐分析的基础上,学者如马丁等人提出,要注意多声的开发建设基于限制性因素的数据分析系统,实现数据信息的管理和关注在歌唱的过程中评分(13]。Lagoida和其他学者提出了多元声学数据评价模型基于神经网络算法的基础上,现有的多元信息输入模式声波数据评价模型。收集输入数据信号归一化法的评价模型,和信息规范化处理的数据信号实现了神经网络算法(14]。根据多个声波数据之间的性能差异,Rollinsand其他学者提出有针对性的改进策略识别不同的多个声波数据(15]。Vidhyavathi和其他学者发现,大多数学院和大学仍然使用传统音乐评价概念,忽略了智能信息技术的使用,所以他们提出了一个基于智能信息处理工具质量评价方法(16]。
目前,大多数研究的仪器特性识别不涉及网络分类算法基于信心和multiacoustic深度数据分析。尽管中国已经做了大量的基础研究在几个声学数据和风速计,研究特征识别的声学数据和风速计是相对较少的。本文的特征识别系统风速计基于信念网络分类算法和multiacoustic数据进行了研究。第一部分介绍了研究现状的multiacoustic数据和国内外乐器识别。在第二部分,重点产品唱歌数据向量的计算模型和评价指标体系建立了影响识别质量通过使用时域深信心网络分类算法。在第三部分,进行系统的实验验证,实验结果和误差进行了分析。
2。建设多个声波数据分析模型基于深层信念网络分类算法
2.1。深度信念网络分类算法的基本思想
仪器的特点,参考特色不同于其他仪器和具有独特的识别。它通常代表的独特性在整个工具。乐器的特性类似于其他艺术。相对稳定,内部,深刻的表现可以反映外部的时代印记的内部特征,民族,或者音乐家的个人思想、审美理想和精神气质。乐器的文化的形成是时代,民族,或者音乐家在理解和实现音乐超越了不成熟的阶段,他们已经摆脱各种模式的束缚,因此倾向于或达到成熟的标志。在许多的方法来识别和分析multiacoustic数据,深信心网络分类算法是近年来最重要的方法之一。这种定量方法结合数学方法和信息的方法,并用于解决信息系统问题在早期阶段。近年来,深信心网络分类算法已广泛应用在许多行业,主要帮助企业和研究人员解决具体问题的目标识别,在时间和频率域和优化方法不断出现。图1显示了一个逻辑方法常用于数据分析。这些方法难以全面分析。然而,灰色系统不同于模糊数学。这种方法更多关注的对象有明确的扩展和不清楚扩展,和横截面大,透气性强。
深度信念网络算法不仅可以被用来识别特性和分类数据,也可用于生成数据。DBN算法是一种非常实用的学习算法与范围广泛的应用程序和强大的可伸缩性。它可以用于机器学习手写识别、语音识别、图像处理等领域。
深层信念网络分类算法的建模是确定灰色系统中很多因素之间的数学关系,然后提取和分类多声的微分特性数据和管乐器,然后匹配和分析已知的信息存储在数据库中。近年来,随着研究的深入深层信念网络分类算法,在各领域中的应用逐渐增多,所以它开始与其他算法结合。例如,在食品生产的应用领域,它已经能够生产发展提供数据支持。在医学领域,深信心网络分类算法的应用可以促进医学客观化的发展17]。在理论研究方面,国际学术期刊的英文版本由美国出版了许多研究这一理论,尤其是在社会系统的应用(18]。成像、运动学、声学信号处理和其他系统包含各种因素,可以通过理论分析的深层信念网络分类算法(19]。
2.2。Multiacoustic建设基于深信心网络数据分析模型
过程中构建multiacoustic数据分析模型,本研究首先选择三个参数multiacoustic相关数据和管乐器特性通过深信心网络分类算法基于自适应学习的因素,提出了multiacoustic数据和仪器识别管理系统基于字典学习和社区回归(20.]。在此基础上,该系统不仅可以实现每日记录,分析,存储不同的管乐器和多个声波数据也充分利用每个吹奏乐器音色的差别,实现闭环评价仪器性能过程中通过数据比较分析(21]。另一方面,这一系统也可以利用信噪比影响因素定量描述之间的数据匹配程度比较列和参考列和不同数量的标准数据,并使用量化指标完成的优先级乐器分类标准,可以有效地分析和提取的因素影响质量的乐器识别(22]。多声的过程数据分析如图2。
多个声波数据分析模型基于深层信念网络清楚地定义了分层框架和层次之间的从属多个声波数据和仪器识别系统通过研究信号的过零率测量,信号波形转换,字典矩阵,声门的激励信号向量的点积计算。本文从许多方面和评估系统的准确性提供参考样本建立智能multiacoustic数据和仪器识别系统(23]。然后,深信心网络分类算法特性分析和分类结果的完整性验证。在此基础上,该模型的施工过程如下。
首先,关联度衡量或相似性因素的关系。的基本思想是根据多个声波数据之间的关联度。这个模型中,应用程序的初始化原创音乐数据矩阵,然后制定参考数据列。这里,多个声波数据特征值的公式,管乐器特征值,和满足按照三个概述间隔公式所示(1)- (3)。一方的需求条件是由 ,的实际价值相应的个人在另一边 ,所有人的平均价值在另一边 ,最大的个人的最大价值 ,的最小值最小的个人 ,一方的意愿间隔 ,一方的验收标准价值 ,期望值是 ,满意度是 。
公式(1)在多个声波数据分析显示,当满足计算条件 ,满意度是零。
根据风乐器识别公式(2),当满足计算条件 ,满意度是零。
在复合公式(3),正确的终点的一个人面积是由 。的左端点对应的个人另一方面为代表 。 代表一个人的最大允许误差在相同条件下。值越大,满意度越好是多少。
3所示。管乐器特征提取和评价系统基于多个声波数据分析模型
3.1。建设评价体系的仪器的特征提取的基础上,综合评价方法
综合评价方法也称为多指标综合评价方法。它指的是使用的方法更系统化和标准化的方法来评估和单位在同一时间多个索引。不仅仅是一个方法,但方法系统,指的是一系列有效的方法合成的多个指标。综合评价是一个多准则决策分析方法结合定性和定量分析。它是使用最广泛的各种各样的问题的决策分析方法。它分解决策问题为多个水平的相关因素,然后进行定性和定量分析。在这个模型中,多个声波数据的分析过程可以从三个方面:分析和评价维度,振幅和频率。流程如图3。
综合评价方法的管乐器特征提取模型,识别的问题首先,确定系统目标,范围和政策参与的决策问题进行了分析。首先,建立了层次分析法(AHP)系统,并根据不同的角度,确定每个索引,然后系统分为不同的级别。为方便计算,框图常被用来解释。如果有很多因素,层次结构可以进一步分解。这个级别部门反映出每一层的从属地位,但每个索引的重要性是不一样的。目前,主要的综合评价方法是9-scale方法。评价矩阵建立了基于PSNR的特点,然后从矩阵提取有用的信息。通过构造两两判断矩阵和矩阵的数学方法,重要性排名。从心理学的角度来看,太多的成绩会影响判断的难度,所以在多个声的评估过程数据和管乐器,1 - 9-scale方法是最合理的。结果的方法如图所示4,数据组数据代表不同类型的声音。
DBN是一个概率生成模型。的过程中建立一个矩阵,与传统的神经网络判别模型,相对应的矩阵生成模型和设计是建立一个联合分布之间的观测数据和标签虽然可能受主观因素的影响,但其神经元之间通过训练权重,整个神经网络可以根据最大概率生成训练数据,从而减少主观因素的影响。
在此系统中,评价矩阵的最大特征值一个是获得。正常化后,相对重要性排名反映。虽然这种结构可以减少其他因素的干扰,客观地反映了不同的影响,在识别的过程中多个声波数据和管乐器,不可避免地会有一定程度的错误分类,这可能会导致不准确的结果。如果低概率的错误分类的因素不考虑,得到目标函数的最小值。这表明是最好的健身价值,接近最小值,性能就越好。仿真结果如图所示5。纵轴是健身价值,横轴是声音数据识别错误。
如果向量 的矩阵,设置为个体极值 和所有的极值表示集 。算法的计算公式如下: 在哪里惯性权重,代表当前的迭代次数,是歧视的速度。之后,我们需要使用一致性测试,这是由 ,和计算公式可以表示如下:
根据计算识别相似值找到评价相似QR表1显示了平均随机一致性指标ES价值。
综合评价方法在这个模型的缺陷也很明显。因此,结合听力学和时域信号分析,统一的分析检测过程中多个声学数据,基于三层加密协议的声学识别方法相结合,和深层的本质信心网络算法应用于这个乐器识别评价模型。基于特征提取的因子,管乐器的规则和流程确定评分测试,分为数据采集、数据处理、结果反馈等部分。在传统的综合评价方法的应用,验证进行逐步从上到下,每一步和一致性测试是必需的。这个过程太繁琐,即使测试是合理的,整体的一致性测试也是必需的。因此,在实际的计算中,将会有高的结果计算结果和实际情况之间的一致性和数据处理结果如图6。
接下来,评估方法的优化。本文研究的方法主要是提高了使用3级方法,操作更简单。只有通过两者之间的比较,根据重要性程度进行计算的例子。如果因素同样重要的是,使用1和0.5是不一样的。尽管该算法操作简单的特点,它有其他的缺陷。例如,个人喜好将直接影响判断矩阵的建立。很容易犯客观错误由于主观因素,不能通过一致性测试。此外,这些因素是非常复杂的,但经过优化,该算法不能通过一致性测试。客观的评价可以大大改变了。因此,通过仿真验证,这种优化后的评价方法可以促进改善multiacoustic数据识别的仪器和进一步改善的质量multiacoustic数据和仪器的鉴定。 Under different conditions, the evaluation results are shown in Figure7。
在评价的过程中,域是由假设因素 ,域的评价等级为代表 ,因素的隶属度来是由 , 声波数据的维度,是一个非零常数,向量评价函数表示如下:
3.2。评价和模拟管乐器特征提取评价体系的过程
在提取的过程中仪器multiacoustic数据的特点,有必要转换数据的multiacoustic定量数据和仪器类型。因此,为了解决肥胖问题的主观评价在识别过程中,本研究总结了传统的声音识别技术的缺点,结合了基于神经网络的交互式模型优化算法和深度自学网络分类算法,并实现了识别过程的建模和分析,把测量数据的输出和输入。最后,该模型可以有效地减少评分误差的过程中不同的声学数据和仪器特性识别,提高评估准确性和效率目标,可用于不同multiacoustic数据、特征识别、分布式管理的工具,可以减少主观干扰因素的综合评价模型。
此外,声学数据分析模型基于神经网络优化算法和深自学习网络分类算法计算复杂度也会低于声学数据分析模型的基础上,传统的优化算法。这是因为神经网络算法和深度学习使用网络。当分类算法处理数据,它将进行一定程度的自我训练,训练的数量增加,它会降低后续的计算复杂度和计算成本(数据云存储和实时调用技术)。
在仪器的仿真识别系统基于multiacoustic数据,所涉及的灰色数字由实数,和它的位置是非常重要的,重量是不同的。在识别效果的评估,它涉及各种因素,哪些需要判断,哪些因素更重要。深的应用信心网络分类算法,改变了最初原始数据来衡量,然后参考数据列。的关系或关联程度的不同仿真计算数据列,然后关联度进行排序。在识别的过程中multiacoustic数据和仪器,不同的声波数据的意义是不同的,所以它同样无法分析。原始数据需要处理的特征提取。特征提取过程数据分析后如图8。
每个因素的特征关系的绝对差异在同一观测点计算: 在哪里声重合度和吗是声学数据。接下来,我们需要计算每一个次级因素之间的相关性和仿真过程的主要因素。进行综合评价时,大多数情况下会涉及到排序的问题。评价对象需要排序第一,所以还需要灰色综合评价。 在哪里判别因子和吗是声学数据。然后,仿真结果建立评价体系,本文提出的改进算法是用来确定每个指标的权重,提高指标权重的准确性,确保重量分布更真实。在这项研究中,评价级别被设置为5。
4所示。应用效果分析管乐器多个声波数据的特征提取
4.1。实验设计部分
正式实验前的识别模型,识别和评估规则决定根据实验样品,和规则对多个声波数据筛选和管乐器的特征参数。实验结果如图所示9。实验对象是网络分类用很深的信心,和进行筛选和分类,以及时间分类结果作为最终的实验结果。
从图可以看出9增加的关键特性参数和实验的数量,相应的改变趋势的两组实验组和对照组显示巨大的差异,和耦合误差也显示不同常规的变化,这也表明,多个声后数据分析特性本质上是不同的深层信念网络分类。因此,多个声波数据分析模型比传统的声学数据更加稳定和准确的分析模型。
在这项研究中,研究对象之间没有明显的因果关系,研究的结果指标,因为多个声波数据可能意味着更多的管乐器特点,反之,越管乐器特征也可能含有更多的声学数据。因此,在这项研究中,研究的自变量和因变量并不著名,但使用一个客观的评价方法。
在这多个声波数据和管乐器识别模型,本研究使用五分类方法,从优秀到不合格。在确定这些等级的分级、被分配一个分数。五年级分配10分的分数,即优秀的成绩分数区间[8 10],好成绩分数区间[6 8],合格的成绩分数间隔(4、6),基本合格的成绩分数区间(2、4),和不合格的成绩分数区间[0,2]。表2展示了实验的初步评估结果。
此外,为了评估的准确性这个模型的结果,现有的专家构成的法官和年级实验小组目标根据评价指标评分标准。考虑到有19个第三级指标,这些指标是非常大的数据。为了方便计算,矩阵分为块在这个模型的研究和分析。第一级指数综合评价利用灰色理论,和顶级评价目标是全面评估。为了便于计算,索引编号,然后计算重量。表3显示数据结果的统计评估和确认由专业声乐教师。
4.2。数据处理和结果分析
图10显示了评价结果的管乐器基于多个声波数据的特征提取模型分析。管乐器的相关评价数据特征提取模型由MATLAB软件进行处理。
从图可以看出10与提高效率的关键特性参数识别,方法使用网络和那些没有信心深深信心网络有不同的规律变化,和公认的数量特性也是不同的。根据评价结果图10识别系统的评价指标体系,可以分为三个层次。有四个二级指标,多个声波数据识别评分,音色特征得分,吹奏乐器识别准确性分数,和仪器识别准确性分数。每个多个声波数据指标分为三个不同的水平,和仪器识别评分有三个水平。这个指标体系能全面反映系统的识别精度为多个声波数据和管乐器。在实验结果的数据处理,使用简单的加权平均法来计算总分。从结果可以看出在图10这个模型的准确性,多个声波数据和管乐器识别仍然是非常高的。然而,这些数据分析模型仍有一些缺点。例如,它只考虑声学数据类型已知的管乐器,不分类根据音色的差异和处理它们。因此,它可能很难确定老化管乐器和未知的工具。有一个非常低的误判的概率。
5。结论
目前常见的管乐器特征提取方法有问题,如一个大比例的主观因素和智力低下。基于这些问题,本文研究一种管乐器特征提取系统基于深层信念网络分类算法和多个声学数据。第一点是自相关函数的使用和灰度模糊评价函数。不同多个声波数据的音频信号处理,和自相关函数的最大值曲线在基音周期是用来实现初步识别,然后深深的信心网络进行分类。算法的误差进行了分析。第二点是构造深度信念网络分类算法的应用识别的乐器。在评价,采用综合评价方法,然后分析了理论水平提高综合评价方法的不足。第三点是使用深层信念网络分类算法综合考虑建立一种自适应识别系统。第四,通过设计实验,实验表明,管乐器特征提取系统基于深层信念网络分类算法和多声数据分析具有良好的可靠性、高智商,主观因素和强大的阻力,这证实了多个声波数据分析的优点。管乐器特征提取的有效性。 However, this study only considered the processing of multiple acoustic signals and did not consider the noise elimination, so further research can be carried out.
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
这项研究受到了黑龙江省艺术科学规划项目:研究开发(2020号b052)。