文摘
随着信息技术的不断发展,数据传输带宽和速度也会增加。因此,如何迅速和有效地检索最喜爱的音乐已成为目前重要的研究方向。风格是一种最提到唱片公司。音乐流派的检测已经成为主流的音乐信息检索方法。也是一个重要的音乐服务平台推荐音乐的一部分。因此,音乐类型识别吸引了太多的关注,成为研究的主流方向。本文提出了一种音乐类型识别方法基于改进的贝叶斯算法。变分模态分解优化步长通过粒子群优化变量。那么天真的贝叶斯网络模型构造检测音乐流派。实验结果表明,该算法能够有效地提取音乐特征信息,充分考虑不同情况的特殊性,提高音乐类型识别的准确性。
1。介绍
移动互联网的崛起,导致信息的爆炸性增长。我们如何获取有用的信息质量的信息?降低搜寻成本的实际信息尽可能多地已成为强劲需求的互联网用户(1]。提供良好的分类服务已经成为主要的电子商务和影视,新闻和其他信息服务制造商的必要职责。人民日常生活不可缺少的一部分,音乐可以合理、有效地分类,这样用户可以快速、准确地找到理想的风格。它还提供了一种保证服务提供商将用户(2有效)。音乐分类经历了传统的手工分类。随着机器学习等新技术的引入和深度学习,不仅效率显著提高,但准确性也得到了改进3]。
基于分类模型的音乐体裁,音乐特征(4需要先提取,主要用于描述音乐信息。它可以分为很多类,如功能在能源、时域和频域。音乐分类可以实现根据不同功能的组合(5]。飞行员系数逐步采用。第二,除了音乐特征的提取,另一个重要的内容是音乐的建立分类器。传统的分类器包括基于规则的音乐分类和模式匹配6]。这些方法可以分类音乐在一定程度上,但每一种都有其缺陷。基于规则的分类只适用于简单的音频文件。模式匹配需要建立和匹配精度较低的标准模式和大型计算(7]。隐马尔科夫模型,神经网络、支持向量机、和其他新方法是基于机器学习(8]。实现有效的分类,极大地提高了计算的效率和精度。
近年来,学者们试图利用深度学习模型来提高音乐流派(自动识别的准确性9]。深层神经网络(款)开发提供技术支持,完成分类任务大量音乐数据(10]。由于在互联网上许多音乐数据跟踪,使用分类款音乐流派成为了当时的主流技术11]。然而,随着时间的流逝,款的缺陷逐渐显现。例如,不同的音乐也有它的旋律12]。递归神经网络(RNN)被用来建立一个深度学习音乐类型识别模型,已成为随后的研究热点之一13]。文献[14]提出的概念融合部分功能。音乐功能分割的有效性验证。文献[15)两种数据格式的长和短段用于模型训练和建立有效的LSTM和封闭的复发性单元(格勒乌)音乐类型识别模型。文献[16)提出三个特性集描述音色纹理,节奏,色调特征。在文献[16),音色特征和节奏特征分别提取代表音乐信号,分类和提取的音乐特征。文献[17]介绍了特征提取的和弦的概念来表示音乐信号更好。文献[18]运用经验模态分解(EMD)来捕获不同音乐流派的地方特色。
在音乐类型识别任务中,特征提取和分类器模型是两个影响识别精度的关键部分。然而,特征提取过程复杂,很难实现,和所需要的功能不同分类任务需要专门设计。和现有的深度学习识别精度并不理想。鉴于上述情况,本文提出了一种研究方法的音乐类型识别基于改进的贝叶斯算法。本文中的算法使用POS优化VMD分解过程。朴素贝叶斯识别模型,特征信息是由卡方检测。计算每个特征项的权重,计算各特征的权重之和。获得的检测结果是通过应用检测模型组的权重。
2。提出的算法
2.1。变分模态分解和算法
2.1.1。变分模态分解
变分模态分解(VMD)是一个非递归模式分解方法(19]。建立变分模型,自适应信号分解实现。让信号被分解和重构VMD形成国际货币基金组织(IMF)组件。重建国际货币基金组织(IMF)组件被用作调制信号和通过希尔伯特变换解调技术获取其分析信号。获得的分析信号乘以指数 ,和每个IMF分量的频谱是相应的基带调制。
约束的变分问题是通过估算每个post-transitional模式解调信号的带宽。 在哪里是输入信号。 是国际货币基金组织(IMF)组件VMD的原始数据分解。 是每一个国际货币基金组织(IMF)组件的中心频率。
为了解决变分约束问题,二次惩罚因子介绍,以确保准确的分解信号的高斯噪声的影响。拉格朗日乘法操作符可以保持严格的约束问题。增广拉格朗日函数L表示如下:
对方程(3),交替倍增算法(AMDD)用于交替更新 , ,和为了解决增广拉格朗日函数的最优解。
2.1.2。基于粒子群优化(PSO-VMD) VMD优化
发现第二个惩罚因子α国际货币基金组织的组件的数量K有一个很大的影响VMD分解。在传统的方法中,只考虑参数的影响K在VMD分解可以得到一个相对更好的结果。本文使用改进的PSO算法同时优化VMD参数α和K。
粒子群优化(PSO)是全球人口智能优化算法具有良好的全局优化能力。然而,对于普通粒子群优化算法,重量ω是恒定的,所以它不容易维持高同时局部和全局优化的效果。为了优化VMD的两个影响参数同时,本文使用粒子群优化算法自适应权重优化VMD参数。自适应权重算法引入了一个惯性的重量ω。全球最佳密切相关,随粒子的位置。本文采用非线性动态惯性权重系数,这是表达广告: 在哪里f实时目标函数值的粒子,粒子的平均,是粒子的最小目标值。根据公式(4),惯性的大小重量更新粒子目标函数值变化。
首先,健身函数需要确定。的健身功能更新粒子位置的变化。粒子的更新方向决定通过比较健康的价值观。的健身函数采用区别原始信号的总能量和总能量的分解Z模态组件。差值代表原始信号之间的相似性和每个模态组件。差值越小,相似度越高。 在哪里和原始信号的总能量和总能量的IMF分量,分别是输入信号,每个模态组件VMD分解后,然后呢KVMD的分解数量。(1)初始化粒子群优化算法的参数和确定适应度函数。(2)初始化粒子人口的PSO算法。部分影响参数组合(α,Z)随机生成的初始位置的粒子,每个粒子的速度随机初始化。(3)VMD分解在不同的粒子位置来确定适应度函数值在不同的位置。(4)适应度函数值在不同的位置进行比较,从而更新当地极端和全球极端的人口和粒子速度和位置。 (5)更新的重量ω根据公式(4)。重复步骤(3)-(5)的最大迭代数。输出最好的健身价值和最好的粒子的位置。
2.2。朴素贝叶斯网络
2.2.1。相关的知识
(1)朴素贝叶斯分类算法。朴素贝叶斯算法假定每个特性都是相互独立的,是一种有效的分类方法。常见的模型多项式模型和锫模型,和多项式模型是本文中使用。假设文本特征项进行分类 ,类集 。该算法计算的概率条目属于每个文档,假设他们之间是独立的和 。最高的类别概率预测文档所属。多项式朴素贝叶斯计算如下: 在哪里新的文本属于类的概率是 。 类别的概率是包含条目 。 在哪里类下的字数 。 是单词的数量在所有类。 在哪里代表输入的重量在课堂上 。 代表所有条目类的权重的总和 。
为了防止造成的零概率问题可能出现的功能词在类别 ,一般采用以下解决方案:
(2)卡方特征选择。由于高维度的单词筛选在预处理阶段,选择特殊特性是需要功能词集高分化但体积小。统计方法是用于特征选择。该方法假定两个样本无关和卡方值决定了两个样本的偏差度。卡方值越大,越明显的特征。该方法的计算如下: 在哪里T文档的数量,Z是功能项,C是一类。H文本包含功能项的总数吗Z在non-categoryC。C类文本的总数C不包含功能项Z。G文本包含功能项的总数吗Z在课堂上C。Dnon-category文本的总数C不包含功能项Z。
(3)TF-IDF重量。术语frequency-inverse文档频率(TF-IDF)代表词frequency-reverse文档频率(20.]。在文本,我们说一个字的TF很高。如果它很少出现在其他文件,这个词是一个很好的表示这种类型的文章。其表达式如下: 在哪里代表特征项的权重在文档 。 项代表这个词的频率特性在文档 。 表示文档的数量。代表有多少文档包含的特性 。然而,在实际的计算过程中,如果文档特征项出现的数量是0,分母为0。所以,我们可以加1分母,如以下表达式:
(4)MapReduce编程框架。MapReduce的核心理念是,大量的数据是由许多子节点处理,这是由一个主节点。得到的结果可以解决每个sub-node的处理结果。Map和reduce框架的两个主要部分。它作用于键-值对的形式。自从NB算法假定每个功能项是独立的,它可以并行实现。
2.2.2。朴素贝叶斯算法的优化
NB并行化的过程分为四个阶段:特征选择,体重计算,模型的训练和测试。首先,中国的分词工具用于预处理文本内容。然后,无意义词汇通过中国消除停止词表构造,词的总和计算频率相同的类别,和词汇频率高或低过滤掉。因此,将会有两个文件:总新闻和word_count。
(1)特征选择。列出的特征选择的工作是工作流程如下:(1)分布式文件系统的内容,阅读total_news和word_count文件输入。(2)在映射阶段,两个文件按顺序读取。数据被写入words_list news_list元组,分别。国旗被定义来确定每个单词出现在每种类型的文本通过for循环。国旗是1,否则为0。T和G,H,C,D每个特征的词计算使用公式(12)来计算气。然后使用√6根,溢出到本地磁盘的HDFS文件的形式< s_CHI wordID_>键-值对。(3)所有键值对输出片段按降序排序和合并根据s_CHI在洗牌的大小。减少阶段接收排序和合并结果,继续处理。密钥对的排序结果打印“< s_CHI wordID_>。”(4)在降低阶段,前一步的输出内容。每个类别选择前面前的最终功能词的类别和过滤掉重复 。最后全球功能项 获得和保存到太极文件< wordID,>键-值对,并输出。WordID WordID是特性。是功能词。
(2)重量计算。重量计算的工作流程工作列出如下:(1)分布式文件系统的内容,阅读total_news和CHI文件输入。(2)在映射阶段,两个文件按顺序读取。数据被写入words_list news_list元组,分别。公式(14)是用来计算特遣部队和IDF的值溢出到HDFS的本地磁盘文件的形式<wordID_ ,newCategory_TF_IDF>键-值对。(3)洗牌过程合并基于相同的键值。减少阶段接收合并结果,并继续处理。密钥对的排序结果将输出的<wordID_ ,newCategory_TF_IDF>。(4)在降低阶段,前一步的输出内容。每个的重量值在计算每个文本,保存它在TF-IDF文件<WordID_ ,newCategory_TFID>,并输出它。
2.2.3。训练分类模型
训练分类模型的工作的工作流程:(1)阅读内容在分布式文件系统中,输入TF-IDF文件。(2)映射阶段,文件读取。的TF-IDF价值在计算每个类别和溢出到本地磁盘的HDFS文件以键-值对的形式<wordID_ ,TFID 。(3)所有键值对输出的碎片根据合并wordID_在洗牌的过程。在降低阶段,合并结果接收和处理。密钥对的排序结果打印" <WordID__ , 。”(4)在降低阶段,前一步骤的输出内容和相应的类别输出的最大值。它是直接保存到文件< WordID的键-值对 ,TFIDF>并打印它。
2.2.4。测试分类模型的工作流的工作
(1)读一个分布式文件系统的内容,total_test_news文件和重量文件作为测试数据输入。(2)按顺序读取地图阶段,两个文件。新的文本预测概率是根据公式(8),然后保存的键-值对newID,箴 。(3)所有键值对输出片段将根据合并newID在洗牌的过程。在降低阶段,合并结果接收和处理。排序结果的形式打印的密钥对" <newID,< , , 。”(4)在降低阶段,前一步骤的输出内容和相应的类别输出的最大值。
3所示。实验和结果分析
3.1。实验环境
联想z40 - 70的笔记本被用在这个实验。笔记本是英特尔i5 - 4210 u双核心处理器,主频2.0 GHz, 16 GB的内存,硬盘1”“结核病,一个物理网卡。笔记本电脑,安装Windows 10专业和VMware工作站Pro14用于创建四个vm。每个虚拟机都包含一个CPU核心,2“GB内存,20 GB硬盘,和一个虚拟网卡。
3.2。数据集
GTZAN数据集是一个公共数据集类型识别常用的音乐。其音乐数据分为10个类型,即流行、古典、金属、爵士乐、雷鬼音乐,蓝调,迪斯科,嘻哈,国家,和岩石。GTZAN数据集包含1200件音乐数据。本文中的实验需要1000块的音乐数据作为训练集,100块的数据作为验证集监督学习,和100件音乐数据作为测试集测试音乐类型识别的准确性。
3.3。算法的比较实验
3.3.1。网络评价指标
在本文中,光谱识别准确性和光谱识别损失函数作为算法的性能评价指标。光谱识别精度指谱片的网络的识别精度。损失函数的频谱识别是一个熵函数适用于智能化问题。熵函数计算如下: 在哪里n代表样品的数量,我代表类别的数量,分布目标,是预测匹配的分布。熵函数refelcts代表的困难而言, 。熵函数的值越小,收敛效果就越好。
3.3.2。实验结果分析
该算法迭代32000训练集学习速率为0.0001与常见的检测算法。光谱识别精度的曲线如图1。光谱识别的准确性32000次迭代后的训练集如表所示1。常见的算法训练梯度下降算法和迭代更新重量参数。更新后的重量参数用于计算频谱识别精度。随着迭代次数的增加,频谱识别精度逐渐提高,趋向于稳定。根据图1、光谱识别准确性的训练集往往是经过32000次迭代每个网络稳定。该算法的频谱识别精度高于共同检测的算法。表中的数据1表明,该算法的频谱识别精度是0.19高出-3.81%的常见的检测算法。
本文中的算法和常见的检测算法迭代32000训练集学习速率为0.0001,和光谱识别损失函数值的变化曲线如图2。光谱识别损失32000次迭代后的训练集的函数如表所示2。
为了减少光谱识别损失函数,传统的梯度下降迭代检测算法解决问题的算法。随着迭代次数的增加,损失函数的频谱识别逐渐降低并趋于稳定。根据图2,经过32000次迭代的算法,训练集的光谱识别损失函数值趋于稳定。训练集光谱识别损失函数算法低于常见的检测算法。表中的数据2表明,光谱识别损失函数值的训练集的算法在本文中是0.0288 - -0.1311。
本文中的算法和常见的检测算法迭代32000训练集学习速率为0.0001,和光谱曲线的识别精度图所示2。光谱识别损失32000次迭代后的训练集的函数如表所示3。
从图可以看出3,经过32000次迭代的每个网络,音乐的频谱识别精度的验证集往往是稳定的。该算法的精度是最高的。表中的数据3表明,该算法的频谱识别精度是1.77% - -7.03%高于常见的检测算法。
验证该算法和常见的检测算法是迭代学习速率为0.0001 32000倍,和光谱曲线的识别精度图所示4。光谱识别损失32000次迭代后的训练集的函数如表所示4。
根据图4每个网络,经过32000次迭代,光谱识别音乐的损失函数验证组趋向于稳定。此外,该算法的损失函数值最小。表中的数据4表明,光谱识别损失函数值验证集的算法是0.1215∼0.3108低于常见的检测算法。
实验结果表明,频谱识别准确性和频谱识别32000次迭代后损失函数是稳定的。培训和验证集的频谱识别精度为99.13%和88.18%,分别。训练集和验证集的光谱识别损失函数值减少到0.0737和0.4656,分别。该算法具有更好的光谱识别性能。
4所示。结论
随着互联网和多媒体设备的传播,数字音乐已急剧增加。作为人的标签来描述和理解音乐,音乐流派提供了自动音乐分类的任务的可能性。随着网络音乐库的增加能力,音乐流派的检测已经成为主流的音乐信息检测方法。音乐也是一个重要的基础服务平台为用户推荐音乐。本文提出了一种音乐类型识别算法基础上改进的贝叶斯算法。粒子群优化算法采用自适应加权优化VMD参数确保高局部和全局优化的结果。与此同时,MapReduce框架是用来计算特征选择和它的重量,分别。实验结果表明,该算法具有较高的精度在音乐体裁的认可。检测的有效性也显著改善。然而,对于一些音乐流派与小区别,它仍然是难以正确分类。 In the future, we also need to find music element features that can more appropriately describe its characteristics, to identify the subtle differences between music genres.
数据可用性
标签数据集用于支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的淄博职业学院。