基于權值合理分配的電子音樂智能分類模型

杜非霏

摘 要： 針對傳統分類技術存在分類不準確、耗費時間長，難以滿足人們實際生活中對音樂分類需求等問題，提出基于權值合理分配的電子音樂智能分類模型。根據音色特點、基頻特點和節奏特點，對電子音樂音色和節奏特征進行提??；利用不同音色特征對權值隱寫檢測貢獻不同，綜合考慮權值合理分配并提高特征分類能力，利用多種濾波器計算音頻信號過零率，并根據音色所屬區域對其頻率倒譜系數展開分析；隨機設置權值和閾值，并確定隱含層節點數，求得權值最優解，由此構建分類模型。通過實驗驗證可知，該模型分類準確，且耗費時間較短。

關鍵詞： 權值合理分配； 電子音樂； 智能分類模型； 隱寫分析算法； 音色； 基頻； 節奏

中圖分類號： TN911?34； TP309.2 文獻標識碼： A 文章編號： 1004?373X（2018）13?0168?04

Abstract： The traditional classification technology has the problems of inaccurate classification effect and long time consump?tion， and is hard to meet the requirement of people′s real life for music classification. Therefore， the electronic music intelligent classification model based on weight reasonable distribution is presented. On the basis of characteristics of tone， base frequency and rhythm， the tone and rhythm characteristics of electronic music are extracted. Since the different tone characteristics have different contributions for weight steganographic detection， the weight reasonable distribution is comprehensively considered to improve the feature classification ability. A variety of filters are used to calculate the zero?crossing rate of the audio signal， and the frequency cepstrum coefficient is analyzed according to its tone area. The weights and thresholds are set randomly， and the number of hidden layer node is determined to obtain the optimal solution of weight， so as to construct the classification model. The experimental results show that the model has accurate classification result and short time consumption.

Keywords： weight reasonable distribution； electronic music； intelligent classification model； steganalysis algorithm； tone； base frequency； rhythm

0 引 言

隨著電子音樂在網絡中不斷發展，促使廣大音樂愛好者可通過網絡獲取喜愛的音樂，引起了音樂愛好者對電子音樂種類分類產生了極大興趣。但是，傳統分類技術存在分類不準確、耗費時間長等問題，難以滿足人們實際生活中對音樂分類的需求，為此，提出基于權值合理分配電子音樂智能分類模型。

以音樂特征為載體的信息隱藏技術成為電子音樂分類領域的一個研究重點。其中，權值隱寫檢測技術是區分電子音樂種類的重要組成部分。智能分類從音色、節奏和基音頻率三方面對音頻特征進行了提取，衡量既定時間間隔音頻信號所經歷的過零值次數；根據人耳聽覺特點，利用傅里葉變換音頻特征，使用雙離合變速器進行處理，提取頻率倒譜系數，并從分析窗和結構窗角度提高分類速度。設計實驗驗證該模型構建的合理性，并由此得出結論。實驗結果表明，該模型分類準確，且耗費時間較短，與傳統分類方法相比效果更佳。

1 基于權值分配電子音樂分類模型的構建

1.1 基于權值分配特征提取

為了獲取音頻準確性與簡潔性特征，需對音頻進行分析，提取出有關分類的信息。電子音樂種類的特征應根據具體應用而進行特征提取，該特征具有音色、基頻和節奏特點，基于該特點對電子音樂音色和節奏特征進行提取。

1.1.1 音色特征提取

針對具有相似音調和節奏的音頻，需對音色特征進行區分。音色特征是一個具有短時間特點的電子音樂因素，想要準確提取音色特征，就需對信號幀數進行區分[1]。將最初獲得的音頻信號分成等段長度的幀，信號幀與信號幀之間具有一定的重疊性，為了促使信號更加平滑，需要對信號幀進行加窗處理。為了減輕邊緣信號幀影響，選擇長度為512的幀數，重疊后點數為25，進行分幀處理之后，通過傅里葉積分變化獲得幀信號頻譜，進而對譜特征進行提取[2]。

由于不同音色特征的電子音樂對權值隱寫檢測貢獻不同，為了綜合考慮權值是否合理分配，需提高特征分類能力，利用多種濾波器計算音頻信號過零率，并根據音色所屬區域對其頻率倒譜系數展開分析，其次進行統計，特征提取框架如圖1所示。

由圖1可知，基于權值合理分配音色特征提取框架的主要內容有以下三個方面。

1） 過零率

分析過零率是衡量既定時間間隔音頻信號所經歷的過零值次數，忽略自然產生的噪音，對過零值進行隨機選擇。因此，對于靜音片段，過零率需要高于所有有聲片段，該區域通常被稱為音頻判斷區域，如果有聲音，說明該區域處于高聲區；如果無聲音，說明該區域值沒有過零[3]。過零率[Z]的數學表達式為：

2） 頻率倒譜系數

頻率倒譜系數受到人們對于聽覺特征的啟發，根據聽覺特點，人耳感受到了響度與幅度的實際變化。將幅度值頻譜取對數后，系數可根據頻率分成若干個頻帶，由于獲取頻率向量具有高度辨識特征，且還具有復雜連帶性，為了去除響度與幅度之間的連帶性，需利用傅里葉變換音頻特征，使用雙離合變速器進行處理，整個頻率倒譜系數提取過程如圖2所示[4]。

由圖2可知，由于頻率倒譜系數第一個系數代表音頻信號中的直流分量，因此，在實際應用中可去除。頻率倒譜系數具有一階和二階差分量，存在一定的現實意義。

3） 分析窗和結構窗

在對短時音頻分析過程中，信號可被分成若干個重疊部分，這些重疊分量被稱為分析窗[5]。分析窗具有較小但相對穩定的頻率特征，在短時間內頻譜與時間規律相吻合，此時會產生一種質感，為了獲得質感特征，需將若干個特征向量組成強大的結構窗，由此計算特征向量的均值與方差。采用該方式可降低計算量，提高分類速度。

1.1.2 節奏特征的提取

音樂節奏特征可直觀反映出音樂信號隨著時間的變化而發生改變，節奏特征有音樂節奏、節拍和拍速，通常利用直方圖對節奏特征進行提取[6]。節拍直方圖可由音頻信號小波分解得到，并對時域信號進行高通與低通濾波處理，其計算流程如圖3所示。

由圖3可得到不同特征向量數值：節拍直方圖相對峰值、每拍周期、峰的幅度比值、整個峰的幅度值之和。

1.2 分類模型的構建

根據上述音色與節奏特征的提取，隨機設置權值和閾值，并確定隱含層的節點數，可求得最優解[7]。設隱含層節點數為[N]，那么音色向量輸出函數為：

基于此分析電子音樂分類效果，具體描述為：

1） 主成分分析+電子音樂分類訓練情況（[W1]）；

2） 核主成分分析+支持向量機電子音樂分類訓練情況（[W2]）。

對電子音樂分類平均訓練時間進行設定，如圖4所示。

由圖4不同電子音樂分類平均訓練時間不同，可獲得基于權值合理分配的電子音樂智能分類模型，如圖5所示。

2 實 驗

為了驗證基于權值合理分配電子音樂智能分類模型設計的合理性進行了如下實驗。實驗中共包含藍點音樂（Blue）、古典音樂（Classical）、鄉村音樂（Country）、迪斯科（Disco）、嘻哈（Hiphop）、爵士（Jazz）、金屬樂（Metal）、流行音樂（Pop）、雷鬼音樂（Reggae）、搖滾（Rock）等10種音樂類型，其中每種音樂共包含100種樂曲，將此樂曲進行音樂特征提取獲得音樂片段[8]。通過實驗驗證不同分類模型對電子智能音樂分配的影響以及權值分配與電子音樂相結合的有效性。

2.1 分類準確率實驗結果與分析

將上述處理的音樂片段進行不等段截取處理，分別分為等長的2段、4段和8段，并對每一段進行標記，加以區分。將分割后的音樂片段進行提取，獲得12維的頻率倒譜系數（MFCC）和12維的一階差分頻率倒譜系數（MFCC）共同組成的24維特征向量[9?10]。根據音樂特性和權值分配原理，將上述等長時段分別按照2個時間段、4個時間段、8個時間段進行訓練，獲得智能分類模型，構建一個音樂分類系統，如圖6所示。

將該系統中每類音樂詞匯表大小設置為1 000，使用密度聚類算法（DBSCAN）來決定權值合理分配電子音樂智能分類模型的主題。針對每一個分類進行10次實驗，在每次實驗中進行隨機分類，從每種樂曲中選擇60%的數據作為訓練集合，其余作為測試數據集合。

采用傳統分類方法與本文設計的模型分類方法對10次實驗平均分類正確率進行對比，結果如表1所示。

由表1可知，針對這10種音樂類型，傳統分類方法最低準確率為68.39%，而本文分類方法最低準確率為82.91%。傳統分類方法最高準確率為88.29%，而本文分類方法最高準確率為99.80%。由此可知，采用基于權值合理分配的電子音樂智能分類模型方法可提高分類準確率，具有精準的分類性能。

不同訓練時間段對音樂的分類情況也不同，選取本文分類方法準確率最高的搖滾樂為實驗對象，測試隨著時間段的增加，正確分類率是否會受到影響，結果如圖7所示。

由圖7可知，搖滾樂在時刻為8 s時分類準確率最高，并且隨著時間的增加，準確率呈下降趨勢，說明該模型在分類時不是耗費時間越長準確率就越高，也不是耗費時間越短分類準確率就越低，而是每個時刻的音樂片段都會影響分類信息的提取，因此，只有在特定的時間內分類才會準確。

2.2 分類效果對比分析

為了驗證本文設計模型的分類效果，選擇50名音樂系學生對這10種音樂進行選擇，發現喜歡流行音樂的學生人數最多，其次是搖滾與嘻哈，然后是古典音樂與爵士，喜歡藍點音樂、鄉村音樂、迪斯科、金屬樂和雷鬼音樂人數較少。

將傳統分類效果與本文分類效果進行對比，結果如圖8所示。

由圖8可知，根據調查結果采用基于權值合理分配的電子音樂智能分類模型效果較好，可合理對音樂進行智能分類。

2.3 實驗結論

經過上述實驗內容可知，采用基于權值合理分配的電子音樂智能分類模型需根據特定時間對音樂分類信息進行提取，才會提高分類準確率，具有精準的分類性能，并且該分類模型效果較好，可合理對音樂進行智能分類，進而證明了該方法的合理性。

3 結 語

根據音樂動態特征，對傳統分類方法進行改進，提出基于權值合理分配的電子音樂智能分類模型設計，并利用權值分配隱寫分析算法求取模型動態參數，進而對音樂進行建模，將獲取的向量作為序列模型，并得出分類結果。通過實驗驗證該模型設計的合理性，并能準確對電子音樂進行分類，性能較好。

參考文獻

[1] 楊宇，李紫珠，何知義，等.QGA?VPMCD智能診斷模型研究[J].振動與沖擊，2015，34（13）：31?35.

YANG Yu， LI Zizhu， HE Zhiyi， et al. QGA?VPMCD intelligent diagnosis model [J]. Journal of vibration and shock， 2015， 34（13）： 31?35.

[2] 趙偉，周建輝.基于模糊C均值聚類算法的音樂噴泉智能識別[J].控制工程，2015，22（6）：1057?1062.

ZHAO Wei， ZHOU Jianhui. Based on the fuzzy C?means clustering algorithm music fountain intelligent identification [J]. Control engineering of China， 2015， 22（6）： 1057?1062.

[3] 黃步添，劉琦，何欽銘，等.基于語義嵌入模型與交易信息的智能合約自動分類系統[J].自動化學報，2017，43（9）：1532?1543.

HUANG Butian， LIU Qi， HE Qinming， et al. Intelligent contract automatic classification system based on semantic embedded model and transaction information [J]. Acta automatica sinica， 2017， 43（9）： 1532?1543.

[4] BESSE P C， GUILLOUET B， LOUBES J M， et al. Destination prediction by trajectory distribution based model [EB/OL]. [2017?11?14]. https：//www.fondation?hadamard.fr/sites/default/files/public/bibliotheque/guillouet?pgmodays2017_partie1.pdf.

[5] 葛順，夏學知.一種基于概率影響分析的智能決策模型[J].計算機工程，2016，42（6）：213?217.

GE Shun， XIA Xuezhi. An intelligence decision model based on probabilistic influence analysis [J]. Computer engineering， 2016， 42（6）： 213?217.

[6] 劉紫燕，毛攀，吳俊熊，等.基于改進智能水滴算法的多用戶OFDMA系統資源分配[J].電訊技術，2017，57（2）：161?166.

LIU Ziyan， MAO Pan， WU Junxiong， et al. Resource allocation with improved intelligent water drops algorithm in multi?user OFDMA system [J]. Telecommunication engineering， 2017， 57（2）： 161?166.

[7] 方如舉，王建平，孫偉.基于最小流量的智能配電網WSNs通信模型[J].電子測量與儀器學報，2017，31（8）：1218?1226.

FANG Ruju， WANG Jianping， SUN Wei. WSNs communication model based on minimum traffic for smart distribution grid [J]. Journal of electronic measurement and instrumentation， 2017， 31（8）： 1218?1226.

[8] 吳承毅.基于多維度特征權值動態更新的用戶推薦模型研究[J].現代電子技術，2016，39（15）：127?129.

WU Chengyi. Research on user recommendation model based on multi?dimensional feature weight dynamic update [J]. Modern electronics technique， 2016， 39（15）： 127?129.

[9] 曾奕棠，張玉峰.基于云分類挖掘的物流信息智能分析方法研究[J].情報科學，2016，34（11）：135?139.

ZENG Yitang， ZHANG Yufeng. Research on intelligent analysis method of logistics information based on cloud classification mining [J]. Information science， 2016， 34（11）： 135?139.

[10] CAPELETTO C A， COSTA C， SAYER C， et al. Mathematical modeling of molecular weight distribution in miniemulsion polymerization with oil?soluble initiator [J]. AICHE journal， 2016， 63（6）： 1?7.