基于頻譜分解的大提琴音樂信號(hào)識(shí)別方法研究

胡馨天 崔方達(dá)

摘 要：為了提高大提琴音樂信號(hào)檢測和識(shí)別能力，提出基于頻譜分解的大提琴音樂信號(hào)識(shí)別方法。構(gòu)建大提琴音樂信號(hào)頻譜特征分解和檢測模型，結(jié)合大提琴音樂信號(hào)頻譜分析方法進(jìn)行信號(hào)尺度特征分解，根據(jù)模糊信息采樣方法進(jìn)行大提琴音樂信號(hào)的輸出轉(zhuǎn)換控制。建立大提琴音樂信號(hào)的濾波檢測模型，采用反饋調(diào)制方法進(jìn)行大提琴音樂信號(hào)的輸出穩(wěn)定性特征采樣和濾波處理，實(shí)現(xiàn)對(duì)大提琴音樂信號(hào)頻譜分解優(yōu)化，根據(jù)頻譜分解結(jié)果實(shí)現(xiàn)對(duì)大提琴音樂信號(hào)的優(yōu)化識(shí)別。仿真結(jié)果表明，采用該方法進(jìn)行大提琴音樂信號(hào)識(shí)別的準(zhǔn)確概率較高，抗干擾性較強(qiáng)，提高了大提琴音樂信號(hào)的輸出頻譜特征分辨能力。

關(guān)鍵詞：頻譜分解;大提琴;音樂信號(hào);識(shí)別;特征檢測

中圖分類號(hào)：TN912.34? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1673-260X（2020）10-0028-05

引言

大提琴是一種外來的西方弓弦樂器。到目前為止，大提琴已經(jīng)實(shí)現(xiàn)了與中國本土音樂的深入融合，使其迸發(fā)出了新的生命活力。互聯(lián)網(wǎng)的迅速發(fā)展使得人們獲取信息的手段更加多樣化，越來越多的用戶通過網(wǎng)絡(luò)獲取音樂信息，但是一部分網(wǎng)站所提供的信息有限，用戶就只能花費(fèi)大量時(shí)間逐一瀏覽不同音樂分類下的所有樂曲，導(dǎo)致檢索效率下降，大提琴音樂也是如此。由于大提琴音樂信號(hào)識(shí)別是音樂檢索過程中的最為重要一環(huán)，因此研究大提琴音樂信號(hào)識(shí)別方法具有重要意義。

隨著信號(hào)處理技術(shù)的發(fā)展，采用該技術(shù)進(jìn)行大提琴音樂信號(hào)識(shí)別，能夠提高對(duì)大提琴音樂的辨識(shí)能力，從而改善大提琴訓(xùn)練效果，因此對(duì)大提琴音樂信號(hào)識(shí)別方法的研究受到人們的極大關(guān)注[1]。本文提出基于頻譜分解的大提琴音樂信號(hào)識(shí)別方法。構(gòu)建大提琴音樂信號(hào)頻譜特征分解和檢測模型，結(jié)合大提琴音樂信號(hào)頻譜分析方法進(jìn)行信號(hào)尺度特征分解，結(jié)合模糊信息采樣方法進(jìn)行大提琴音樂信號(hào)的輸出轉(zhuǎn)換控制，以此實(shí)現(xiàn)對(duì)大提琴音樂信號(hào)的優(yōu)化識(shí)別，通過仿真實(shí)驗(yàn)驗(yàn)證了該方法的實(shí)際應(yīng)用效果。

1 大提琴音樂信號(hào)模型構(gòu)建和濾波分析

1.1 大提琴音樂信號(hào)模型

基于頻譜分解的大提琴音樂信號(hào)識(shí)別，首先構(gòu)建大提琴音樂信號(hào)頻譜特征采樣模型，結(jié)合多維信息特征分解方法[2]，進(jìn)行大提琴音樂信號(hào)的特征分解和檢測，采用線性反饋均衡器平衡大提琴音樂信號(hào)多維信息場[3]，在空間信道模型中，進(jìn)行大提琴音樂信號(hào)的輸出穩(wěn)定性控制，采用模糊調(diào)制方法，進(jìn)行大提琴音樂信號(hào)的同步解調(diào)控制[4]，提高大提琴音樂信號(hào)的同步轉(zhuǎn)換控制能力，其中大提琴音樂信號(hào)的采樣模型如圖1所示。

3 仿真實(shí)驗(yàn)分析

為了驗(yàn)證本文方法在進(jìn)行大提琴音樂信號(hào)識(shí)別中的實(shí)際應(yīng)用效果，進(jìn)行仿真實(shí)驗(yàn)，仿真軟件為Matlab，大提琴音樂信號(hào)特征采樣的頻率為15～20KHz，大提琴音樂信號(hào)調(diào)線的頻譜寬度為12dB，大提琴音樂信號(hào)頻譜調(diào)制的相位分布為10°-30°，動(dòng)態(tài)特征演化的快拍數(shù)為120，大提琴音樂信號(hào)檢測的模糊迭代次數(shù)為200次，干擾信噪比為-10dB。

利用音頻格式轉(zhuǎn)換器將原始樣本數(shù)據(jù)轉(zhuǎn)換為WAV格式，對(duì)將原始音頻樣本數(shù)據(jù)分割成多個(gè)片段，每個(gè)3s。選擇一個(gè)片段的音頻關(guān)鍵幀中的22個(gè)關(guān)鍵子帶，計(jì)算每一個(gè)子帶的能量比，獲取每一幀的頻率和帶寬，最終構(gòu)建48維的實(shí)驗(yàn)數(shù)據(jù)集。實(shí)驗(yàn)數(shù)據(jù)集描述如下：

基于以上仿真環(huán)境與參數(shù)設(shè)定，進(jìn)行大提琴音樂信號(hào)檢測，其中原始信號(hào)用圖2表示。

以圖2的原始大提琴音樂信號(hào)為測試對(duì)象，采用反饋調(diào)制方法進(jìn)行大提琴音樂信號(hào)的輸出穩(wěn)定性特征采樣和濾波處理，實(shí)現(xiàn)對(duì)信號(hào)的頻譜特征分解，結(jié)果如圖3所示。

分析圖3得知，本文方法能有效實(shí)現(xiàn)對(duì)大提琴音樂信號(hào)頻譜特征分解，提高了信號(hào)的特征識(shí)別能力。

測試信號(hào)識(shí)別的準(zhǔn)確性，得到結(jié)果如圖4所示。

分析圖4可知，與其他方法相比，采用所提方法進(jìn)行大提琴音樂信號(hào)識(shí)別的準(zhǔn)確率較高，抗干擾性較強(qiáng)，提高了大提琴音樂信號(hào)的輸出頻譜特征分辨能力，實(shí)際應(yīng)用效果更好。

在上述實(shí)驗(yàn)的基礎(chǔ)上，采用三種方法進(jìn)行大提琴音樂信號(hào)識(shí)別耗時(shí)比較，結(jié)果如表2所示。

分析表2可知，在100次實(shí)驗(yàn)中，小波檢測方法的大提琴音樂信號(hào)識(shí)別耗時(shí)在8.35～14.52s之間變化，高階譜檢測方法的大提琴音樂信號(hào)識(shí)別耗時(shí)在5.63～8.02s之間變化，而本文方法的識(shí)別耗時(shí)始終在1.98s以下，說明該方法的大提琴音樂信號(hào)識(shí)別耗時(shí)短，效率高。

測試應(yīng)用不同方法后的大提琴音樂檢索的查全率與查準(zhǔn)率，結(jié)果如表3與表4所示。

分析上表可知，與其他兩種方法相比，本文方法的查全率與查準(zhǔn)率均較高，說明該方法實(shí)際應(yīng)用效果更好，具有可靠性。

4 結(jié)論

本文提出基于頻譜分解的大提琴音樂信號(hào)識(shí)別方法。采用線性反饋均衡器平衡大提琴音樂信號(hào)多維信息場，在空間信道模型中，進(jìn)行大提琴音樂信號(hào)的輸出穩(wěn)定性控制，建立大提琴音樂信號(hào)的濾波檢測模型，采用梅爾頻率倒譜系數(shù)感知方法進(jìn)行大提琴音樂信號(hào)特征建模，利用線性反饋均衡器進(jìn)行大提琴音樂信號(hào)頻譜特征分解過程中的穩(wěn)定性控制，實(shí)現(xiàn)對(duì)大提琴音樂信號(hào)的頻譜分解優(yōu)化，根據(jù)頻譜分解結(jié)果實(shí)現(xiàn)對(duì)大提琴音樂信號(hào)的優(yōu)化識(shí)別。分析得知，采用本文方法的識(shí)別準(zhǔn)確率較高，且抗干擾性較強(qiáng)，提高了大提琴音樂信號(hào)的輸出頻譜特征分辨能力，實(shí)際應(yīng)用效果較好。

參考文獻(xiàn)：

〔1〕劉濤，孟青，韓建寧.基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)通信系統(tǒng)干擾信號(hào)分離[J].吉林大學(xué)學(xué)報(bào)（理學(xué)版），2017，55（06）：1545-1551.

〔2〕李戰(zhàn)明，尚豐.一種基于語音端點(diǎn)檢測的維納濾波語音增強(qiáng)算法[J].電子設(shè)計(jì)工程，2016，24（02）：48-50.

〔3〕韓斌，郝小龍，樊強(qiáng)，等.基于環(huán)狀生成對(duì)抗網(wǎng)絡(luò)的深度語音去噪方法[J].電子設(shè)計(jì)工程，2019，27（12）：163-167.

〔4〕Kumar A， Pooja R， and Singh G K. Design and performance of closed form method for cosine modulated filter bank using different windows functions[J]. International Journal of Speech Technology， 2014， 17（04）： 427-441.

〔5〕房愛東，張志偉，崔琳，等.基于人工智能的語音識(shí)別系統(tǒng)及應(yīng)用研究[J].宿州學(xué)院學(xué)報(bào)，2019，34（08）：62-65.

〔6〕羅亞松，胡生亮，劉志坤，等.正交頻分復(fù)用水聲通信自適應(yīng)調(diào)制算法[J].國防科技大學(xué)學(xué)報(bào)，2017， 39（01）：153-158.

〔7〕馬爽，吳志勇，高世杰，等.改進(jìn)的大氣激光通信PPM調(diào)制解調(diào)系統(tǒng)設(shè)計(jì)[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2016，48（05）：105-109.

〔8〕石磊，朱廣浩.一種基于電-光強(qiáng)度調(diào)制的負(fù)反饋解調(diào)光纖通信方法[J].南京大學(xué)學(xué)報(bào)（自然科學(xué)），2015，51（04）：659-664.

〔9〕王艷麗.基于物聯(lián)網(wǎng)與云計(jì)算的智能家居安全訪問控制技術(shù)研究[J].電視技術(shù)，2018，42（08）：147-150.

〔10〕左正東，萬光彩，杜佳軒.嬰幼兒語音信息處理與識(shí)別研究模型[J].山西師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，33（02）：85-92.

〔11〕張薇，段京京，王巖松.一種基于隨機(jī)散射簇的非平穩(wěn)3D空間信道模型[J].電子與信息學(xué)報(bào)，2018，40（10）：2301-2308.

〔12〕HELMY A， HEDAYAT A， and AL-DHAHIR N. Robust weighted sum-rate maximization for the multi-stream MIMO interference channel with sparse equalization[J]. IEEE Transactions on Communications， 2015， 60（10）： 3645-3659.