粒子群优化算法和支持向量机的电子音乐信号分类研究

来源:用户上传      作者:

　　摘  要： 电子音乐信号具有非平稳性变化特点，当前难以准确描述电子音乐信号的变化特点，使得电子音乐信号分类准确性不够，为了提高电子音乐信号分类准确性，提出粒子群优化算法和支持向量机的电子音乐信号分类方法。首先，分析当前国内对电子音乐信号的分类研究现状，并采集电子音乐信号;然后，对电子音乐信号分类进行噪声过滤操作，并提取电子音乐信号变化特征;最后，结合粒子群优化算法和支持向量机的优点，建立电子音乐信号分类模型，并采用多种类型的电子音乐信号进行分类性能测试实验。结果表明，粒子群优化算法和支持向量机可以有效区分各种电子音乐信号，电子音乐信号分类准确性高，使得电子音乐信号分类误差控制在实际应用区间内，同时，电子音乐信号分类准确性和效率要显著好于对比电子音乐信号分类方法。
　　关键词： 电子音乐信号分类; 粒子群优化算法; 支持向量機; 音乐信号采集; 特征提取; 分类模型
　　中图分类号： TN911.7?34; TP181                   文献标识码： A                    文章编号： 1004?373X（2020）21?0051?04
　　Research on electronic music signal classification based on particle swarm
　　optimization algorithm and support vector machine
　　LI Ce1， LI Zhi2
　　（1. Jiamusi University， Jiamusi 154002， China; 2. Qiongtai Normal University， Haikou 571100， China）
　　Abstract： The electronic music signals have the characteristic of non?stationary change， so it is difficult to accurately describe their change characteristics at present， which makes the electronic music signal classification accuracy unsatisfied. In order to improve the classification accuracy， an electronic music signal classification method combining particle swarm optimization algorithm and support vector machine is proposed. The current research status of electronic music signal classification in China is analyzed in this paper. The electronic music signals are collected first， and then subjected into noise filtering operation for the extraction of their change characteristics. The electronic music signal classification model is built in combination with the advantages of particle swarm optimization and support vector machine. Various types of electronic music signals are adopted to test the classification performance of the proposed model. The results show that the model based on particle swarm optimization algorithm and support vector machine can effectively distinguish all kinds of electronic music signals， so its classification accuracy is high， which keeps the electronic music signal classification error within a reasonable range for the practical application. The classification accuracy and efficiency obtained with the proposed method are better than those obtained with other methods.
　　Keywords： electronic music signal classification; particle swarm optimization algorithm; support vector machine; music signal acquisition; feature extraction; classification model 　　0  引  言
　　20世纪初，由于信号处理技术、单频技术、电子技术的发展，音乐的发展达到了一个前所未有的高度，在音乐伴奏中出现了许多电子装置现场演奏，为观众提供了更多的新音色。面对众多的电子音乐，如何进行有效区别，进行电子音乐信号分类具有重要的实际应用意义[1?3]。
　　最初电子音乐信号分类通过一些专业人员进行，该方法不是自动分类，因此电子音乐信号分类的效率低，同时，由于每一个专业人员对每一种电子音乐信号的理解不一样，电子音乐信号分类结果具有盲目主观性，电子音乐信号分类的可信度低[4?6]。由于人工智能技术的发展，一些学者结合电子音乐信号的特点，设计了许多电子音乐信号分类方法，如基于专家系统的电子音乐信号分类方法、基于神经网络的电子音乐信号分类方法、基于支持向量机的电子音乐信号分类方法、基于极限学习机的电子音乐信号分类方法[7?9]。其中，专家系统首先需要建立电子音乐信号分类的知识库，将待分类电子音乐信号与知识库进行匹配，得到电子音乐信号分类结果，该分类效果与知识库的优劣有关，因此分类结果稳定性不够[10?12]，神经网络、极限学习机属于基于经验风险机器学习算法，它们对电子音乐信号的训练样本要求比较高，如果不能达到其要求，电子音乐信号会出现“过拟合”或者“欠拟合”学习结果。支持向量机对电子音乐信号分类的训练样本要求较低，但是支持向量机的参数难以确定，从而影响电子音乐信号分类效果[13?15]。
　　为了解决当前方法难以准确描述电子音乐信号的变化特点，分类误差大，为了克服该缺点，提出粒子群优化算法和支持向量机的电子音乐信号分类方法，结果表明，粒子群优化算法和支持向量机的电子音乐信号分类准确性高，分类准确性和效率要显著优于对比方法。
　　1  电子音乐信号分类方法
　　1.1  提取电子音乐信号分类特征
　　梅尔频率频谱系数是一种反映电子音乐信号的特征参数，具有良好的识别能力。人耳所听到的电子音乐频率和电子音乐实际频率之间的关系可以表示为：
　　[Mel（f）=2 595lg（1+f700）] （1）
　　梅尔频率频谱系数参数提取框图如图1所示。
　　电子音乐信号分类特征参数提取步骤如下：
　　1） 对原始电子音乐信号进行采集，并采用噪声过滤算法去噪声。
　　2） 对去掉噪声的电子音乐信号进行加重处理，改善电子音乐信号的高频幅度，进而增加电子音乐信号的高频分辨率，具体为：
　　[H（Z）=1-aZ-1] （2）
　　式中[a]为预加重系数。
　　3） 根据电子音乐信号具有短时变化特性，采用分帧算法提取电子音乐信号短时特性。为了减少每帧电子音乐信号两端的预检测误差，一般采用加窗方法，即：
　　[W（n）=0.54-0.46cos2πnN-1] （3）
　　4） 对电子音乐信号的端点进行检测，提取有效的电子音乐信号，去除无用的干扰信号，得到每个电子音乐信号帧的时域信号[x（n）]。
　　5） 采用离散傅里叶变换对时域信号[x（n）]进行处理，得到线性频谱[X（k）]，具体为：
　　[X（k）=n=0N-1x（n）e-j2πnkN] （4）
　　6） 采用梅尔频率滤波器组对线性频谱[X（k）]进行处理，得到梅尔频率频谱。梅尔频率滤波器组设计如下：
　　[Hp（k）=0，       k<f（p-1）k-f（p-1）f（p）-f（p-1），     f（p-1）≤k≤f（p）f（p+1）-kf（p+1）-f（p），     f（p）<k≤f（p+1）0，           k>f（p+1）]  （5）
　　式中[0≤p<P]，[P]为滤波器的个数。
　　7） 通过对数能量对梅尔频率频谱进行处理，得到对数频谱[S（p）]，具体为：
　　[S（p）=lnk=0N-1X（K）2Hp（k）]     （6）
　　8） 采用离散余弦变换对[S（p）]进行处理，得到倒谱域，即梅尔频率频谱系数参数[c（n）]：
　　[c（n）=p=0P-1S（p）cosπn（p+1/2）p]    （7）
　　在电子音乐信号分类的实际过程中，不提取所有梅尔频率频谱系数特征參数，而是提取最前面多个梅尔频率频谱系数特征参数，本文提取12维梅尔频率频谱系数参数。
　　1.2  粒子群优化算法
　　设[m]个粒子组成种群[x=x1，x2，…，xmT]，第[i]个粒子和粒子群的当前最优位置为[pi=pi，1，pi，2，…，pi，nT]和[pg=pg，1，pg，2，…，pg，nT]，第[k]次迭代时，粒子的速度和位置分别为[vki，d]和[xki，d]，第[k+1]次迭代时，粒子状态更新公式为：
　　[vk+1i，d=ωvki，d+c1r1（pki，d-xki，d）+c2r2（pkg，d-xki，d）] （8）
　　[xk+1i，d=xki，d+vki，d] （9）
　　式中：[d]表示粒子的维数;[ω]表示权重因子。
　　1.3  支持向量机
　　给定数据集[G={（xi，yi）}mi=1]，支持向量机的分类形式为：
　　[f（x）=ω，?（x）+b] （10）
　　根据正则化风险泛化原则可以得到：
　　[R（ω）=12ω2+Ci=1mL（f（xi），yi）] （11） 　　式中：[C]为惩罚系数;[L（ ）]表示损失函数，具体为：
　　[Lε（f（x），y）=maxf（x）-y-ε，0]  （12）
　　对[R（ω）]进行最小化操作，可以得到：
　　[ω=i=1m（αi-α*i）?（xi）]     （13）
　　式中[αi]，[α*i]是拉格朗日乘子。
　　将[ω]代入式（10）得：
　　[f（x）=i=1m（αi-α*i）?（xi），?（x）+b=i=1m（αi-α*i）k（xi，x）+b]      （14）
　　式中：[k（xi，x）=?（xi），?（x）]为核函数，采用径向基核函数：
　　[k（xi，x）=exp-x-xi22σ2]      （15）
　　式中[σ]表示径向基宽度。
　　由于参数[C]和[σ]需要优化，本文采用粒子群优化算法确定参数[C]和[σ]的值。
　　1.4  分类流程
　　基于粒子群优化算法和支持向量机的电子音乐信号分类流程为：首先采集电子音乐信号，并对电子音乐信号进行噪声过滤操作，然后提取电子音乐信号变化的梅尔频率频谱系数特征参数，最后结合粒子群优化算法和支持向量机的优点，建立电子音乐信号分类模型，具体如图2所示。
　　2  电子音乐信号分类效果测试
　　2.1  电子音乐信号的数据
　　为了验证粒子群优化算法和支持向量机的电子音乐信号分类方法的性能，选择B1ues，Country，Disco，Metal，Rock等5种电子音乐信号作为实验对象，每一种电子音乐信号的样本数量如表1所示。采用Matlab实现电子音乐信号分类的仿真实验。
　　采用粒子群优化算法确定支持向量机的参数[C]和[σ]的值，如表2所示。根据[C]和[σ]的值建立电子音乐信号分类器。
　　2.2  分类结果
　　采用粒子群优化算法和支持向量机的电子音乐信号分类方法对表1中的数据进行分类，得到的结果如表3所示。从表3可以看出，粒子群优化算法和支持向量机的电子音乐信号分类方法正确率平均值为93.466%，表明该方法是一种有效的电子音乐信号分类方法，能够对各种电子音乐信号进行准确识别。
　　2.3  分类结果对比
　　为了测试粒子群优化算法和支持向量机的电子音乐信号分类方法的优越性，采用相同的电子音乐信号，在相同环境下进行分类，采用标准支持向量机的电子音乐信号分类方法、文献[15]的电子音乐信号分类方法进行对比测试，得到的电子音乐信号分类正确率如图3所示。
　　由图3可以看出，粒子群优化算法和支持向量机的电子音乐信号分类正确率要高于标准支持向量机、文献[15]的分类方法，电子音乐信号分类错误的概率得到有效抑制，获得了理想的分类结果。
　　2.4  分类时间对比
　　统计粒子群优化算法和支持向量机的电子音乐信号分类方法与经典方法的电子音乐信号分类时间，结果如表4所示。由表4可以看出，粒子群优化算法和支持向量机的电子音乐信号分类时间平均值为1.92 s，标准支持向量机的电子音乐信号分类时间平均值为8.33 s，文献[15]的电子音乐信号分类时间平均值为5.81 s，由此可见，本文方法的分类时间最少，获得了更高效率的电子音乐信号分类结果。
　　3  结  语
　　结合电子音乐信号的非平稳性变化特点，为了解决标准支持向量机的参数优化难题，提出粒子群优化算法和支持向量机的电子音乐信号分类方法。采用多种类型的电子音乐信号与经典方法进行了对比测试，结果表明，粒子群优化算法和支持向量机的方法可以高精度识别各种电子音乐信号，分类误差小于对比方法，减少了电子音乐信号分类时间，验证了本文方法用于电子音乐信号分类的优越性。
　　参考文献
　　[1] 肖川，李伟，殷玥，等.多版本音乐识别技术研究综述[J].小型微型计算机系统，2012，33（8）：1841?1846.
　　[2] 张秀，李念祖，李晓强，等.基于Chroma?based BOW特征的多版本音乐识别[J].小型微型计算机系统，2015，36（2）：397?400.
　　[3] 薛翔，赵宇翔.音乐平台中音乐分类体系的用户心智模型研究：以高校学生群体为例[J].数据分析与知识发现，2019，3（2）：1?12.
　　[4] 肖晓红，张懿，刘冬生，等.基于隐马尔可夫模型的音乐分类[J].计算机工程与应用，2017，53（16）：138?143.
　　[5] 吴淦洲.基于特征提取与神经网络的音乐分类方法[J].数学的实践与认识，2014，44（5）：94?100.
　　[6] 张宝印，于俊清，唐九飞，等.面向情感的电影背景音乐分类方法[J].计算机科学，2013，40（12）：37?40.
　　[7] 王大海，任伟家，邹权.基于集成学习的音乐识别方法研究[J].计算机科学，2012，39（12）：184?187.
　　[8] 刘彪，黄蓉蓉，林和，等.基于卷积神经网络的盲文音乐识别研究[J].智能系统学报，2019，14（1）：186?193.
　　[9] 徐桂彬，邓伟.结合DCTM与HMM的音乐分类方法[J].计算机工程与设计，2012，33（11）：4245?4249.
　　[10] 李剑.神经网络在音乐分类中的应用研究[J].计算机仿真，2010，27（11）：168?171.
　　[11] 杨圣云，赖国明，袁德辉.基于串核的音乐分类研究[J].计算机工程与应用，2008（16）：243?245.
　　[12] 胡艳芳，吴及，刘慧星.基于MLER的语音/音乐分类方法[J].清华大学学报（自然科学版），2008（z1）：720?724.
　　[13] 陈功，张雄伟.一种基于灰关联分析的语音/音乐分类方法[J].声学技术，2007（2）：262?267.
　　[14] 杨晓宇，黄浩，王浩华.基于改进的T型关联度在音乐分类中的应用[J].数学的实践与认识，2017，47（20）：155?163.
　　[15] 刘天华.基于多特征融合和神经网络的电子音乐分类模型[J].现代电子技术，2018，41（19）：173?176.
　　作者简介：李  策（1978—），男，黑龙江佳木斯人，硕士，副教授，研究方向为音乐教育。
　　李  智（1978—），男，黑龙江佳木斯人，硕士研究生，教授，研究方向为音乐教育。
转载注明来源:https://www.xzbu.com/8/view-15363571.htm