胡馨天 崔方達

摘 要：為了提高大提琴音樂信號檢測和識別能力，提出基于頻譜分解的大提琴音樂信號識別方法。構建大提琴音樂信號頻譜特征分解和檢測模型，結合大提琴音樂信號頻譜分析方法進行信號尺度特征分解，根據(jù)模糊信息采樣方法進行大提琴音樂信號的輸出轉換控制。建立大提琴音樂信號的濾波檢測模型，采用反饋調制方法進行大提琴音樂信號的輸出穩(wěn)定性特征采樣和濾波處理，實現(xiàn)對大提琴音樂信號頻譜分解優(yōu)化，根據(jù)頻譜分解結果實現(xiàn)對大提琴音樂信號的優(yōu)化識別。仿真結果表明，采用該方法進行大提琴音樂信號識別的準確概率較高，抗干擾性較強，提高了大提琴音樂信號的輸出頻譜特征分辨能力。

關鍵詞：頻譜分解;大提琴;音樂信號;識別;特征檢測

中圖分類號：TN912.34? 文獻標識碼：A? 文章編號：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?；ヂ?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，用戶就只能花費大量時間逐一瀏覽不同音樂分類下的所有樂曲，導致檢索效率下降，大提琴音樂也是如此。由于大提琴音樂信號識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識別方法具有重要意義。

隨著信號處理技術的發(fā)展，采用該技術進行大提琴音樂信號識別，能夠提高對大提琴音樂的辨識能力，從而改善大提琴訓練效果，因此對大提琴音樂信號識別方法的研究受到人們的極大關注[1]。本文提出基于頻譜分解的大提琴音樂信號識別方法。構建大提琴音樂信號頻譜特征分解和檢測模型，結合大提琴音樂信號頻譜分析方法進行信號尺度特征分解，結合模糊信息采樣方法進行大提琴音樂信號的輸出轉換控制，以此實現(xiàn)對大提琴音樂信號的優(yōu)化識別，通過仿真實驗驗證了該方法的實際應用效果。

1 大提琴音樂信號模型構建和濾波分析

1.1 大提琴音樂信號模型

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

3 仿真實驗分析

為了驗證本文方法在進行大提琴音樂信號識別中的實際應用效果，進行仿真實驗，仿真軟件為Matlab，大提琴音樂信號特征采樣的頻率為15～20KHz，大提琴音樂信號調線的頻譜寬度為12dB，大提琴音樂信號頻譜調制的相位分布為10°-30°，動態(tài)特征演化的快拍數(shù)為120，大提琴音樂信號檢測的模糊迭代次數(shù)為200次，干擾信噪比為-10dB。

利用音頻格式轉換器將原始樣本數(shù)據(jù)轉換為WAV格式，對將原始音頻樣本數(shù)據(jù)分割成多個片段，每個3s。選擇一個片段的音頻關鍵幀中的22個關鍵子帶，計算每一個子帶的能量比，獲取每一幀的頻率和帶寬，最終構建48維的實驗數(shù)據(jù)集。實驗數(shù)據(jù)集描述如下：

基于以上仿真環(huán)境與參數(shù)設定，進行大提琴音樂信號檢測，其中原始信號用圖2表示。

以圖2的原始大提琴音樂信號為測試對象，采用反饋調制方法進行大提琴音樂信號的輸出穩(wěn)定性特征采樣和濾波處理，實現(xiàn)對信號的頻譜特征分解，結果如圖3所示。

分析圖3得知，本文方法能有效實現(xiàn)對大提琴音樂信號頻譜特征分解，提高了信號的特征識別能力。

測試信號識別的準確性，得到結果如圖4所示。

分析圖4可知，與其他方法相比，采用所提方法進行大提琴音樂信號識別的準確率較高，抗干擾性較強，提高了大提琴音樂信號的輸出頻譜特征分辨能力，實際應用效果更好。

在上述實驗的基礎上，采用三種方法進行大提琴音樂信號識別耗時比較，結果如表2所示。

分析表2可知，在100次實驗中，小波檢測方法的大提琴音樂信號識別耗時在8.35～14.52s之間變化，高階譜檢測方法的大提琴音樂信號識別耗時在5.63～8.02s之間變化，而本文方法的識別耗時始終在1.98s以下，說明該方法的大提琴音樂信號識別耗時短，效率高。

測試應用不同方法后的大提琴音樂檢索的查全率與查準率，結果如表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率均較高，說明該方法實際應用效果更好，具有可靠性。

4 結論

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

參考文獻：

〔1〕劉濤，孟青，韓建寧.基于神經(jīng)網(wǎng)絡的計算機通信系統(tǒng)干擾信號分離[J].吉林大學學報（理學版），2017，55（06）：1545-1551.

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

〔3〕韓斌，郝小龍，樊強，等.基于環(huán)狀生成對抗網(wǎng)絡的深度語音去噪方法[J].電子設計工程，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別系統(tǒng)及應用研究[J].宿州學院學報，2019，34（08）：62-65.

〔6〕羅亞松，胡生亮，劉志坤，等.正交頻分復用水聲通信自適應調制算法[J].國防科技大學學報，2017， 39（01）：153-158.

〔7〕馬爽，吳志勇，高世杰，等.改進的大氣激光通信PPM調制解調系統(tǒng)設計[J].哈爾濱工業(yè)大學學報，2016，48（05）：105-109.

〔8〕石磊，朱廣浩.一種基于電-光強度調制的負反饋解調光纖通信方法[J].南京大學學報（自然科學），2015，51（04）：659-664.

〔9〕王艷麗.基于物聯(lián)網(wǎng)與云計算的智能家居安全訪問控制技術研究[J].電視技術，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別研究模型[J].山西師范大學學報：自然科學版，2019，33（02）：85-92.

〔11〕張薇，段京京，王巖松.一種基于隨機散射簇的非平穩(wěn)3D空間信道模型[J].電子與信息學報，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.