李策 李智

摘? 要： 電子音樂(lè)信號(hào)具有非平穩(wěn)性變化特點(diǎn)，當(dāng)前難以準(zhǔn)確描述電子音樂(lè)信號(hào)的變化特點(diǎn)，使得電子音樂(lè)信號(hào)分類(lèi)準(zhǔn)確性不夠，為了提高電子音樂(lè)信號(hào)分類(lèi)準(zhǔn)確性，提出粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法。首先，分析當(dāng)前國(guó)內(nèi)對(duì)電子音樂(lè)信號(hào)的分類(lèi)研究現(xiàn)狀，并采集電子音樂(lè)信號(hào);然后，對(duì)電子音樂(lè)信號(hào)分類(lèi)進(jìn)行噪聲過(guò)濾操作，并提取電子音樂(lè)信號(hào)變化特征;最后，結(jié)合粒子群優(yōu)化算法和支持向量機(jī)的優(yōu)點(diǎn)，建立電子音樂(lè)信號(hào)分類(lèi)模型，并采用多種類(lèi)型的電子音樂(lè)信號(hào)進(jìn)行分類(lèi)性能測(cè)試實(shí)驗(yàn)。結(jié)果表明，粒子群優(yōu)化算法和支持向量機(jī)可以有效區(qū)分各種電子音樂(lè)信號(hào)，電子音樂(lè)信號(hào)分類(lèi)準(zhǔn)確性高，使得電子音樂(lè)信號(hào)分類(lèi)誤差控制在實(shí)際應(yīng)用區(qū)間內(nèi)，同時(shí)，電子音樂(lè)信號(hào)分類(lèi)準(zhǔn)確性和效率要顯著好于對(duì)比電子音樂(lè)信號(hào)分類(lèi)方法。

關(guān)鍵詞： 電子音樂(lè)信號(hào)分類(lèi); 粒子群優(yōu)化算法; 支持向量機(jī); 音樂(lè)信號(hào)采集; 特征提取; 分類(lèi)模型

中圖分類(lèi)號(hào)： TN911.7?34; TP181? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 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世紀(jì)初，由于信號(hào)處理技術(shù)、單頻技術(shù)、電子技術(shù)的發(fā)展，音樂(lè)的發(fā)展達(dá)到了一個(gè)前所未有的高度，在音樂(lè)伴奏中出現(xiàn)了許多電子裝置現(xiàn)場(chǎng)演奏，為觀眾提供了更多的新音色。面對(duì)眾多的電子音樂(lè)，如何進(jìn)行有效區(qū)別，進(jìn)行電子音樂(lè)信號(hào)分類(lèi)具有重要的實(shí)際應(yīng)用意義[1?3]。

最初電子音樂(lè)信號(hào)分類(lèi)通過(guò)一些專(zhuān)業(yè)人員進(jìn)行，該方法不是自動(dòng)分類(lèi)，因此電子音樂(lè)信號(hào)分類(lèi)的效率低，同時(shí)，由于每一個(gè)專(zhuān)業(yè)人員對(duì)每一種電子音樂(lè)信號(hào)的理解不一樣，電子音樂(lè)信號(hào)分類(lèi)結(jié)果具有盲目主觀性，電子音樂(lè)信號(hào)分類(lèi)的可信度低[4?6]。由于人工智能技術(shù)的發(fā)展，一些學(xué)者結(jié)合電子音樂(lè)信號(hào)的特點(diǎn)，設(shè)計(jì)了許多電子音樂(lè)信號(hào)分類(lèi)方法，如基于專(zhuān)家系統(tǒng)的電子音樂(lè)信號(hào)分類(lèi)方法、基于神經(jīng)網(wǎng)絡(luò)的電子音樂(lè)信號(hào)分類(lèi)方法、基于支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法、基于極限學(xué)習(xí)機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法[7?9]。其中，專(zhuān)家系統(tǒng)首先需要建立電子音樂(lè)信號(hào)分類(lèi)的知識(shí)庫(kù)，將待分類(lèi)電子音樂(lè)信號(hào)與知識(shí)庫(kù)進(jìn)行匹配，得到電子音樂(lè)信號(hào)分類(lèi)結(jié)果，該分類(lèi)效果與知識(shí)庫(kù)的優(yōu)劣有關(guān)，因此分類(lèi)結(jié)果穩(wěn)定性不夠[10?12]，神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)屬于基于經(jīng)驗(yàn)風(fēng)險(xiǎn)機(jī)器學(xué)習(xí)算法，它們對(duì)電子音樂(lè)信號(hào)的訓(xùn)練樣本要求比較高，如果不能達(dá)到其要求，電子音樂(lè)信號(hào)會(huì)出現(xiàn)“過(guò)擬合”或者“欠擬合”學(xué)習(xí)結(jié)果。支持向量機(jī)對(duì)電子音樂(lè)信號(hào)分類(lèi)的訓(xùn)練樣本要求較低，但是支持向量機(jī)的參數(shù)難以確定，從而影響電子音樂(lè)信號(hào)分類(lèi)效果[13?15]。

為了解決當(dāng)前方法難以準(zhǔn)確描述電子音樂(lè)信號(hào)的變化特點(diǎn)，分類(lèi)誤差大，為了克服該缺點(diǎn)，提出粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法，結(jié)果表明，粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)準(zhǔn)確性高，分類(lèi)準(zhǔn)確性和效率要顯著優(yōu)于對(duì)比方法。

1? 電子音樂(lè)信號(hào)分類(lèi)方法

1.1? 提取電子音樂(lè)信號(hào)分類(lèi)特征

梅爾頻率頻譜系數(shù)是一種反映電子音樂(lè)信號(hào)的特征參數(shù)，具有良好的識(shí)別能力。人耳所聽(tīng)到的電子音樂(lè)頻率和電子音樂(lè)實(shí)際頻率之間的關(guān)系可以表示為：

[Mel（f）=2 595lg（1+f700）] （1）

梅爾頻率頻譜系數(shù)參數(shù)提取框圖如圖1所示。

電子音樂(lè)信號(hào)分類(lèi)特征參數(shù)提取步驟如下：

1） 對(duì)原始電子音樂(lè)信號(hào)進(jìn)行采集，并采用噪聲過(guò)濾算法去噪聲。

2） 對(duì)去掉噪聲的電子音樂(lè)信號(hào)進(jìn)行加重處理，改善電子音樂(lè)信號(hào)的高頻幅度，進(jìn)而增加電子音樂(lè)信號(hào)的高頻分辨率，具體為：

[H（Z）=1-aZ-1] （2）

式中[a]為預(yù)加重系數(shù)。

3） 根據(jù)電子音樂(lè)信號(hào)具有短時(shí)變化特性，采用分幀算法提取電子音樂(lè)信號(hào)短時(shí)特性。為了減少每幀電子音樂(lè)信號(hào)兩端的預(yù)檢測(cè)誤差，一般采用加窗方法，即：

[W（n）=0.54-0.46cos2πnN-1] （3）

4） 對(duì)電子音樂(lè)信號(hào)的端點(diǎn)進(jìn)行檢測(cè)，提取有效的電子音樂(lè)信號(hào)，去除無(wú)用的干擾信號(hào)，得到每個(gè)電子音樂(lè)信號(hào)幀的時(shí)域信號(hào)[x（n）]。

5） 采用離散傅里葉變換對(duì)時(shí)域信號(hào)[x（n）]進(jìn)行處理，得到線性頻譜[X（k）]，具體為：

[X（k）=n=0N-1x（n）e-j2πnkN] （4）

6） 采用梅爾頻率濾波器組對(duì)線性頻譜[X（k）]進(jìn)行處理，得到梅爾頻率頻譜。梅爾頻率濾波器組設(shè)計(jì)如下：

[Hp（k）=0，? ? ? ?kf（p+1）]? （5）

式中[0≤p

7） 通過(guò)對(duì)數(shù)能量對(duì)梅爾頻率頻譜進(jìn)行處理，得到對(duì)數(shù)頻譜[S（p）]，具體為：

[S（p）=lnk=0N-1X（K）2Hp（k）]? ? ?（6）

8） 采用離散余弦變換對(duì)[S（p）]進(jìn)行處理，得到倒譜域，即梅爾頻率頻譜系數(shù)參數(shù)[c（n）]：

[c（n）=p=0P-1S（p）cosπn（p+1/2）p]? ? （7）

在電子音樂(lè)信號(hào)分類(lèi)的實(shí)際過(guò)程中，不提取所有梅爾頻率頻譜系數(shù)特征參數(shù)，而是提取最前面多個(gè)梅爾頻率頻譜系數(shù)特征參數(shù)，本文提取12維梅爾頻率頻譜系數(shù)參數(shù)。

1.2? 粒子群優(yōu)化算法

設(shè)[m]個(gè)粒子組成種群[x=x1，x2，…，xmT]，第[i]個(gè)粒子和粒子群的當(dāng)前最優(yōu)位置為[pi=pi，1，pi，2，…，pi，nT]和[pg=pg，1，pg，2，…，pg，nT]，第[k]次迭代時(shí)，粒子的速度和位置分別為[vki，d]和[xki，d]，第[k+1]次迭代時(shí)，粒子狀態(tài)更新公式為：

[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]表示粒子的維數(shù);[ω]表示權(quán)重因子。

1.3? 支持向量機(jī)

給定數(shù)據(jù)集[G={（xi，yi）}mi=1]，支持向量機(jī)的分類(lèi)形式為：

[f（x）=ω，?（x）+b] （10）

根據(jù)正則化風(fēng)險(xiǎn)泛化原則可以得到：

[R（ω）=12ω2+Ci=1mL（f（xi），yi）] （11）

式中：[C]為懲罰系數(shù);[L（ ）]表示損失函數(shù)，具體為：

[Lε（f（x），y）=maxf（x）-y-ε，0]? （12）

對(duì)[R（ω）]進(jìn)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。

將[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）]為核函數(shù)，采用徑向基核函數(shù)：

[k（xi，x）=exp-x-xi22σ2]? ? ? （15）

式中[σ]表示徑向基寬度。

由于參數(shù)[C]和[σ]需要優(yōu)化，本文采用粒子群優(yōu)化算法確定參數(shù)[C]和[σ]的值。

1.4? 分類(lèi)流程

基于粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)流程為：首先采集電子音樂(lè)信號(hào)，并對(duì)電子音樂(lè)信號(hào)進(jìn)行噪聲過(guò)濾操作，然后提取電子音樂(lè)信號(hào)變化的梅爾頻率頻譜系數(shù)特征參數(shù)，最后結(jié)合粒子群優(yōu)化算法和支持向量機(jī)的優(yōu)點(diǎn)，建立電子音樂(lè)信號(hào)分類(lèi)模型，具體如圖2所示。

2? 電子音樂(lè)信號(hào)分類(lèi)效果測(cè)試

2.1? 電子音樂(lè)信號(hào)的數(shù)據(jù)

為了驗(yàn)證粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法的性能，選擇B1ues，Country，Disco，Metal，Rock等5種電子音樂(lè)信號(hào)作為實(shí)驗(yàn)對(duì)象，每一種電子音樂(lè)信號(hào)的樣本數(shù)量如表1所示。采用Matlab實(shí)現(xiàn)電子音樂(lè)信號(hào)分類(lèi)的仿真實(shí)驗(yàn)。

采用粒子群優(yōu)化算法確定支持向量機(jī)的參數(shù)[C]和[σ]的值，如表2所示。根據(jù)[C]和[σ]的值建立電子音樂(lè)信號(hào)分類(lèi)器。

2.2? 分類(lèi)結(jié)果

采用粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法對(duì)表1中的數(shù)據(jù)進(jìn)行分類(lèi)，得到的結(jié)果如表3所示。從表3可以看出，粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法正確率平均值為93.466%，表明該方法是一種有效的電子音樂(lè)信號(hào)分類(lèi)方法，能夠?qū)Ω鞣N電子音樂(lè)信號(hào)進(jìn)行準(zhǔn)確識(shí)別。

2.3? 分類(lèi)結(jié)果對(duì)比

為了測(cè)試粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法的優(yōu)越性，采用相同的電子音樂(lè)信號(hào)，在相同環(huán)境下進(jìn)行分類(lèi)，采用標(biāo)準(zhǔn)支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法、文獻(xiàn)[15]的電子音樂(lè)信號(hào)分類(lèi)方法進(jìn)行對(duì)比測(cè)試，得到的電子音樂(lè)信號(hào)分類(lèi)正確率如圖3所示。

由圖3可以看出，粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)正確率要高于標(biāo)準(zhǔn)支持向量機(jī)、文獻(xiàn)[15]的分類(lèi)方法，電子音樂(lè)信號(hào)分類(lèi)錯(cuò)誤的概率得到有效抑制，獲得了理想的分類(lèi)結(jié)果。

2.4? 分類(lèi)時(shí)間對(duì)比

統(tǒng)計(jì)粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法與經(jīng)典方法的電子音樂(lè)信號(hào)分類(lèi)時(shí)間，結(jié)果如表4所示。由表4可以看出，粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)時(shí)間平均值為1.92 s，標(biāo)準(zhǔn)支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)時(shí)間平均值為8.33 s，文獻(xiàn)[15]的電子音樂(lè)信號(hào)分類(lèi)時(shí)間平均值為5.81 s，由此可見(jiàn)，本文方法的分類(lèi)時(shí)間最少，獲得了更高效率的電子音樂(lè)信號(hào)分類(lèi)結(jié)果。

3? 結(jié)? 語(yǔ)

結(jié)合電子音樂(lè)信號(hào)的非平穩(wěn)性變化特點(diǎn)，為了解決標(biāo)準(zhǔn)支持向量機(jī)的參數(shù)優(yōu)化難題，提出粒子群優(yōu)化算法和支持向量機(jī)的電子音樂(lè)信號(hào)分類(lèi)方法。采用多種類(lèi)型的電子音樂(lè)信號(hào)與經(jīng)典方法進(jìn)行了對(duì)比測(cè)試，結(jié)果表明，粒子群優(yōu)化算法和支持向量機(jī)的方法可以高精度識(shí)別各種電子音樂(lè)信號(hào)，分類(lèi)誤差小于對(duì)比方法，減少了電子音樂(lè)信號(hào)分類(lèi)時(shí)間，驗(yàn)證了本文方法用于電子音樂(lè)信號(hào)分類(lèi)的優(yōu)越性。

參考文獻(xiàn)

[1] 肖川，李偉，殷玥，等.多版本音樂(lè)識(shí)別技術(shù)研究綜述[J].小型微型計(jì)算機(jī)系統(tǒng)，2012，33（8）：1841?1846.

[2] 張秀，李念祖，李曉強(qiáng)，等.基于Chroma?based BOW特征的多版本音樂(lè)識(shí)別[J].小型微型計(jì)算機(jī)系統(tǒng)，2015，36（2）：397?400.

[3] 薛翔，趙宇翔.音樂(lè)平臺(tái)中音樂(lè)分類(lèi)體系的用戶心智模型研究：以高校學(xué)生群體為例[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2019，3（2）：1?12.

[4] 肖曉紅，張懿，劉冬生，等.基于隱馬爾可夫模型的音樂(lè)分類(lèi)[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（16）：138?143.

[5] 吳淦洲.基于特征提取與神經(jīng)網(wǎng)絡(luò)的音樂(lè)分類(lèi)方法[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2014，44（5）：94?100.

[6] 張寶印，于俊清，唐九飛，等.面向情感的電影背景音樂(lè)分類(lèi)方法[J].計(jì)算機(jī)科學(xué)，2013，40（12）：37?40.

[7] 王大海，任偉家，鄒權(quán).基于集成學(xué)習(xí)的音樂(lè)識(shí)別方法研究[J].計(jì)算機(jī)科學(xué)，2012，39（12）：184?187.

[8] 劉彪，黃蓉蓉，林和，等.基于卷積神經(jīng)網(wǎng)絡(luò)的盲文音樂(lè)識(shí)別研究[J].智能系統(tǒng)學(xué)報(bào)，2019，14（1）：186?193.

[9] 徐桂彬，鄧偉.結(jié)合DCTM與HMM的音樂(lè)分類(lèi)方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（11）：4245?4249.

[10] 李劍.神經(jīng)網(wǎng)絡(luò)在音樂(lè)分類(lèi)中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2010，27（11）：168?171.

[11] 楊圣云，賴(lài)國(guó)明，袁德輝.基于串核的音樂(lè)分類(lèi)研究[J].計(jì)算機(jī)工程與應(yīng)用，2008（16）：243?245.

[12] 胡艷芳，吳及，劉慧星.基于MLER的語(yǔ)音/音樂(lè)分類(lèi)方法[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2008（z1）：720?724.

[13] 陳功，張雄偉.一種基于灰關(guān)聯(lián)分析的語(yǔ)音/音樂(lè)分類(lèi)方法[J].聲學(xué)技術(shù)，2007（2）：262?267.

[14] 楊曉宇，黃浩，王浩華.基于改進(jìn)的T型關(guān)聯(lián)度在音樂(lè)分類(lèi)中的應(yīng)用[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2017，47（20）：155?163.

[15] 劉天華.基于多特征融合和神經(jīng)網(wǎng)絡(luò)的電子音樂(lè)分類(lèi)模型[J].現(xiàn)代電子技術(shù)，2018，41（19）：173?176.

作者簡(jiǎn)介：李? 策（1978—），男，黑龍江佳木斯人，碩士，副教授，研究方向?yàn)橐魳?lè)教育。

李? 智（1978—），男，黑龍江佳木斯人，碩士研究生，教授，研究方向?yàn)橐魳?lè)教育。