摘? 要： 為了解決傳統(tǒng)電子音樂類型分類方法檢測準確率不高的問題，提出一種多噪聲背景的電子音樂類型分類方法。首先，降噪處理噪聲環(huán)境下的電子音樂，得到含有噪聲的電子音樂頻譜，利用感知小波包變換提取噪聲的特征，采樣噪聲的特征值并計算噪聲的短時能量，得到電子音樂降噪表達式，計算頻譜的二階矩，得到不含噪聲的電子音樂短時能量特征;然后，使用短時傅里葉變換計算得到每幀中所有電子音樂點的倒譜系數(shù)，利用倒譜系數(shù)得到計算電子音樂類型的二維矩陣，通過小波變換將噪聲處理表達式與計算電子音樂類型的二維矩陣，處理為最終的噪聲環(huán)境下的電子音樂類型檢測表達式。實驗結果表明，與兩種傳統(tǒng)噪聲環(huán)境下的電子音樂類型分類方法相比，多噪聲背景的電子音樂類型分類方法檢測準確率更高，更適合在噪聲環(huán)境下檢測電子音樂類型。

關鍵詞： 電子音樂分類; 多種噪聲環(huán)境; 電子音樂降噪; 噪聲特征提取; 倒譜系數(shù); 二維矩陣計算

中圖分類號： TN911.4?34; TP181? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）21?0110?04

Classification modeling and analysis of electronic music with multi?noise background

SUN Gangping

（Taiyuan University， Taiyuan 030012， China）

Abstract： In view of the low detection accuracy of the traditional electronic music type classification methods， a classification method of electronic music with multi?noise background is proposed. The electronic music in noisy environment is denoised to obtain the electronic music spectrum with noise. The perceptual wavelet packet transform is used to extract the characteristics of the noise. The eigenvalues of the noise are sampled and the short?term energy of the noise is calculated， so as to get the expression of electronic music denoising. The second moment of spectrum is calculated to get the short?term energy feature of electronic music without noise. Then the short?time Fourier transform is used to calculate the cepstrum coefficients of all electronic music points in each frame， and the obtained cepstrum coefficients are used to get the two?dimensional matrix for calculating electronic music types. The noise processing expression and the two?dimensional matrix for calculating electronic music types are processed into the electronic music type detection expression in the final noise environment by wavelet transform. The experimental results show that， in comparison with the two traditional electronic music type classification methods in noisy environment， the detection accuracy of the classification method of electronic music in multi?noise environment is higher， and it is more suitable for detecting electronic music type in noisy environment.

Keywords： electronic music classification; multi?noise environment; electronic music denoising; noise feature extraction; cepstrum coefficient; two?dimensional matrix calculation

0? 引? 言

噪聲是一類引起人煩躁、或音量過強而危害人體健康的聲音[1]。噪聲的種類可按照噪聲源的特點分類，共分為四大類：工業(yè)生產(chǎn)噪聲、建筑施工噪聲、交通運輸噪聲和社會噪聲[2]。多種噪聲環(huán)境就是混雜了這四種噪聲的環(huán)境。電子音樂是使用電子樂器以及電子音樂技術而制作的音樂，一般而言，可使用電子機械技術制作的聲音區(qū)別電子音樂的類型。隨著數(shù)字音樂的不斷發(fā)展，如何快速、準確地處理電子音樂已經(jīng)成為音樂發(fā)展的需要。研究多噪聲背景電子音樂類型分類方法，可以將電子音樂的特征通過公式表現(xiàn)出來，即使處在多種噪聲環(huán)境的影響下，也可以利用算法公式檢測出電子音樂的類型[3]。

1? 多噪聲背景電子音樂類型檢驗算法設計

1.1? 計算電子音樂降噪表達式

在多種噪聲環(huán)境下，隨機播放一段20 s的電子音樂，計算得出20 s的電子音樂中，共有40 000個音樂點[4]。繪制出這40 000個音樂點的頻譜，如圖1所示。

為了減少在音樂頻譜中高頻分量的損失，突出高頻的共振峰，預處理這段含噪聲的電子音樂頻譜[5]。[H（z）=1-az-1]，式中：[a]是一個介于0.9～1.0之間的常數(shù);[H]代表預處理過程;[z]表示夾雜著噪聲的音樂頻率峰值。此時的噪聲數(shù)據(jù)可表示為：

[y（n）=s（n）-as（n-1）]? （1）

式中：[y（n）]表示噪聲的時域數(shù)據(jù);[n]表示夾雜著噪聲的電子音樂信號;[s（n）]代表噪聲信號;[a]為一個常數(shù)。

使用感知小波包變換提取噪聲特征，然后采用分解樹結構，處理組成噪聲特征的噪聲頻率群臨界帶，聯(lián)合巴克尺度[[bark]]計算改變后的噪聲臨界帶的值[z（f）]：

[z（f）=13arctan（7.6×10-4f）+3.5arctan（1.33×10-4f）[bark]] （2）

式中[f]是線性頻率，單位是Hz。

為了確定有效的bark數(shù)目，采樣電子音樂頻率，設置電子音樂中的噪聲采樣頻率為10 Hz，并獲得5 Hz的帶寬，此時的帶寬存在大約18個臨界點[6]。加窗DFT處理帶寬中的臨界點，設[X=[x（0），x（1），…，x（N-1）]T]，其中：[X]為一帶寬中[N]個采樣點的數(shù)據(jù);[T]為采樣次數(shù)。計算采樣點的短時能量[En]為：

[En=m=0N-1x2n（m）] （3）

式中[m]為采樣系數(shù)。

得到采樣點的短時能量幅度變化如圖2所示。

由圖2可知，每個采樣點的短時能量[En]值不同，一般來講，噪聲摻雜多的電子音樂短時能量值要比含有噪聲種類少的電子音樂短時能量的值小[7]。含有噪聲的電子音樂頻譜中頻帶之間的變化平緩，定義采樣的噪聲頻帶中的信號矢量[Xf（m）]為：[Xf（m）=Xf（m，1），Xf（m，2），…，][Xf（m，N）]，平滑處理得到[Xf（m）=Xf（m，1），Xf（m，2），…，]

[Xf（m，N）]，取平滑處理得到公式的對數(shù)為：

[Xf（m）=10ln（Xf（m））] （4）

此時的式（4）就是電子音樂的降噪處理公式，可以降噪處理多噪聲背景電子音樂，形成不摻雜噪聲的電子音樂頻譜，排除噪聲對電子音樂類型檢測工作的干擾，然后針對電子音樂自身的類型特征，建立電子音樂檢測矩陣[8]。

1.2? 建立電子音樂類型檢測矩陣

電子音樂存在多種類型，每一種類型的電子音樂存在不同的短時能量特征，為了統(tǒng)一多種類型電子音樂的頻譜特征，計算圖2中頻譜變化較大部分的頻譜信號方差值，其數(shù)學表達式為：

[sp=i=1N（fi-C）2p（fi）i=1Np（fi）] （5）

式中：sp表示頻譜的二階矩值;[fi]為頻譜的頻率值;[C]為常數(shù);[p]表示特征函數(shù)。

頻譜方差可以描述電子音樂類型頻譜信號分布的對稱程度，當sp為零時，此時的電子音樂頻譜是對稱的，符合多種類型電子音樂的頻譜特征[9]。所以，此公式可以概括大部分電子音樂類型特征。然后以此頻譜特征計算公式為基礎，計算對稱頻譜內的每種電子音樂類型的短時能量特征sk，繪制電子音樂類型短時能量的頻譜如圖3所示。

分兩部分處理圖3的短時能量頻譜，分別對每個部分的電子音樂短時特征加漢明窗處理，使用短時傅里葉變換，計算得到每部分中所有電子音樂點的倒譜系數(shù)[G]為：

[G=G1，G2，…，G3=110i=110Gi1，110i=110Gi2，…，110i=110GiL] （6）

計算每個采樣點的[G]值，得到一個大小為[N×L]的[y（n）]二維矩陣：

[y（n）=y11y12…y1Ly21y22…y2L????yN1yN2…yNL] （7）

矩陣中的一行代表一部分中的采樣行，兩個部分共有[L]個點，每個點代表不同類型電子音樂的短時能量[10]。式中[y11]代表電子音樂起始點的第一個短時能量點，此時的式（7）矩陣就是檢測電子音樂類型的檢測矩陣。在構建多噪聲背景的電子音樂類型分類方法時，聯(lián)合電子音樂降噪表達式整合最終的公式，實現(xiàn)在多噪聲背景下對電子音樂類型進行檢測[11]。

1.3? 構建噪聲環(huán)境電子音樂類型分類方法

使用電子音樂降噪式（6）與電子音樂類型檢測矩陣式（7），小波變換處理這兩個公式，定義兩個公式的平方可積函數(shù)[φ（t）]滿足母小波條件：[-∞+∞φ（ω）2ω-1dω<+∞]，其中，[ω]為小波系數(shù)[12]。將式（1）用[a]代替，式（2）用[b]代替，設定此時的[a]與[b]同時滿足[φa，b=1aφt-ba]，[t]表示式（1）與式（2）之間的脈沖系數(shù)[13]。所以最終得到的抗噪聲電子音樂類型檢測表達式為：

[f（t）=1CφRR1a2Wf（a，b）φt-badadb]? ? ?（8）

式中：[C]是一個在0.5～0.7之間的一個常數(shù);[Wf]表示頻帶系數(shù);[R]為覆蓋的信號頻帶[14]。

在多種噪聲環(huán)境下對電子音樂類型分類方法的工作流程如圖4所示。

算法的計算過程如圖4所示，使用式（8）計算多噪聲背景電子音樂類型時，[f（t）]的值不同，代表不同的電子音樂類型[15]。數(shù)值與音樂類型的對應如表1所示。按照圖4的計算步驟得出數(shù)值，對照數(shù)值對應的電子音樂類型，完成對多種噪聲環(huán)境下電子音樂類型的檢測計算。

2? 仿真實驗

2.1? 實驗設計

多噪聲背景的電子音樂類型檢驗算法需要依托計算機實現(xiàn)，準備1臺參數(shù)如表2所示的計算機。將三種分類方法編程錄入準確率計算程序中，在電子音樂類型選項中選擇4種電子音樂類型，使用三種類型檢驗算法，計算三種類型分類方法的準確率。

2.2? 實驗結果與分析

計算三種類型檢測的準確率如圖5～圖7所示。從圖5～圖7可知：傳統(tǒng)分類方法1計算檢測2種電子音樂類型，檢測準確率為75%;傳統(tǒng)分類方法2在計算3種電子音樂類型時，其準確率為87.5%;而使用了多噪聲背景電子音樂類型分類方法計算4種電子音樂類型時，算法的準確率達到了100%，檢驗的準確性更高，更適合在多種噪聲環(huán)境下檢測使用。

3? 結? 語

噪聲與音樂之間的關系是相輔相成的，一般來講，噪聲的震動是雜亂、無規(guī)律的震動，在頻譜上呈現(xiàn)出連續(xù)變化，沒有周期性變化;而音樂的震動具有一定的周期性，在頻譜上呈現(xiàn)出離散的變化。但在生活工作中，凡是打擾到工作休息的聲音，包括音樂也成為了噪聲的一種。研究多噪聲背景電子音樂類型檢驗算法，將電子音樂中的各種噪聲使用公式表示，可更加便捷地檢測出電子音樂分類的類型，方便電子音樂的發(fā)展。

參考文獻

[1] 馮平興，魏平.多類型噪聲中的獨立成分分離算法[J].電子科技大學學報，2017，46（2）：352?356.

[2] 周萍，張上鑫，鄭凱鵬.基于分形維數(shù)與TEO的語音端點檢測算法[J].微電子學與計算機，2017，34（6）：21?25.

[3] 張小恒，李勇明，謝文賓.基于進化算法低信噪比環(huán)境的基音頻率檢測[J].現(xiàn)代電子技術，2017，40（11）：46?52.

[4] 吳禮福，申浩.掩蔽法減少譜減法去混響中的音樂噪聲[J].電子測量與儀器學報，2017，31（11）：1855?1859.

[5] 張維維，陳喆，殷福亮.結合改進歐幾里得算法和動態(tài)規(guī)劃的音樂主旋律提取[J].信號處理，2018，34（8）：1008?1015.

[6] 陳明建，龍國慶，黃中瑞.非均勻噪聲背景下信源數(shù)估計算法[J].信號處理，2018，34（2）：134?139.

[7] 張才，陳優(yōu)廣.基于噪聲自檢測的分段非線性組合Adaboost改進算法[J].計算機工程，2017，43（5）：163?168.

[8] 周婧，范凌云.基于最小二乘支持向量機的電子音樂識別研究[J].現(xiàn)代電子技術，2018，41（9）：109?112.

[9] 汪家冬，鄒采榮，蔣本聰，等.基于數(shù)字助聽器聲音場景分類的噪聲抑制算法[J].數(shù)據(jù)采集與處理，2017，32（4）：825?830.

[10] 徐堅，陳優(yōu)廣.基于噪聲自檢測的并行AdaBoost算法[J].計算機應用與軟件，2018，35（1）：288?294.

[11] 馮杰，武德安，吳磊.基于噪聲概率的多核集成算法[J].微電子學與計算機，2017，34（9）：63?66.

[12] 徐德明，萬長林.可抗噪聲的Canny改進邊緣檢測算法[J].計算機系統(tǒng)應用，2017，26（1）：201?205.

[13] 陳凌翔，柯永振，孫玉婷.一種用于圖片來源檢測的相機參考模式噪聲提取算法[J].計算機工程，2017，43（12）：227?230.

[14] 房玉琢，許志勇，趙兆.混響和噪聲環(huán)境下基于角度譜的多聲源定位與計數(shù)算法[J].國防科技大學學報，2018，40（3）：113?119.

[15] 陽帆，嚴迪群，徐宏偉，等.基于噪聲一致性的數(shù)字語音異源拼接篡改檢測算法[J].計算機應用，2017，37（12）：3452?3457.

作者簡介：孫剛平（1975—），男，山西新絳人，碩士，講師，研究方向為音樂教育、管樂（長笛）。