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：核心期刊咨询网时间：12

摘要：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

　　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

　　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， kf(p+1)] (5)

　　式中[0≤p

　　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。

　　推荐阅读：《真空电子技术》(双月刊)创刊于1959年，由北京真空电子技术研究所主办。是真空电子专业协会会刊，电真空情报网网刊。

转载请注明来自：http://www.qikan2017.com/lunwen/dzi/17756.html