基于优化神经网络的音乐分类模型研究

发布时间：2020-12-23 02:01

　　为高效、精准地判断音乐风格归属,帮助用户快速获取偏好音乐风格,基于群智优化神经网络构建音乐风格分类模型。提取音乐样本的音质、节奏、旋律特征作为模型训练样本输入BP神经网络,通过初始化、隐含层及输出层计算、权值计算等步骤完成神经网络模型训练。采用粒子群算法确定神经网络的最优权值与阈值,粒子群算法首先编码神经网络权值与阈值,其次计算粒子适应度值,更新粒子速度和位置,符合终止条件时输出神经网络的权值与阈值优化结果,并据此构建基于群智优化神经网络的音乐风格分类模型。模型测试结果表明,所提模型在正确区分不同音乐风格的同时,展示了音质、节奏、旋律等特征。 

【文章来源】：现代电子技术. 2020年03期 北大核心

【文章页数】：4 页

【部分图文】：

BP神经网络基本网络结构示意图

基于PSO优化BP神经网络流程如图2所示。基于PSO优化后的BP神经网络权值和阈值构建BP神经网络，输入涵盖音质、节奏、旋律特征的音乐样本完成神经网络训练，构建基于PSO优化的神经网络音乐风格分类模型，即基于群智优化神经网络的音乐风格分类模型。

图3为采用粒子群算法优化前后神经网络最优个体适应度值变化情况。从图3可以看出，粒子群算法优化后神经网络迭代48次后收敛，收敛后曲线趋于平稳；而优化前神经网络需迭代62次完成收敛，收敛之后产生短时期波动。由此可知，采用粒子群算法优化后神经网络适应度值收敛速度较快、运行稳定。

【参考文献】：
期刊论文
[1]粒子群优化BP神经网络在甲烷检测中的应用[J]. 王志芳,王书涛,王贵川.  光子学报. 2019(04)
[2]深度卷积神经网络在音乐风格识别中的应用[J]. 胡昭华,余媛媛.  小型微型计算机系统. 2018(09)
[3]基于时间序列的音乐流行趋势预测研究[J]. 郁伟生,邓伟,张瑶,李蜀瑜.  计算机工程与科学. 2018(09)
[4]采用量子粒子群算法耦合差分进化算法优化BP神经网络的铣床热误差预测研究[J]. 吴金文,王玉鹏,周海波.  制造技术与机床. 2018(06)
[5]基于BP神经网络多类分类的湍流目标探测[J]. 张强,肖刚,蓝屹群.  系统工程与电子技术. 2018(07)
[6]基于快速群体智能算法的毫米波天线设计[J]. 陈月云,简荣灵,赵庸旭.  电子与信息学报. 2018(02)
[7]基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用[J]. 林宇锋,邓洪敏,史兴宇.  计算机科学. 2017(S2)
[8]基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较[J]. 田静,邢艳秋,姚松涛,曾旭婧,焦义涛.  林业科学. 2017(02)
[9]基于盲动粒子群频率分解的极速学习机神经网络建模[J]. 刘加存,梅其祥,杨东红.  信息与控制. 2017(01)
[10]基于粒子群优化BP神经网络的养肠胃菜谱判定[J]. 张璐,雷雪梅.  计算机科学. 2016(S2)



本文编号：2932859