許晶晶

摘? 要： 電子音樂信號檢測有利于音樂的分類和后續(xù)處理，針對當前電子音樂信號檢測方法沒有考慮噪聲對電子音樂信號檢測結果的干擾，導致電子音樂信號檢測錯誤率大，檢測時間長，無法滿足現(xiàn)代大規(guī)模電子音樂信號檢測的實際要求。為了解決當前電子音樂信號檢測過程中存在的一些局限性，提出一種復雜噪聲場景下的電子音樂信號智能檢測算法。首先分析電子音樂信號智能檢測的原理，引入小波變換對電子音樂信號中的噪聲進行抑制;然后從消噪的電子音樂信號中提取特征，并根據(jù)電子音樂信號類型構建學習樣本;最后引入最小二乘支持向量機對電子音樂信號智能檢測模型進行構建，分析電子音樂信號的變化特點，并對其參數(shù)進行相應的優(yōu)化。仿真實驗結果表明，對于復雜噪聲場景下的電子音樂信號，文中方法可以獲得較高精度的檢測結果，檢測時間也明顯得到了減少，獲得了比其他方法更優(yōu)的電子音樂信號，對復雜噪聲具有較強的魯棒性。

關鍵詞： 電子音樂信號檢測; 智能檢測算法; 檢測原理分析; 噪聲抑制; 模型構建; 參數(shù)優(yōu)化

中圖分類號： TN911.23?34; TP391? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）19?0049?04

Abstract： Electronic music signal detection is conducive to music classification and follow?up processing. For the current electronic music signal detection method， the interference of noise on the electronic music signal detection results is not considered， which makes the electronic music signal detection error rate large and detection time long， and is unable to meet the actual requirements of large?scale modern electronic music signal detection. In order to solve some limitations existing in the process of the current electronic music signal detection， an intelligent detection algorithm of electronic music signal in complex noise scene is proposed. The principle of intelligent detection of electronic music signal is analyzed. The wavelet transform is introduced to suppress the noise in electronic music signal， and then the features of the denoised electronic music signal are extracted. The learning samples are constructed according to the types of electronic music signal. The least square support vector machine is introduced to construct the intelligent detection model of electronic music signal， analyze the changes of electronic music signal， and carried out corresponding optimization of the parameters. The simulation results show that， for the electronic music signal in the complex noise scene， the method proposed in this paper can obtain high?precision detection results， and its detection time is significantly reduced， and its electronic music signals are better than those of other methods， which has strong robustness to complex noise.

Keywords： electronic music signal detection; intelligent detection algorithm; detection principle analysis; noise suppression; model establishment; parameter optimization

0? 引? 言

隨著人們生活水平的不斷提高以及微電子技術、語音技術的不斷發(fā)展，可以通過計算機合成一個音樂，稱之為電子音樂[1?3]。由于每個人都可以合成電子音樂，使得電子音樂信號數(shù)據(jù)呈爆炸式增加，給人們選擇自己最喜歡的電子音樂信號帶來了困難，而電子音樂信號檢測可幫助人們快速、準確地選擇電子音樂，因此電子音樂信號檢測具有十分重要的研究意義[4?6]。

由于學者們的大量投入以及各行各業(yè)的關注，當前電子音樂信號檢測算法很多[7?9]。相對于其他類型算法，人工神經(jīng)網(wǎng)絡和支持向量機的電子音樂信號檢測算法最常用，它們均屬于人工智能領域的新型技術[10?12]，在電子音樂信號檢測實際應用中，人工神經(jīng)網(wǎng)絡和支持向量機均存在一些難以克服的問題，如：人工神經(jīng)網(wǎng)絡的電子音樂信號檢測錯誤率高，電子音樂信號檢測結果極不穩(wěn)定，人們經(jīng)常得不到真正需要的電子音樂信號檢測結果;支持向量機的電子音樂信號檢測速度慢，對于大規(guī)模電子音樂信號來說，通常無法在有效時間內(nèi)得到電子音樂信號檢測結果。同時它們均沒有考慮噪聲對電子音樂信號檢測結果的干擾，對噪聲魯棒性差，影響音樂的分類和后續(xù)處理[13?15]。

為了提高電子音樂信號檢測效果，本文提出了復雜噪聲場景下的電子音樂信號智能檢測算法，并對其優(yōu)越性和通用性進行了測試，結果表明，本文算法的電子音樂信號檢測精度、智能化程度高，而且電子音樂信號檢測時間短。

1? 電子音樂信號智能檢測算法設計

1.1? 電子音樂信號的噪聲抑制

為了對電子音樂信號中的噪聲進行最大程度的抑制，采用小波分析算法去除電子音樂信號中的噪聲。設[f（t）∈L2（R）]，連續(xù)小波[Ψ（t）]應該滿足如下條件：

式中[τ]為位移。

電子音樂信號采用計算機進行處理，因此其屬于離散信號，設[a=2-j]，[τ=2-jk]，得到離散小波如下：

對電子音樂信號抑制的步驟如下：

Step1：采用小波分析對原始電子音樂信號進行分解，得到多個電子音樂子信號，每一個電子音樂子信號含有一個小波系數(shù)，根據(jù)頻率高低對電子音樂子信號進行排列，第一個電子音樂子信號的小波系數(shù)向量表示為[c1]，那么所有子信號小波系數(shù)向量集為：[C=[c1，c2，…]]。

Step2：電子音樂信號向量集可以劃分為兩部分：有用的電子音樂信號（[S]）和噪聲（[U]），即：

Step3：計算電子音樂信號噪聲標準方差（[σ]），然后設置一個閾值（[δ]），兩者之間的關系可描述為：

設大于[δ]的子信號向量小波系數(shù)值設置為0，其他保持不變，得到電子音樂信號小波系數(shù)的新向量為：

Step4：采用小波分析對電子音樂信號小波系數(shù)進行重建，得到?jīng)]有噪聲的電子音樂信號。

1.2? 電子音樂信號特征提取

由于不同的電子音樂信號有不同的特征，因此電子音樂信號特征提取十分重要，本文采用Mel頻率倒譜系數(shù)描述電子音樂信號。Mel頻率和實際頻率[（f）]之間的關系可以描述為：

Mel頻率倒譜系數(shù)提取電子音樂信號特征的具體步驟如下：

Step1：對電子音樂信號進行預加重、分幀操作，采用傅里葉變換對電子音樂信號進行處理，從而可以得到電子音樂信號的頻譜能量系數(shù)。

Step2：以Mel刻度分布為基礎，用三角濾波器組對電子音樂信號的頻譜能量系數(shù)進行卷積操作，并對結果進行離散余弦變換，選擇12個系數(shù)進行時倒譜加權操作，從而得到電子音樂信號特征的Mel頻率倒譜系數(shù)。

Step3：對電子音樂信號特征的Mel頻率倒譜系數(shù)進行一次差分操作，又產(chǎn)生12個系數(shù)，共得到24個Mel頻率倒譜系數(shù)，并將它們作為電子音樂信號的檢測特征。

1.3? 最小二乘支持向量機建立電子音樂信號檢測分類器

最小二乘支持向量機的訓練時間明顯短于支持向量機的訓練時間，而且學習性能要優(yōu)于人工神經(jīng)網(wǎng)絡的學習性能，因此采用最小二乘支持向量機建立電子音樂信號檢測分類器。電子音樂信號檢測的分類平面為：

對式（1）變化處理，可以得到：

式中[γ]為最小二乘支持向量機的正則化參數(shù)。

對式（8）進行求解，由于具有相應的約束條件，使得求解過程比較復雜，為了加快求解速度，將其變化為無約束形式，具體如下：

最小二乘支持向量機建立電子音樂信號檢測分類器只能對兩類電子音樂進行檢測，而實際上電子音樂信號有多種類型，因此采用圖1形式可以建立多種電子音樂信號檢測的分類器。

在最小二乘支持向量機的電子音樂信號檢測過程中，參數(shù)[γ]和[σ]對電子音樂信號檢測結果的影響程度很大，而傳統(tǒng)方法主要采用人工方式憑經(jīng)驗實現(xiàn)，導致電子音樂信號檢測效果并非真正的達到最優(yōu)，為此本文采用粒子群算法解決難題，以得到更優(yōu)的電子音樂信號檢測結果。

1.4? 電子音樂信號檢測分類器參數(shù)優(yōu)化

1.5? 復雜噪聲場景下的電子音樂信號智能檢測原理

復雜噪聲場景下的電子音樂信號智能檢測算法的工作原理為：首先收集電子音樂信號，并引入小波變換對電子音樂信號中的噪聲進行抑制;然后從消噪的電子音樂信號中提取特征，并根據(jù)電子音樂信號類型構建學習樣本;最后引入最小二乘支持向量機對電子音樂信號智能檢測模型進行構建，分析電子音樂信號變化特點，并對其參數(shù)進行相應的優(yōu)化，具體如圖2所示。

2? 電子音樂信號智能檢測性能測試

2.1? 測試平臺

為了分析本文設計的復雜噪聲場景下的電子音樂信號智能檢測有效性，對其進行仿真測試，測試的平臺如表1所示。

2.2? 對比算法及測試數(shù)據(jù)

為了測試本文設計的復雜噪聲場景下的電子音樂信號智能檢測算法的優(yōu)越性，選擇文獻[13?14]的電子音樂信號智能檢測算法進行對照實驗，它們的測試平臺相同。采用流行音樂作為對象，測試數(shù)據(jù)采集兩類電子音樂信號：一類是不含有噪聲的電子音樂信號;另一類是含有噪聲的電子音樂信號。每一種方法進行5次仿真實驗，電子音樂信號測試數(shù)據(jù)如表2所示。

2.3? 結果與分析

2.3.1? 電子音樂信號檢測精度分析

采用3種電子音樂信號智能檢測算法分別對無噪和含有噪聲的電子音樂信號進行檢測，統(tǒng)計它們的精度結果如圖3和圖4所示。對圖3和圖4的無噪和含有噪聲的電子音樂信號檢測精度進行對比和分析可知：

1） 對于無噪和含有噪聲的電子音樂信號，文獻[13]對電子音樂信號檢測精度平均值分別為86.83%和81.0%，無噪的電子音樂信號檢測精度要略高于含有噪聲的電子音樂信號，這主要是因為其沒有引入噪聲消除技術，無法抑制噪聲對電子音樂信號檢測結果的干擾，因此電子音樂信號檢測精度有待進一步提高。

2） 對于無噪和含有噪聲的電子音樂信號，文獻[14]對電子音樂信號檢測精度平均值分別為91.39%和86.09%，電子音樂信號檢測精度難以滿足電子音樂信號實際處理的要求，這是因為其沒有解決最小二乘支持向量機參數(shù)優(yōu)化的問題，導致電子音樂信號檢測錯誤率比較高。

3） 無論無噪或者是含有噪聲的電子音樂信號，本文算法的檢測精度平均值均要高于文獻[13?14]的算法，這是因為本文算法引入了噪聲消除算法，去掉了電子音樂信號中的噪聲，獲得了質(zhì)量高的電子音樂信號，同時解決了電子音樂信號檢測過程中的參數(shù)優(yōu)化難題，降低了電子音樂信號的檢測誤差，獲得理想的電子音樂信號檢測結果，可以滿足電子音樂信號處理的實際要求。

2.3.2? 電子音樂信號檢測效率分析

對于現(xiàn)代海量的電子音樂信號，檢測效率十分關鍵，因此統(tǒng)計每一次實驗的電子音樂信號檢測時間，結果如圖5和圖6所示。從圖5和圖6可以發(fā)現(xiàn)，對于無噪和含有噪聲的電子音樂信號，文獻[13]的電子音樂信號檢測時間平均值分別為2.97 s和6.20 s，文獻[14]的電子音樂信號檢測時間平均值分別為4.93 s和7.02 s，而本文算法的電子音樂信號檢測時間平均值分別為2.63 s和4.63 s，本文算法的電子音樂信號檢測時間明顯減少，電子音樂信號檢測效率相應提升，這與現(xiàn)代電子音樂信號向大規(guī)模發(fā)展的方向相適應。

2.3.3? 電子音樂信號檢測算法的通用性

為了測試本文電子音樂信號檢測算法的通用性，選擇當前流行的10種電子音樂信號作為研究對象，對它們分別進行檢測，統(tǒng)計每一種電子音樂信號檢測精度，結果如表3所示。從表3可以發(fā)現(xiàn)，對于10種電子音樂信號，本文算法的檢測精度均超過90%，這表明本文算法具有很好的通用性。

3? 結? 語

針對當前電子音樂信號檢測方法存在檢測錯誤率大，檢測時間長等局限性，本文提出一種復雜噪聲場景下的電子音樂信號智能檢測算法。仿真實驗結果表明，對于復雜噪聲場景下的電子音樂信號，本文方法獲得了理想的檢測結果，檢測效率高，可以應用于實際的電子音樂信號分析和研究中。

參考文獻

[1] 石宇加.電子音樂創(chuàng)作中效果器應用研究：以Digital performer為例[J].音樂時空，2011（10）：56?58.

[2] 李洪偉，李海峰，馬琳，等.音樂欣賞中腦對音樂屬性變化加工規(guī)律的腦電研究[J].復旦學報（自然科學版），2018，57（3）：385?392.

[3] 熊梅，張?zhí)祢U，張婷，等.結合HPSS的非負矩陣音樂分離方法[J].計算機工程與設計，2018，39（4）：1089?1094.

[4] 桂文明，劉睿凡，陶玉婷，等.一種新型音樂速度譜圖的生成算法[J].復旦學報（自然科學版），2018，57（3）：379?384.

[5] 張一彬，周杰，邊肇祺，等.基于內(nèi)容的音頻與音樂分析綜述[J].計算機學報，2007，30（5）：712?728.

[6] 陳芳，李偉，李曉強.基于小波包最優(yōu)基的音樂指紋提取算法[J].計算機工程，2009，35（9）：236?237.

[7] 李麗娟，葉茂，趙欣.基于高斯混合模型流行音樂中歌唱部分的智能檢測[J].小型微型計算機系統(tǒng)，2009，30（5）：1017?1020.

[8] 張?zhí)欤瑥執(zhí)祢U，葛宛營，等.基于2DFT變換的伴奏音樂分離方法[J].信號處理，2019，35（10）：1708?1713.

[9] 趙志成，方力先.基于混沌理論的音樂信號非線性特征研究[J].振動與沖擊，2019，38（3）：39?43.

[10] 孫慧芳，龍華，邵玉斌，等.基于過零率及頻譜的語音音樂分類算法[J].云南大學學報（自然科學版），2019，41（5）：925?931.

[11] 劉迪，關欣，李鏘，等.基于魯棒主成分分析的音樂信號降噪[J].計算機工程，2016，42（9）：292?296.

[12] 張?zhí)祢U，熊梅，張婷，等.結合區(qū)分性訓練深度神經(jīng)網(wǎng)絡的歌聲與伴奏分離方法[J].聲學學報，2019，44（3）：393?400.

[13] 胡昭華，余媛媛.深度卷積神經(jīng)網(wǎng)絡在音樂風格識別中的應用[J].小型微型計算機系統(tǒng)，2018，39（9）：1932?1936.

[14] 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.

[15] 王蒙蒙，關欣，李鏘.基于魯棒音階特征和測度學習SVM的音樂和弦識別[J].信號處理，2017，33（7）：943?952.