趙婕

(陜西工業(yè)職業(yè)技術學院 信息工程學院， 陜西 咸陽 712000)

0 引言

音樂可以給人們帶來精神上的享受，消除人們身體和精神疲勞，減輕工作上的壓力，由于電子技術不斷地發(fā)展，一些專業(yè)人員通過電子設備進行電子音樂的合成，產(chǎn)生了大量的電子音樂，給人們提供了更多的音樂欣賞素材，但是由于每一個人對電子音樂都有自己的偏好，如老年人喜歡聽一些旋律比較慢的古典音樂，而年輕人喜歡聽一些快節(jié)奏的搖滾音樂，因此幫助人們對電子音樂進行有效辨識，給他們提供最適合的電子音樂具有十分重要的意義[1-3]。

由于國內(nèi)外學者們的重視，當前有許多類型的電子音樂辨識方法，其中人工神經(jīng)網(wǎng)絡的電子音樂辨識方法最多，如回聲狀態(tài)網(wǎng)絡的電子音樂辨識方法，BP神經(jīng)網(wǎng)絡的電子音樂辨識方法，RBF神經(jīng)網(wǎng)絡的電子音樂辨識方法、極限學習機的電子音樂辨識方法等，由于人工神經(jīng)網(wǎng)絡的工作原理與人腦的神經(jīng)網(wǎng)絡工作原理相似，可以模擬人腦對電子音樂進行辨識，電子音樂辨識效果較好，其中BP神經(jīng)網(wǎng)絡的實際應用范圍最為廣泛[4-6]。在實際應用過程中，BP神經(jīng)網(wǎng)絡還有許多難題沒有得到有效的解決，如BP神經(jīng)網(wǎng)絡的結構不穩(wěn)定，使得電子音樂辨識效果極不穩(wěn)定，可信度比較低，導致電子音樂辨識效率低，而且學習速率采用經(jīng)驗方式隨機確定，使得電子音樂辨識誤差比較大[7-9]。

針對神經(jīng)網(wǎng)絡在電子音樂辨識過程中存在的參數(shù)優(yōu)化問題，為了改善電子音樂辨識結果，提高電子音樂辨識精度，提出了改進神經(jīng)網(wǎng)絡的電子音樂辨識方法，采用自適應遺傳算法快速、有效地尋找最優(yōu)的參數(shù)，使得神經(jīng)網(wǎng)絡結構達到最優(yōu)，測試結果表明，改進神經(jīng)網(wǎng)絡的電子音樂辨識精度高、速度快，具有十分明顯的優(yōu)越性。

1 改進神經(jīng)網(wǎng)絡的電子音樂辨識方法

1.1 BP神經(jīng)網(wǎng)絡

由于BP神經(jīng)網(wǎng)絡的學習能力強，與電子音樂辨識過程具有較強的相似性，標準BP神經(jīng)網(wǎng)絡常采用3層結構，如圖1所示[10]。

電子音樂辨識特征為x1,x2,…,xm，其直接作為BP神經(jīng)網(wǎng)絡的輸入，那么其相應的輸出為式(1)。

(1)

隱含層的輸入、輸出分別為式(2)、式(3)。

(2)

(3)

輸出層的輸入、輸出分別為式(4)、式(5)。

(4)

(5)

采用電子音樂辨識誤差作為BP神經(jīng)網(wǎng)絡的訓練目標，BP神經(jīng)網(wǎng)絡的訓練過程實際就是不斷對隱含層和輸出層的連接權值進行調(diào)整，使電子音樂辨識誤差朝最小化方向發(fā)展，如式(6)、式(7)。

(6)

(7)

式中，η為學習速率。

參數(shù)學習速率η直接影響B(tài)P神經(jīng)網(wǎng)絡的隱含層和輸出層的連接權值確定的優(yōu)劣。η越大，隱含層和輸出層的連接權值變化量比較大，使得BP神經(jīng)網(wǎng)絡的學習速度快，但是過大，可能使得BP神經(jīng)網(wǎng)絡出現(xiàn)過擬合現(xiàn)象，即學習精度降低；而η越小，隱含層和輸出層的連接權值變化量比較緩慢，BP神經(jīng)網(wǎng)絡的學習速度慢，影響學習效率。當前主要通過經(jīng)驗方式確定η，難以獲得理想的BP神經(jīng)網(wǎng)絡的學習效果，為此本文采用自適應遺傳算法確定參數(shù)學習速率η的值，在加快BP神經(jīng)網(wǎng)絡學習速度的同時，提高BP神經(jīng)網(wǎng)絡的學習精度。

1.2 自適應遺傳算法

遺傳算法的性能與交叉概率(Pc)和變異概率(Pm)直接相關，標準遺傳算法的交叉概率和變異概率采用固定方式，在其運行過程中是一個常量，難以產(chǎn)生優(yōu)異的后代個體，使得遺傳算法易限入局部最優(yōu)解，因此本文采用自適應遺傳算法，其交叉概率和變異概率隨著進化代數(shù)的變化而變化，這樣不斷產(chǎn)生優(yōu)秀個體，避免限入局部最優(yōu)解。自適應遺傳算法的Pc和Pm變化曲線如圖2所示。

圖2 交叉變異概率變化曲線

自適應遺傳算法的Pc和Pm的計算式，如式(8)、式(9)。

(8)

(9)

式中，fmax和favg分別為適應度函數(shù)的最大值和平均值；f′為交叉后較優(yōu)個體的適應度函數(shù)值；f為變異后的個體適應度函數(shù)值；ki為0—1范圍的常數(shù)。

1.3 提取電子音樂特征

本文采用電子音樂信號的短時能量特征、時域方差特征進行電子音樂辨識，它們提取步驟具體如下。

Step1：Em為電子音樂信號{y(n)}的能量，那么其短時能量計算如式(10)。

(10)

式中，c(m)為電子音樂信號的滑動窗，電子音樂信號幀長度是N。

Step2：電子音樂信號可以劃分為N幀，即可以表示為Yt(n)={yt(n,1),yt(n,2),…,yt(n,N)}，計算電子音樂時域的均值Ei(n)和方差Di(n)，如式(11)、式(12)。

(11)

(12)

1.4 改進神經(jīng)網(wǎng)絡的電子音樂辨識步驟

Step1：采集電子音樂信號，并對其進行去噪處理，以提高電子音樂信號的信噪比。

Step2：從去噪后的電子音樂信號中提取短時能量特征、時域方差特征，并對它們進行歸一化處理，如式(13)。

(13)

式中，feature(i)表示第i個特征。

Step3：對于每一種電子音樂信號，選擇比較重要的特征進行建模。

Step4：根據(jù)電子音樂信號的重要特征數(shù)量和電子音樂的類型數(shù)量確定BP神經(jīng)網(wǎng)絡的輸入和輸出節(jié)點的數(shù)量。

Step5：根據(jù)一定的規(guī)則，確定電子音樂信號辨識的BP神經(jīng)網(wǎng)絡隱含層節(jié)點的數(shù)量。

Step6：采用自適應遺傳算法確定BP神經(jīng)網(wǎng)絡參數(shù)學習速率η的值。

Step7：BP神經(jīng)網(wǎng)絡對電子音樂信號訓練樣本進行學習，建立最優(yōu)的電子音樂信號辨識模型。

2 仿真實驗

2.1 電子音樂辨識實驗樣本數(shù)據(jù)

為驗證改進神經(jīng)網(wǎng)絡的電子音樂辨識效果，選擇當前最流行的10類種電子音樂作為實驗對象，而且對于每一類電子音樂，采集不同數(shù)量的電子音樂樣本，如表1所示。

表1 10種電子音樂的樣本數(shù)量

2.2 不同電子音樂的特征數(shù)量

由于電子音樂的類型不同，那么其特征數(shù)量應該不同，因此提取不同的電子音樂特征，并選擇比較重要的特征進行電子音樂辨識，得到的重要特征數(shù)量如表2所示。

表2 10種電子音樂的重要特征數(shù)量

2.3 與傳統(tǒng)神經(jīng)網(wǎng)絡電子音樂辨識結果對比

為了驗證本文對神經(jīng)網(wǎng)絡改進的有效性，選擇傳統(tǒng)神經(jīng)網(wǎng)絡進行電子音樂辨識對比實驗，傳統(tǒng)神經(jīng)網(wǎng)絡采用經(jīng)驗方式確定其參數(shù)，改進神經(jīng)網(wǎng)絡和傳統(tǒng)神經(jīng)網(wǎng)絡的電子音樂辨識精度和時間,如圖3、圖4所示。

圖3 與傳統(tǒng)神經(jīng)網(wǎng)絡的電子音樂辨識精度對比

圖4 與傳統(tǒng)神經(jīng)網(wǎng)絡的電子音樂辨識速度對比

從圖3和圖4可以看出，無論是電子音樂辨識精度或者是電子音樂辨識速度，改進神經(jīng)網(wǎng)絡均要明顯優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡，這是因為改進神經(jīng)網(wǎng)絡引入自適應遺傳算法解決了參數(shù)優(yōu)化的難題，能夠獲得更優(yōu)的神經(jīng)網(wǎng)絡，建立了高精度的電子音樂辨識模型，而且加快了電子音樂辨識速度，在相同時間可以辨識更多的電子音樂辨識樣本，這樣可以降低電子音樂辨識成本，實際應用價值更高。

2.4 與經(jīng)典電子音樂辨識方法的結果對比

為了進一步測試改進神經(jīng)網(wǎng)絡的電子音樂辨識的優(yōu)越性，選擇當前經(jīng)典電子音樂辨識方法進行對比實驗，具體為：隱馬爾可夫模型的電子音樂辨識方法[11]、支持向量機的電子音樂辨識方法[12]，所有方法的電子音樂辨識精度如圖5所示。

圖5 與經(jīng)典電子音樂辨識方法的精度對比

從圖5可以看出，相對于支持向量機、隱馬爾可夫模型，改進神經(jīng)網(wǎng)絡的電子音樂辨識精度均有了不同程度的得升，這表明改進神經(jīng)網(wǎng)絡可以有效減少電子音樂辨識錯誤率，能夠準確辯識各種電子音樂，改進神經(jīng)網(wǎng)絡可以解決當前電子音樂辨識方法存在的弊端，獲得了更加理想的電子音樂辨識結果。

支持向量機、隱馬爾可夫模型、改進神經(jīng)網(wǎng)絡的電子音樂辨識時間變化情況，如圖6所示。

圖6 與經(jīng)典電子音樂辨識方法的速度對比

對圖6的電子音樂辨識時間進行對比可以清楚看出，相對于支持向量機、隱馬爾可夫模型，改進神經(jīng)網(wǎng)絡的電子音樂辨識時間明顯減少，改進神經(jīng)網(wǎng)絡的電子音樂辨識時間復雜度明顯降低，提高了電子音樂辨識效率，電子音樂辨識速度得到了明顯的改善。

3 總結

為了改善電子音樂的辨識精度，針對當前神經(jīng)網(wǎng)絡存在的缺陷，提出了改進神經(jīng)網(wǎng)絡的電子音樂辨識方法，并與其它方法進行了電子音樂辨識仿真實驗，通過對仿真實驗結果分析可以發(fā)現(xiàn)，改進神經(jīng)網(wǎng)絡的電子音樂辨識精度高，不僅錯誤率要小于其它電子音樂辨識方法，而且電子音樂辨識速度快，具有十分廣泛的應用前景。