曹 野 （沈陽音樂學院，遼寧 沈陽 110000）

古琴，還擁有許多別稱：如由于組成古琴的主要材料是絲弦和桐木，因此被稱為“絲桐”；又如使用玉石等華貴材料制作的古琴，則被稱為“瑤琴”“玉琴”[1]；古琴在歷史演變過程中，形成了標準的七根弦構造，因此被廣泛地稱為“七弦琴”[2]。直到19世紀20年代，為了與鋼琴區(qū)別開，才改稱為古琴，并沿用至今[3]。古琴是中國傳統(tǒng)撥弦樂器中的一種，它擁有悠久的藝術歷史，有明確的文字記載和形象描繪，其可考的歷史上限距今已超過3000年，而關于古琴的傳說典故則可以追溯到更早的時期[4]。古琴曾被作為禮器和律法工具，加之歷代統(tǒng)治者和文人的喜愛和推崇，使得它在漢文化中地位崇高，有“士無故不彈奏琴瑟”和“左手彈琴右手書寫”的說法，在中國傳統(tǒng)四藝（琴棋書畫）中居首位，被視為高雅的代表[5]。目前對古琴的前沿研究大多采用機器學習或現(xiàn)代設備等手段進行。有學者使用機器學習方法來研究古琴音樂恢復問題，試圖通過古琴樂譜來恢復每個音符的時值[6]；也有學者通過物理傳感技術來數(shù)字重建一件傳統(tǒng)的中國古琴弦樂器，以邀請人們用身體去解讀這件古典樂器[7]；還有學者描述了一種基于Kinect傳感器的新穎虛擬古琴應用程序的設計與實現(xiàn)，其目的是喚起用戶對古琴的興趣[8]。當前，對于古琴的音質性能研究相對較為稀缺。盡管學者們積極探索機器學習和現(xiàn)代設備等新技術應用，用以恢復音樂、數(shù)字重建樂器，設計虛擬應用以激發(fā)用戶興趣，然而對古琴音質的深入研究卻少有。對古琴音色、共鳴特性等方面的認知的深入挖掘，有助于進一步理解和保護這一古老而獨特的音樂文化遺產(chǎn)。

古琴被廣泛認為是一種非常重要的音樂傳播工具，其特有的共鳴箱設計可以有效地放大并優(yōu)化彈奏出的音頻，通過空氣的振動，使音樂的傳播更加迅速、順暢。共鳴箱的面板無疑是其中最重要的組成部分。面板的主要職責不僅是實現(xiàn)音頻的共鳴，更是在音樂播放的過程中傳遞和分配能量的關鍵環(huán)節(jié)。通過精確的設計和工藝制作，面板可以確保音樂在傳播過程中的純粹和醇厚[9]。目前，大多數(shù)古琴的面板采用泡桐木制作，其對泡桐木材的紋理、年輪寬度、裂痕等都有較高要求[10]。極少數(shù)定制且價格高昂的古琴會使用年代久遠的橫梁木、棺木等“老木”材料[11]，這種選材方式并不常見。現(xiàn)在，古琴的木材選擇還停留在主觀判斷階段，完全依賴于制琴師傅的個人經(jīng)驗，通過觀察、撫摸、敲擊、聆聽等方式進行主觀評價[9]，盡管這樣的選擇方式在一定程度上提供了參考依據(jù)，但其顯然缺乏科學的支持和具體的量化標準。這樣的評估過程并沒有明確的規(guī)則和規(guī)范，因此可能會引發(fā)多種問題：包括但不限于錯誤的判斷、較大的誤差、效率的低下，以及產(chǎn)品質量的不穩(wěn)定性。這些問題都可能會對最終的決策結果產(chǎn)生負面影響，降低決策的精確性和有效性。因此需要更加科學、規(guī)范的方法來改善這種情況，提高決策效率和準確性。周力等從振動與聲學的角度去分析與總結古箏的制作，初步探討了弦樂器面板與紋理的關系[12]；傅明鑒等從制作的角度探討了古箏的音質、音色、裝飾及市場等問題[13]。然而，關于古琴音質與其面板紋理之間的關聯(lián)，相關研究卻相對匱乏。雖然前沿研究在利用機器學習和現(xiàn)代設備進行音樂恢復、數(shù)字重建以及虛擬應用的方面取得了顯著進展，但對古琴構造材料的微觀特性與音響表現(xiàn)之間的關系的研究尚待加強。探索古琴音質與木制面板紋理之間的關聯(lián)將有助于更全面地理解這一樂器的聲學特性，為保護和傳承古琴音樂文化提供更為深刻的理論基礎。

紋理是自然界中無處不在的一種現(xiàn)象，它反映了事物的組成要素在分布和特征上的某種規(guī)律，特別是與外形或手感等質量相關的規(guī)律。通常會將紋理定義為視覺圖像中由于灰度或色彩分布的特定模式而形成的一種具有明顯有序性的現(xiàn)象。這種有序性可能體現(xiàn)在圖像的各種方面，包括但不限于顏色的深淺變化、圖像區(qū)域的邊界分布、圖像內(nèi)的形狀和結構等。這種有序性不僅為理解和解析視覺圖像提供了重要的線索，也為圖像的進一步處理和分析提供了基礎。因此，將那些在圖像的局部區(qū)域內(nèi)表現(xiàn)出不規(guī)則性，但在整體視角下又顯現(xiàn)出明顯規(guī)律性的特征定義為紋理。[14]這種特征可能在圖像的局部區(qū)域內(nèi)表現(xiàn)為顏色、亮度或形狀的不規(guī)則變化，但在更大的視角下，這些不規(guī)則的變化卻形成了一種明顯的規(guī)律性。[15]Hawkins對紋理給出了更為全面的描述：首先是某種局部“模式”在更大面積內(nèi)不斷重復；其次，這個排列順序由基本單元的非隨機組合構成；最后，各單元大體上是均勻的整體，紋理區(qū)域的任意位置結構尺度基本相近。[16]木材完全符合評判紋理的三大要素，因此被廣泛認為是典型的具有紋理的物質。由于木材天然的各向異性屬性，在不同的角度進行切割時，就會呈現(xiàn)出各種不同的紋理圖案，其紋理特征是木材生長輪、木射線、軸向薄壁組織等解剖分子相互交織所形成的。生長輪是這些紋理的主要來源，其中包括導管、管胞、木纖維、射線薄壁組織等微觀細胞結構。這些細胞在微觀層面上形成了生長輪，因此無論從哪個角度進行切割，都會看到近似平行的非交叉的線條或曲線圖案。[14]這些線條和圖案共同構成了木材切面獨特的紋理特性，也是木材被廣泛應用于各種場合的重要原因之一。[17]對于木材的紋理特性進行具體地分析，會發(fā)現(xiàn)不同切面的紋理圖案有著明顯的差異。如觀察木材的橫截面，其紋理圖案類似于同心圓的形狀，這是由木材生長輪的特性決定的。相反，如觀察木材的徑切面，其紋理圖案主要由平行的條紋構成，這些條紋通常與木材的生長方向平行。而在弦切面上，木材的紋理線條則呈現(xiàn)出近似于拋物線的形狀，這由木材的各向異性和切割角度的變化所導致。在現(xiàn)代科學研究中，主要通過使用圖像處理技術來對這些紋理特性進行客觀地研究和分析。這種技術不僅可以幫助更準確地理解和描述木材紋理的特性，也為木材的進一步加工和應用提供了重要的技術支持。

紋理一般分為兩大類型。第一種類型是規(guī)則紋理，這種紋理是由具有明確形狀的組成部分按照一定的規(guī)則和模式排列而成的，因此通常被人們稱為人工紋理。其特點是其構成部分形狀明確，排列有序，容易被人們識別和理解。另一種紋理類型則截然不同，它的構成部分并沒有明確的形狀，而是由某種顏色的分布模式構成。這種分布模式在空間中不斷重復，形成了具有特定規(guī)律性的紋理。然而，這種規(guī)律性在局部視角下常常難以察覺，只有在整體視角下才能得以體現(xiàn)。這種紋理同時具有局部的不規(guī)則性和整體的有序性，因此通常被人們稱為自然紋理。這兩種紋理類型在許多領域都有廣泛的應用，包括但不限于圖像處理、計算機視覺、機器學習等。[14]作為自然界紋理的一種典范，木材紋理以其獨有的特征和圖案形式，與其他自然紋理存在顯著的區(qū)別，這種“自然”的特征，也是木材紋理的獨特魅力所在。紋理是理解和鑒別木材的重要線索，對于木材給人的感官體驗和木制品的經(jīng)濟價值具有直接的影響。這種影響不僅體現(xiàn)在對木材本身的認知上，也體現(xiàn)在對木制品經(jīng)濟效益的評估中。與關注木材的密度和強度類似，木材的顏色以及紋理等屬性也在木材質量的檢測中起著至關重要的作用。這些特性不僅被看作是評判木材質量和決定木材產(chǎn)品價值的關鍵指標，而且也被視為挑選高質量裝飾和家具木材的重要材料特性參考標準。雖然紋理始終被認為是至關重要的，但往往難以準確地表達出來：因為木材紋理的種種變化，包括豐富復雜的微觀結構，不同的樹種產(chǎn)生的各種不同的紋理等。雖然這些紋理中蘊含了一定的規(guī)律，但很難通過簡單明了的數(shù)學語言來進行表達。目前關于木材表面紋理的表達和分析的研究，基本上還停留在定性分析為主，定量分析為輔的階段。[14]而人眼對紋理的識別，也不可避免地存在著如主觀性、局限性、持久性不足以及模糊性等問題。這就使得對木材紋理的研究變得更加困難和復雜，需要采取更多的方法和辦法，以便更好地理解和描述木材紋理。

計算機科技的快速發(fā)展和計算機視覺以及模式識別技術的日益成熟，為木材紋理的研究帶來了可能。木材紋理的研究，已經(jīng)成為計算機視覺和模式識別領域的關鍵研究項目，是此領域的潛在前沿領域。目前一些尖端的算法已經(jīng)誕生，其中包括：灰度共生矩陣分析的方法、灰度梯度共生矩陣分析的技術、隨機場分析的策略、分形幾何學分析的方式以及小波多分辨率分析的法則等。這些創(chuàng)新的技術提供了新的途徑來描述紋理特性，從而不再依賴于傳統(tǒng)的幾何學和數(shù)學分析的描述方法。[14]相反從紋理的宏觀特性、微觀特性、統(tǒng)計規(guī)則或者頻譜特性等多個角度進行描述，因此更適用于復雜且結構豐富的自然紋理的描述和分析。在這些方法中，基于數(shù)據(jù)的機器學習是現(xiàn)代智能技術的關鍵部分。[18]它從觀測數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，用這些規(guī)律預測未來數(shù)據(jù)，包括模式識別、神經(jīng)網(wǎng)絡等。在無需人工干預的環(huán)境下，智能控制的實質是模擬人類的思考模式，以此來實施對復雜系統(tǒng)的自主驅動控制。這種獨特的技術，能針對那些難以構建有效數(shù)學模型的系統(tǒng)進行定量和定性的結合控制分析，同時也擁有實時推理決策和識別的能力。[19]目前，智能控制技術已在各個科學研究領域獲得了廣泛的應用。作為這項關鍵技術的核心組成部分，支持向量機在定量分類層面展現(xiàn)出了其獨特的預測優(yōu)勢，同時在模式識別環(huán)節(jié)也有出色的表現(xiàn)，有著廣泛的應用潛力。支持向量機通過最小化結構化風險，有效提升了其學習的泛化能力，只需要少量樣本，就能在學習的精度和能力之間找到最佳的平衡，從而實現(xiàn)最優(yōu)的推廣能力。在學習過程中，支持向量機能對數(shù)據(jù)進行深入分析和模式識別，從而實現(xiàn)分類和回歸分析。智能技術在木材科學領域的應用主要包括木材表面顏色模式識別、木材材質預測、木材缺陷分類等方面。[19]Mallik等的主要研究對象是利用掃描電子顯微鏡放大1500倍后的微觀圖像并結合線性判別分析 (LDA)、二次分類、邏輯回歸、K 最近鄰 (KNN)、樸素貝葉斯、支持向量機 (SVM) 和神經(jīng)網(wǎng)絡等方法對木材進行分類。[20]Barmpoutis等提出了一種基于紋理分析的木材識別新方法[21]。Pramunendar等提出使用自適應多層感知器（AutoMLP）和支持向量機（SVM）對椰子木材質量進行分類的實驗方法。[22]為了自動檢測木材表面缺陷，Song等提出了一種基于圖像塊百分比顏色直方圖和特征向量紋理特征分類的方法。[23]Ibrahim等使用了一個模糊預分類器配合一組支持向量機（SVM）來管理大規(guī)模木材數(shù)據(jù)庫并有效分類木材種類。[24]為了簡化識別過程，Sugiarto等使用了計算機視覺中的方向梯度直方圖（HOG）提取木材特性和支持向量機（SVM）對木材進行分類。[25]自然中存在大量難以鑒定的木材種類，即使對專家來說也很困難。PAN等提出一種新的方法，結合近紅外光譜（780nm—2300nm）和灰度共生矩陣紋理特征，實現(xiàn)對木材的準確快速識別。[26]Ibrahim等提出了一種稱為局部二值模式（LBP）的有效特征提取技術，配合常用的支持向量機（SVM）進行分類。[27]由此可見，過去大多研究集中在利用圖像分析和機器學習技術探討木材物種的不同分類和識別方法，而用計算機分析識別樂器音板紋理并結合基于數(shù)據(jù)的機器學習來預測音板等級的研究還不多，特別是在中國傳統(tǒng)樂器古琴方面的研究更為罕見。此外，圖像采集和分析過程操作簡便，經(jīng)過簡單訓練后即可快速掌握。本文擬應用支持向量機結合古琴共鳴板材質紋理特征進行板材篩選預測。

一、材料與數(shù)據(jù)收集

選用泡桐古琴面板77張，材料均來自沈陽音樂學院音樂科技系弦樂器制作團隊，含水率在遼寧省沈陽市4月中旬時為15%左右。其中21張用于構建訓練數(shù)據(jù)集，56張使用訓練好的模型對測試數(shù)據(jù)集進行分類預測。首先對選取的77張古琴面板進行編號，在面板輪廓制作完畢階段對所有古琴紋理進行采集，之后進行合琴（面板和背板結合）操作，并上緊琴弦，保證能夠演奏。為避免油漆對音色音質的影響，后續(xù)演奏時保持未上漆狀態(tài)。圖像采集選用佳能850D相機，垂直掛起于被采集區(qū)域上方，高度2.5m。平行于相機左右各設置1臺傘式燈罩，增加光照，去除重影。鏡頭選擇佳能50mm定焦鏡頭，光圈f1.8，感光度ISO100，快門速度1/125秒。為避免抖動采用遠程快門操作，采集后的圖像直接輸出RAW無損格式到計算機。之后采用專家評價法對所收集的77張古琴的音質進行了全面的評審。在這項研究中，特邀了沈陽音樂學院在民族樂器制作和教學領域有著豐富經(jīng)驗的專家邵申弘、盧向忱等，對制成的77張古琴進行打分，得分情況如表1所示。對于評估項目及其標準，借鑒了中華人民共和國國家標準GB/T16463-1996《廣播節(jié)目聲音質量主觀評價方法和技術指標要求》的相關規(guī)定[19]，并對樂器的音質進行了五級評定。具體而言，“一等”被視為5分，這象征著音質的卓越；“二等”被標記為4分，反映了音質的優(yōu)秀；“三等”被標記為3分，顯示了音質的良好；“四等”被標記為2分，代表了音質的普通；“五等”被標記為1分，表示音質較差。在進行評價時，參考了專業(yè)的音質評價數(shù)據(jù)，包括音色的優(yōu)美度、高音的明亮度、中音的柔和度、低音的渾厚度、音域的連貫性、聲音的純凈度以及表現(xiàn)的層次感等7項指標進行實地評分。根據(jù)得分的高低，將每種樂器分為1—9級。其中，1—3級被定義為高檔樂器，4—6級被定義為中檔樂器，而7—9級則被定義為低檔樂器[19]，如表1所示。

表1.古琴等級專家打分表

為了實現(xiàn)編程的便利性以及對分類預測的優(yōu)化，本研究選擇Python作為主要的編程語言。Python是一種由Guido van Rossum所開發(fā)的通用編程語言，其因簡潔的語法和高度可讀性而迅速受到廣泛的歡迎，目前最新的版本是Python3。在本次試驗中，使用的操作系統(tǒng)是Windows11，而編程軟件則是Pycharm，這是一款含有全套能夠在使用Python語言進行開發(fā)的過程中提升效率的工具的編程軟件，例如調(diào)試工具、語法高亮顯示、項目管理、代碼跳轉、智能提示、自動完成、單元測試以及版本控制等功能。[28]對于Python庫的運用，庫在這里被理解為具有相關功能模塊的集合。在本研究中，使用到的庫包括了Numpy、OpenCV、Scikit-image以及Scikit-learn等。用圖像處理軟件對采集的圖像進行剪切、旋轉，之后在Pycharm中進行去除背景操作，過程如下：

1.將彩色圖像轉換為灰度圖像，并使用OpenCV的threshold函數(shù)對其進行二值化處理，得到前景和背景的二值圖像thresh。使用形態(tài)學操作對thresh進行開操作，得到背景的掩模sure_bg。

2.使用距離變換算法，對thresh進行距離變換，得到距離變換圖dist_transform。通過ret，sure_fg = cv2.threshold(dist_transform，0.7★dist_transform.max()，255，0)得到前景的掩模sure_fg。

3.使用OpenCV的subtract函數(shù)對背景掩模和前景掩模進行相減，得到未知區(qū)域掩模unknown，然后，使用 cv2.dilate()函數(shù)對圖像進行膨脹操作，以便消除任何小的前景物體，確保圖像的背景被準確分離。用一個$3 imes 3$ 的卷積核進行操作，并重復該操作三次。

4.利用 cv2.distanceTransform()函數(shù)計算距離圖，以確定每個非零像素到最近零像素的距離。使用cv2.DIST_L2作為距離類型，并使用一個$5 imes 5$的卷積核進行操作。

5.使用一個閾值來確定哪些像素屬于前景區(qū)域，哪些像素屬于背景區(qū)域。使用 cv2.threshold()函數(shù)，使用 Otsu’s 二值化方法確定閾值。使用閾值的$70%$作為前景區(qū)域的閾值，然后將前景區(qū)域二值化為白色（$255$）像素。

6.利用cv2.subtract()函數(shù)從膨脹后的背景圖像中減去前景圖像，以便確定不確定的區(qū)域，即前景和背景區(qū)域之間的邊緣。然后使用cv2.connectedComponents()函數(shù)將前景區(qū)域分割成多個連通組件。由于該函數(shù)僅能處理8位的單通道圖像，因此需要將前景區(qū)域轉換為無符號的8位整數(shù)格式。

7.利用cv2.watershed()函數(shù)將分割標記應用到原始圖像上，并將分割后的圖像分配給不同的分割區(qū)域，使用 markers 數(shù)組中的值來標記原始圖像中的分割區(qū)域，并在分割區(qū)域周圍繪制紅色邊界。

8.使用cv2.imshow()函數(shù)顯示原始圖像和去除背景后的圖像，如圖1所示。

圖1.去除背景后的古琴圖像

二、紋理要素提取

根據(jù)之前的研究[29]，選取連續(xù)紋理數(shù)、斷裂紋理數(shù)、最長紋理值、最短紋理值、平均間距、平均角度、最大角度為定量目標。其中連續(xù)紋理定義為橫向相鄰2個紋理間像素值小于等于2；斷裂紋理定義為橫向相鄰2個紋理間像素值大于2；最長紋理值和最短紋理值的單位為mm；角度為紋理方向與水平方向夾角的絕對值。定量定義如下：

連續(xù)紋理數(shù)（Continuous texture count），指的是在給定區(qū)域內(nèi)連續(xù)出現(xiàn)的無中斷紋理或圖案的數(shù)量，橫向相鄰2個紋理間像素值小于等于2。

斷裂紋理數(shù)（Disrupted texture count），指的是在給定區(qū)域內(nèi)被中斷或打斷的紋理或圖案的數(shù)量，橫向相鄰2個紋理間像素值大于2。

最長紋理值（Longest texture value），指的是在給定區(qū)域內(nèi)最長的連續(xù)紋理或圖案的長度，單位為mm。

最短紋理值（Shortest texture value)，指的是在給定區(qū)域內(nèi)最短的連續(xù)紋理或圖案的長度，單位為mm。

平均間距（Average spacing），指的是在給定區(qū)域內(nèi)連續(xù)紋之間的平均距離，單位為mm。

平均角度（Average angle），指的是在給定區(qū)域內(nèi)連續(xù)紋理之間的平均角度，角度值為紋理方向與水平方向夾角的絕對值。

最大角度（Maximum angle），指的是在給定區(qū)域內(nèi)任意兩個連續(xù)紋理之間的最大角度，角度值為紋理方向與水平方向夾角的絕對值。過程如下：

1.導入必要的庫：cv2、numpy、matplotlib。

2.使用cv2.imread()函數(shù)讀入圖像，并將其轉換為灰度圖像。

3.對灰度圖像進行高斯濾波，以平滑圖像并減少噪聲。

4.使用Canny邊緣檢測算法來檢測圖像中的邊緣。

5.使用cv2.findContours()函數(shù)尋找圖像中的輪廓。

6.使用cv2.drawContours()函數(shù)在一張黑色背景上繪制輪廓，生成包含輪廓的圖像。

7.使用cv2.HoughLines()函數(shù)檢測直線。該函數(shù)使用霍夫變換來檢測直線，可以檢測直線的位置和角度。

8.使用cv2.imwrite()函數(shù)將繪制的輪廓圖像和直線圖像保存到磁盤上，如圖2所示。

圖2.紋理要素識別圖像

對生成的圖像進行定量分析，過程如下：

1.使用PIL庫中的Image模塊讀取圖像文件，然后將其轉換為灰度圖像。

2.將灰度圖像進行二值化，得到一個二進制圖像。

3.利用skimage.morphology中的二值圖形態(tài)學操作去除噪聲并連接紋理區(qū)域。

4.利用skimage.measure中的label()和regionprops()函數(shù)，對二值化后的圖像進行連通組件分析和紋理特征計算，得到不同區(qū)域的相關信息，如區(qū)域大小、面積、形狀、周長等。

5.使用skimage.feature中的local_binary_pattern()函數(shù)，提取灰度圖像的局部二值模式（LBP）特征，并統(tǒng)計橫向相鄰的兩個像素之間的差值小于2的像素對的數(shù)量。

6.最后輸出計算結果，包括連續(xù)紋理數(shù)、斷裂紋理數(shù)、最長紋理值、最短紋理值、平均間距、平均角度和最大角度，結果保存為CVC文件。結果如表2所示。

表3.訓練集的錯誤預測樣本，預測等級和誤差

表4.預測集的錯誤預測樣本，預測等級和誤差

（三）支持向量機分類預測

對CVC文件進行必要的格式編輯，把編號1—21以及22—77的古琴分割為2組，便于使用Python進行讀取操作。之后使用SVM進行面板等級預測，過程如下及圖3所示。

圖3.支持向量機分類預測過程

1.使用pandas庫創(chuàng)建一個DataFrame數(shù)據(jù)結構，其中包括77個樣本的連續(xù)紋理數(shù)、斷裂紋理數(shù)、最長紋理值、最短紋理值、平均間距、平均角度和最大角度等特征，以及所對應的3個不同專家打分的等級。

2.選取21個樣本來構建訓練集。

3.讀取剩余56張古琴的相同特征數(shù)據(jù)作為預測集。

4.使用scikit-learn庫中的svm.SVC函數(shù)構建SVM分類器，設置核函數(shù)為線性核函數(shù)，正則化參數(shù)C為1.1，自適應核函數(shù)系數(shù)gamma為auto，構建SVM模型。

5.使用fit函數(shù)在訓練數(shù)據(jù)集上進行模型訓練。

6.使用predict函數(shù)對訓練好的測試數(shù)據(jù)集進行分類預測，得到預測標簽。

7.使用matplotlib庫繪制原始標簽和預測結果，比較兩者之間的差異。

8.將預測結果保存到DataFrame中，與原始測試數(shù)據(jù)合并，將結果保存為.xlsx文件。

結 論

表格3呈現(xiàn)了訓練集中錯誤樣本的實際等級與預測等級的誤差對照，其中認定誤差超過±0.3的樣本為分類錯誤[19]。圖4展示了古琴共鳴板訓練集預測的樂器等級與專家評分的樂器等級分類圖。從結果可以觀察到，在21個訓練樣本中，只有1個樣本的預測等級出錯，由此計算得出，訓練集預測等級分類的正確率高達95.23%，大部分樣本誤差在±0.2范圍內(nèi)變動，顯示了訓練集與實際樂器等級的誤差較小，訓練結果相當準確。表格4列出了預測集中錯誤樣本的實際等級與預測等級的誤差對照，誤差超過±0.3的被視為分類錯誤[19]。圖5是古琴共鳴板預測集訓練出的樂器等級與專家評分的樂器等級分類圖。從圖中可以看出，在56個古琴共鳴板素材樣本中，有2個樣本的預測等級出錯，據(jù)此計算得出，古琴等級分類預測的正確率達到96.42%，大多數(shù)樣本誤差在±0.2范圍內(nèi)變動，顯示預測集的誤差較小。驗證過程的分類結果充分證明了該模型具有良好的泛化性。

圖4.訓練集預測等級與專家評分等級分類圖

圖5.預測集預測等級與專家評分等級分類圖

本研究初步探索了將支持向量機算法應用于古琴面板木材紋理分析的可行性，并嘗試建立面板質量預測模型。研究表明，支持向量機算法可以提取部分木材紋理特征，并訓練出具有一定分類準確度的預測模型。這為傳統(tǒng)古琴制作經(jīng)驗提供了新的參考，也為古琴面板材料的選取開辟了新的思路。但是，由于研究時間和樣本量有限，研究結果還需進一步驗證。這種將傳統(tǒng)工藝與前沿科技相結合的創(chuàng)新思路，可能為古琴文化的傳承提供一些啟發(fā)。后續(xù)研究需在方法論和樣本量兩個方面進行優(yōu)化與提升，以產(chǎn)生更系統(tǒng)可靠的研究結果?？傮w而言，本研究對支持向量機在古琴面板質量預測中的應用進行了初步探索，并提示了這一領域的進一步研究方向，為古琴傳統(tǒng)智慧和現(xiàn)代技術的有機結合提供了有益的嘗試。