基于概率神经网络的流行音乐分类研究.docVIP

基于概率神经网络的流行音乐分类研究 　　摘要：本文以中国的流行音乐为研究对象，就如何区分音乐风格的问题，我们建立了概率神经网络（PNN）模型，对流行音乐的风格给出一个自然、合理的分类方法，以便给网络电台的推荐功能和其它可能的用途提供支持。 我们选取了重要的七个音符在乐谱中出现的频率来反应歌曲的风格，通过实验验证了该模型的有效性和准确性，为音乐风格分类提供科学客观准确的方法。 　　关键词：音乐分类 概率神经网络（PNN）模型 Matlab编程 　　中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2013）08-0064-02 　　1 背景资料 　　流行音乐（Popular Music）于19世纪末20世纪初起源于美国，从音乐体系看，流行音乐是在布鲁斯、爵士乐、摇滚乐、等美国大众音乐架构基础上发展起来的音乐。中国流行音乐的风格与形态主要受欧美影响，在此基础上逐渐形成本土风格。近年来流行音乐中刮起了一股“中国风”，音乐风格不同的音乐人借助这一元素共同表达了一种向中国传统元素靠拢的趋势，使得流行音乐具有独特的中国风格。中国流行音乐中中国元素有逐渐增多的趋势，如流行音乐出现了戏曲元素、古典元素等，使得我国流行音乐得到了更大的发展，我国的流行音乐中的音乐元素也开始呈现多样性发展景象。像我国最近几年流行的Pop（流行）、Country（乡村）、Jazz（爵士）、Rock（摇滚）、RB（节奏布鲁斯）、NewAge（新世纪）、经典（classic）等。 　　随着经济的快速发展，我国信息化速度的加快，互联网的不断发展，流行音乐的传播媒介从传统的电台和唱片逐渐过渡到网络下载和网络电台等。流行音乐的结构短小、内容通俗、形式活泼、情感真挚，并被广大群众所喜爱，广泛传唱或欣赏，流行一时的甚至流传后世的器乐曲和歌曲。这些乐曲和歌曲，植根于大众生活的丰厚土壤之中。在近几十年里，流行音乐慢慢的被作为商业性的音乐消遣娱乐，以及与此相关的一切“工业”现象许多的网络电台都会搜集上符合大部分人喜好的音乐，以供收听者的下载和播放。由于每个人喜好的音乐可能横跨若干种风格，各种网络电台需要搜集大部分人对不同音乐的喜好程度，需要根据流行音乐的风格分成各种类别的音乐。 　　2 模型的建立与求解 　　2.1 数据处理 　　我们选取中国流行音乐中的六大类风格音乐作为训练样本，选取的七个音符在乐谱中的数目百分比可以反应歌曲的风格。根据数据源分别计算出主要音符在乐谱中出现的频率。从计算的数据中，我们可以看出歌曲乐谱中的音符数频率满足一定的均匀分布，基本分布在0到1之间，我们的样本数据可以作为训练样本，在神经网络系统中试验，我们希望我们的试验可以达到一定的准确率。 　　2.2 概率神经网络模型 　　概率神经网络（PNN）是一种基于Bayes分类规则与Parzen窗的概率密度函数估计方法发展而来的并行算法。[1]在实际应用中，尤其是在解决分类问题的应用中，它的优势在于用线性学习算法来完成非线性学习算法所做的工作，同时保持非线性算法的高精度等特性。PNN网络可以用来进行更多样本的预测，训练样本较大时且要求精度较高时，网络常常不收敛且往往陷入局部最优。 　　概率神经网络由径向基神经元和竞争神经元组成，经常用来解决分类问题。概率神经网络的拓扑机构如图2所示，共分4层，分别为输入层、模式层、求和层和输出层。[2] 　　（1）输入层接受来自训练样本的值，将特征向量传递给网络，其神经元数目和样本矢量的维数相等； 　　（2）模式层计算输入特征向量与训练集中各个模式的匹配关系； 　　（3）模式层神经元的个数等于各个类别样本数之和，给曾每个模式的输出为 　　式中，；为输入层到模式层连接的权值，为平滑因子，它对分类的起着至关重要的作用。 　　（4）求和层，是将属于某类的概率统计，按①式计算，从而得到故障模式的估计概率密度函数。因此求和层单元简单地将自己类的模式层单元的输出相加，而与属于其他类别的模式层单元的输出无关。[3]求和层单元的输出与各类基于内核的概率密度的估计成比例，通过输出层的归一化处理，就能得到各类的概率估计。 　　（5）基于PNN故障诊断方法。 　　假设有两种已知的故障模式、，对于要判断的故障特征样本：若，则； 　　式中，先验概率（，）；我们可以根据现有的故障特征样本求其统计值。 　　2.3 模型的求解 　　用训练好的PNN神经网络对训练数据进行迭代，得到60个样本的判定结果，如图2，可见只有6个样本判断错误，准确率达到90%，之后我们仍然用的是MATLAB软件做出误差图，能更清晰地发现该模型的准确性，其中出错的6个样本是因为这些样本不仅只有一种风格属性，还有其它风格的属性，因为该模型的决策属性是音符、高八度、低八度、空拍、节拍减半