改进极限学习机电子音乐分类模型.docVIP

改进极限学习机电子音乐分类模型 　　摘 要： 针对传统模型无法准确实现电子音乐分类和识别的难题，提出改进极限学习机的电子音乐分类模型。首先对电子音乐数据进行采集，并提取其倒谱系数特征，并采用核主成分分析对特征进行筛选；然后采用遗传算法对极限学习机的参数进行选择，并用于构建电子音乐的分类器；最后采用多种类型的电子音乐进行仿真实验，改进极限学习机的电子音乐平均分类率达到了95%以上，电子音乐的错分率要远远低于当前其他电子音乐分类模型。实验结果验证了该电子音乐分类模型的可行性以及优越性 关键词： 音乐分类； 核主成分分析； 极限学习机； 音乐特征； 遗传算法 中图分类号： TN912.3?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）05?0155?04 Abstract： It is difficult to class and recognize the electronic music with the traditional model accurately， a new electronic music classification model based on improved extreme learning machine is proposed. The electronic music data is collected to extract the feature of the cepstrum coefficient. The kernel principal component analysis is used to screen the feature. The genetic algorithm is used to select the parameters of the extreme learning machine to construct the classifier of the electronic music. The polytype electronic music is adopted to carry out the simulation experiments. The average classification rate of the electronic music can reach up to 95% with the improved extreme learning machine， and the wrong classification rate of the electronic music is far lower than that of other electronic music classification models. The feasibility and superiority of the electronic music classification model were verified with the experimental results. Keywords： music classification； kernel principal component analysis； extreme learning machine； music characteristic； genetic algorithm 0 引 言 ?S着信息技术的不断发展，与音乐的结合更加紧密，出现了许多种类的电子音乐，电子音乐可以减轻人们生活、工作上的压力，然而每一个用户喜欢的电子音乐类型不同，如何从海量的电子音乐库准确找到用户喜欢的音乐十分重要[1]。电子音乐分类是提高电子音乐查询效率的关键，成为人们关注的焦点[2] 电子音乐分类研究可以划分为两个阶段：传统阶段和现代阶段，传统阶段是一种人工分类方式，通过一些专家和专业人员对电子音乐进行分析，将它们划分到相应的类别中[3]。当电子音乐的数据很小时，传统分类方法的分类准确率高，可以很好地对分类结果进行解释。随着音乐数据的不断增加，传统方法的缺陷逐渐体现出来，出现了误分率高，分类效率低等不足[4]。现代阶段主要通过计算机实现电子音乐的自动分类[5]。电子音乐自动分类属于一种模式识别问题，它首先要提取反映电子音乐的特征信息，然而原始特征数量相当庞大，直接根据原始特征信息进行电子音乐自动分类的时间长、效率低，为此通常对电子音乐的原始特征进行筛选，当前采用主成分分析对特征进行处理，降低特征的数量，加快电子音乐自动分类的速度[6]。主成分分析属于线性处理方法，不能有效提取描述电子音乐标签的非线性信息[7]。核主成分分析是一种改进的主成分分析方法