基于多特征融合和神经网络的电子音乐分类模型

刘天华

摘 要： 电子音乐具有独特的节奏质感，传统电子音乐分类过程中，无法将多特征进行融合式的分类。为此，设计基于多特征融合和神经网络的电子音乐分类模型。创建特征融合模块，进行自适应特征融合，根据自适应机制调整特征融合频率；利用神经网络元承接融合特征因子，形成分布式的电子音乐多特征分类结构；利用电子音乐特频效应完成特征融合分类，实现电子音乐分类模型的构建。实验数据表明，设计的电子音乐分类模型，能够以特征融合方式进行分类，并且分类结果十分精准。

关键词： 多特征融合； 神经网络； 电子音乐； 分类模型； 自适应多特征融合； 多层感知分類

中图分类号： TN919.3?34 文献标识码： A 文章编号： 1004?373X（2018）19?0173?04

Abstract： The electronic music has the unique rhythm feeling. Since the traditional electronic music classification can′t classify the multi?feature fusion， the electronic music classification model based on multi?feature fusion and neural network is designed. The feature fusion module is created to perform the adaptive feature fusion， and adjust the frequency of feature fusion according to the adaptive mechanism. The neural network cell is used to receive the fusion feature factors， so as to form the distributed multi?feature classification structure of electronic music. The special frequency effect of electronic music is adopted to complete the classification of feature fusion， and realize the construction of the electronic music classification model. The experimental data shows that the designed electronic music classification model can classify the feature fusion modes， and has accurate classification results.

Keywords： multi?feature fusion； neural network； electronic music； classification model； adaptive multi?feature fusion； multilayer perception classification

0 引 言

电子音乐分类被广泛的应用在各大音乐平台之中，但是电子音乐自身的节奏感较强，且特点识别不明显，因此传统的电子音乐分类方法无法进行特征融合式的分类[1]。针对上述问题，本文设计基于多特征融合和神经网络的电子音乐分类模型。应用多特征融合的方式创建特征识别模块，对电子音乐进行自适应特征融合，使用自适应机制进行调整便于高校特征融合。通过神经网络承接融合后的特征因子，导入分布结构进行多层感知分类，利用电子音乐特频效应实现电子音乐分类模型的构建。为了保证设计的有效性，模拟使用环境进行仿真模拟实验，试验结果表明，设计的电子音乐分类模型能够以特征融合的方式进行分类，并且分类结果十分精准。

1 构建特征识别模块

1.1 自适应多特征融合

电子音乐的自适应多特征融合过程实际上是一个筛选过程，当电子音乐的背景节奏频率发生剧烈变化时，电子音效的特征以连续的形式发生变化，单独多特征融合得到的特征结果非常的单一，无法进行分类使用[2?3]。因此，本文使用自适应机制将电子音乐进行自适应处理，处理后的特征音效变得十分具象，并且能够提升分类过程中跟踪性能，增加分类过程的精准程度。当电子音乐的特效进行加持以后即使发生特征的转变，由于自适应机制的存在也会随时地进行追踪判定[4?5]。自适应机制识别后的电子音乐就像是被去掉包装的商品方便辨认，多特征融合过程好比是将去包装的商品进行组装的过程，但是还有别于机械化的组装。如图1所示为本文设计的自适应多特征融合流程图多特征融合过程中一定要进行特征互补处理。如果电子音乐上存在差分梯度，那么按照差分梯度的大小进行互补处理；如果电子音频的特征不是十分明显，采用自适应对接的方式进行互补处理。每次对互补特征进行记录，这样可从不同方面对电子音乐的特征进行表达融合[6?7]。高音和低音对多特征融合过程中影响比较明显，高音中不同音频呈现的融合特征也是不同的。从不同的层面对电子音乐效果进行特征的采集提取，能够保证融合方式的充分程度。特征融合最大的好处能够将电子音乐的特征进行一体化，电子音乐一般在副歌的部分都是忽然高音突然低音。进行融合的电子音乐，是一个平稳的有旋律波动的音乐[8]，在自适应机制下，特征融合后的音律凸显程度是标准化的结果，这样才能够进行分布式的分类。

1.2 自适应更新机制

经过自适应多特征融合的电子音乐其特征音效发生明显的变化，但是随着音乐的推进，特征也会随之发生改变，需要对跟踪的音律进行实时更新，才能满足全部特征融合过程。自适应更新机制采用线性插值方法进行更新，能够保留电子音乐在之前融合特征基础上进行融合，同时也可以及时将最新采集的调整导入特征融合机制中。但是当电子音频出现有规律的重复时，或者双特征同时显现时，会出现错误特征的融入，随着特征融合不断累积，最终导致音频特征融合失败[9]。本文通过自适应更新机制，进行实时的更新融合以及监测。

为了保证更新音频的特征是正确的，大多数模型都会使用跟踪算法或是对照的形式进行检测，通过对多特征音频的实时跟踪，来检测融合中特征是否存在重复的现象。但是经过自适应处理后融合特征是无法进行跟踪计算或者是对照检测的[2]。因此，本文使用滤波响应值的形式有效反映出特征融合的结果是否重复。当音频特征再次融合了特征属性时，滤波响应值会产生极限最小值；当双向特征被默认时会出现极限最大值，滤波响应值的峰值附近会产生相应的伪峰值，说明多特征融合中的特征融合点不够突出。

2 多层感知特征分类处理

多层感知特征分類过程中，应用神经网络多层感知器（Multilayer Perceptron，MLP） [10]将分类过程分为三个层面：导入层、分类层（一层或者多层）及输出层。神经网络的网络分类框架中包含神经元，能够承接特征融合因子，能够解决单层感知分类中不能解决的线性分类问题，其既能够以多特征的形式进行分类，又能够体现多种分类路径。设计的多层感知特征分类神经网结构图如图2所示。

导入层神经元接收到融合后的特征融合因子后，分类层和输出层的每一个神经元之间相邻的属相是相同的，并且是互动式连接，但是所在同一层的全部神经元是相互独立的。如图2所示，箭头表示神经元间的连接特征因子传输方向，并且每个特征因子都有特定的连接权值[11?12]。分类层中的特定因子在分类层中进行多项分类，按照不同的特征特点分配到不同的神经元中，假设每个神经元中只能承接一个特征因子，在输出层的调用过程中调用的是神经元的权值，但是输出的却是神经元承载的特征因子[13]。神经网络多层感知器用于同特征因子的分类，其导入神经元个数与输出神经元的层数相同时，输出特征因子个数将会通过神经网络多层感知器进行多层分离。分类层中的每一项神经元都是独立个体，但是连接路径是不同的，其能够有效地摒弃双向特征因子的分类过程。

3 实现电子音乐分类模型的构建

电子音乐分类本质上是一种模式分类过程。本文设计的电子音乐分类模型采用的模型结构如图3所示。

从图3可以看出，电子音乐分类模型主要包括以下几个功能模块：电子音乐特征采集模块、多特征识别模块、特征融合分类模块以及分类输出模块。电子音乐特征采集模块将电子音乐特征进行采集，并对电子音乐进行特征处理，过滤掉其中的非特征因子及参杂因子，并对电子音乐进行除分帧以外的特征采集处理工作。多特征识别模块能够将电子音乐的特征因子进行导入，将关键特征因子进行标记，在降低参杂因子的同时对特征进行融合。特征融合分类模块能够将提取的特征因子进行承接，将每种特征因子以不同的分类特征进行导入，神经网络多层感知器能够对双向特征分类结果进行分离，以此来辨别双向分类过程。

4 试验分析

为了验证设计的基于多特征融合和神经网络的电子音乐分类模型的有效性，设计对比仿真试验。试验一共进行2次，分别测试模型的特征融合能力以及特征分类结果。为了保证试验的有效性，使用传统的电子音乐分类方法与本设计的电子音乐分类模型进行比较，观察试验结果。实验过程中需要对基本试验参数进行设定，其实验参数设定结果如表1所示。

4.1 数据准备

实验数据的准备过程中，对试验数据进行随机的搭配，本次实验需要进行两组试验对比，因此在试验数据配比上比较繁杂。电子音乐分类过程中，选用不同类型的电子音乐作为试验样品，以某音乐平台为实验数据平台进行试验。特征融合能力试验随机选用10首电子音乐进行特征融合的对比。

4.2 多特征融合试验

本文设计的电子音乐分类模型与传统电子音乐分类方法对比结果如表2所示。多特征融合过程中试验数据随机进行搭配，通过多特征融度能够看出，本文设计的多特征融合方式在高极限融合程度上能够做到80%以上，足以说明已经能够对试验中的电子音乐的特征进行融合采集，并且使用的电子音乐数量多于传统分类方法。因此在多特征融合试验中本文设计的电子音乐分类模型表现较好。

从图4可以看出，本文设计的电子音乐分类模型的融合适用度明显好于传统电子音乐分类方法。本文的电子音乐分类模型融合适用度呈现规律的变化，没有明显的异常痕迹；但是传统电子音乐分类方法的融合适用度存在异常外延。融合适用度能够反映电子音乐分类过程的特征融合率，随着更新机制的使用不断出现规律性的变化，但是异常情况说明特征融合程度不佳。

4.3 特征分类试验

通过图5可以看出，一共有5条辨识分类数据值数据线，其中Ⅲ为标准辨识分类数据值数据线，标准线以上的数据为有效数据，以下的为可用数据，直线表示无分类偏差，曲线表示存在分类偏差。观察图5可以发现本文设计的电子音乐分类模型全部在标准线以上，并且全部都是直线说明，没有分类数据偏差产生。

分类输出率对比结果如图6所示。分类输出率是一项输出值，能够从侧面反映出电子音乐分类过程，没有经过多特征分类处理的数据无法进行输出，同时分类不精确的数据也会被隔离，不会进行输出。观察图6可以看出，本文设计的电子音乐分类模型其分类输出率明显高于传统电子音乐分类方法，说明设计的电子音乐分类模型具备较高的多特征分类能力。

5 结 语

本文设计基于多特征融合和神经网络的电子音乐分类模型，使用多特征融合对电子音乐进行特征处理，通过神经网络进行有效分类。试验数据表明设计的电子音乐分类模型具有较高的特征分类能力。

参考文献

[1] 魏晓玲，刘明，苑新，等.基于多特征融合与卷积神经网络的房颤检测[J].激光杂志，2017，38（5）：176?179.

WEI Xiaoling， LIU Ming， YUAN Xin， et al. Atrial fibrillation detection based on multi?feature fusion and convolution neural network [J]. Laser journal， 2017， 38（5）： 176?179.

[2] 郝睿，徐俊峰，王庆宝，等.基于BP神经网络的多特征融合变化检测方法[J].海洋测绘，2016，36（1）：79?82.

HAO Rui， XU Junfeng， WANG Qingbao， et al. Change detection method using multi?feature fusion based on BP neural network [J]. Hydrographic surveying and charting， 2016， 36（1）： 79?82.

[3] 刘光达，王灿，李明佳，等.基于多特征和BP神经网络的脑?机接口研究[J].电子技术应用，2017，43（9）：72?75.

LIU Guangda， WANG Can， LI Mingjia， et al. Research of brain?computer interface based on multi?feature integration and BP neural network [J]. Application of electronic technique， 2017， 43（9）： 72?75.

[4] 蒋婷，沈旭东，陆伟，等.基于多特征融合的人脸颜值预测[J].网络新媒体技术，2017，6（2）：7?13.

JIANG Ting， SHEN Xudong， LU Wei， et al. The prediction of facial beauty based on multi?feature fusion [J]. Journal of network new media， 2017， 6（2）： 7?13.

[5] 梁锐，朱清新，廖淑娇，等.基于多特征融合的深度视频自然语言描述方法[J].计算机应用，2017， 37（4）：1179?1184.

LIANG Rui， ZHU Qingxin， LIAO Shujiao， et al. Deep natural language description method for video based on multi?feature fusion [J]. Journal of computer applications， 2017， 37（4）： 1179?1184.

[6] 赵伟.基于BP神经网络的音乐情感分类及评价模型[J].电子设计工程，2015，23（8）：71?74.

ZHAO Wei. Music emotion classification and evaluation model based on BP neural network [J]. Electronic design engineering， 2015， 23（8）： 71?74.

[7] 王铁君，王维兰.基于多特征融合的唐卡图像法器识别方法[J]. 计算机工程，2016，42（3）：198?203.

WANG Tiejun， WANG Weilan. Religious ritual implement re?cognition method in Thangka image based on multi?feature fusion [J]. Computer engineering， 2016， 42（3）： 198?203.

[8] 吴冬梅，李白萍，沈燕，等.基于多特征融合的烟雾检测[J].图学学报，2015，36（4）：587?592.

WU Dongmei， LI Baiping， SHEN Yan， et al. Smoke detection based on multi?feature fusion [J]. Journal of graphics， 2015， 36（4）： 587?592.

[9] 张键锋，王劲.基于文本挖掘与神经网络的音乐风格分类建模方法[J].电信科学，2015，31（7）：86?91.

ZHANG Jianfeng， WANG Jin. A classification method of music style based on text mining and neural network [J]. Telecommunications science， 2015， 31（7）： 86?91.

[10] XU Qingyong， JIANG S， HUANG W， et al. Image classification algorithm for deep belief network based on multi?feature fusion [J]. Computer engineering， 2015， 41（11）： 99?120.

[11] YANG W， WEI L， ZHANG Z， et al. Road surface condition classification method based on multi?feature fusion and SVM classifier [J]. An international journal of research & surveys， 2015， 7（9）： 90?134.

[12] LIU F， CHEN Z， CHAI J. A new multi?focus image fusion method based on deep neural network model [J]. Journal of Shandong University， 2016， 45（4）： 89?130.

[13] SONG S， MIAO Z. Research on vehicle type classification based on spatial pyramid representation and BP neural network [C]// 2015 International Conference on Image and Graphics. [S.l.]： Springer， 2015： 132?144.