基于增强AlexNet的音乐流派识别研究

• 作者: 刘万军 刘腊梅 孟仁杰 曲海成
• 来源期刊: 智能系统学报
• 学科: 工学
• 关键词: 音乐流派识别 深度卷积神经网络 机器学习 深度学习 AlexNet 音频特征提取 音乐特征识别
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 知识工程
• 页码范围: 750-757
• 页数: 8页
• 分类号: TP181
• 语种: 中文
• DOI: 10.11992/tis.201909032

摘要

针对机器学习模型对音乐流派特征识别能力较弱的问题,提出了一种基于深度卷积神经网络的音乐流派识别(DCNN-MGR)模型.该模型首先通过快速傅里叶变换提取音频信息,生成可以输入DCNN的频谱并切割生成频谱切片.然后通过融合带泄露整流(Leaky ReLU)函数、双曲正切(Tanh)函数和Softplus分类器对AlexNet进行增强.其次将生成的频谱切片输入增强的AlexNet进行多批次的训练与验证,提取并学习音乐特征,得到可以有效分辨音乐特征的网络模型.最后使用输出模型进行音乐流派识别测试.实验结果表明,增强的AlexNet在音乐特征识别准确率和网络收敛效果上明显优于AlexNet及其他常用的DCNN、DCNN-MGR模型在音乐流派识别准确率上比其他机器学习模型提升了4％～20％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘万军		181	1681	19.0	33.0
2	曲海成		52	387	11.0	18.0
3	刘腊梅		10	4	1.0	1.0
4	孟仁杰		1	0	0.0	0.0