改进极限学习机的电子音乐分类模型

1、改进极限学习机的电子音乐分类模型：It is difficult to class and recognize the electronic music with the traditional model accurately， a newelectronic music classification model based on improved extreme learning machine is proposed. The electronic music data is collected to extract the feature of the cepstrum coeffic

2、ient. 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. T

3、he 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 m

4、usic classification model were verified with the experimental results.Keywords： music classification； kernel principalcomponent analysis ； extreme learning machine ； music characteristic ； genetic algorithm0 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

5、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

6、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，通过引入核 函数提取非线性信息，获得了比主成分分析更优的特征 8 。电 子音乐自动识别也需要设计电子音乐分类器， 当前主要有隐马尔 可夫模型、 神经网络和支持向量机 9?11 ，然而这些方法均存在 一些不足， 如隐马尔可夫模型只能进行线性分类， 电子音

7、乐分类 的结果不可靠； 人工神经网络虽然能够对电子音乐进行非线性分 类，但要求电子样本数据充足， 一旦不能满足样本充足这个条件， 电子音乐分类效果急剧下降； 支持向量机虽然没有神经网络对样 本数据的要求，但学习过程繁锁，时间复杂度高，不能满足海量 电子音乐分类的速度要求 12 。针对传统模型在电子音乐分类过程中存在的不足， 提出了改 进极限学习机的电子音乐分类模型。 首先提取电子音乐的倒谱系 数特征， 采用核主成分分析选择电子音乐的特征， 然后改进极限 学习机构建电子音乐的分类器， 最后仿真实验结果表明， 改进极 限学习机提高了电子音乐的平均分类率， 电子音乐分类性能优于 其他模型。1 改进极

8、限学习机的电子音乐分类模型1.1 提取电子音乐的特征 当前电子音乐有很多种特征来描述其类型， 而电子音乐实际 是一种声音， Mel 倒谱系数可以描述声音频率的能量变化，提取 特征速度很快， 为此本文选择 Mel 倒谱系数作为电子音乐分类的 特征，具体步骤如下：（ 1） 对采集的电子音乐数据进行分帧处理，去除无效帧。（ 2） 采用傅里叶变换对电子音乐的帧信号进行处理，得到 它们的幅度频谱。（ 3） 通过幅度频谱的 Mel 尺度变换，并采用滤波器组对频 谱进行滤波处理，得到第 j 个滤波器的能量值为：1.3 改进极限学习机为了解决传统神经网络收敛速度慢， 易产生过拟合、 网络结 构复杂的缺陷，Hu

9、a ng等提出了极限学习机，只要简单的随机设 置权值和阈值， 而且只要确定隐含层的节点数， 便可以顺利完成 训练过程，得到求解问题的最优解 13 。设隐含层的节点数为 L ， 那么极限学习机的输出函数为：在极限学习机的工作过程中， 参数 ai ， bi 直接影响其学习 性能，为了解？Q该问题，本文采用遗传算法确定极限学习机的 参数，具体如图 1 所示。1.4 改进极限学习机的电子音乐分类步骤（1）收集电子音乐样本数据，组成电子音乐数据库。（2）提取电子音乐数据库的特征，它们组成特征向量库。（3）对电子音乐数据库中的特征进行归一化处理。（4）采用核主成分分析选择电子音乐数据库的特征，组成 最优特

10、征子集。（5）根据最优特征子集对训练样本和测试样本进行降维处 理，减少数据的规模。（6）将训练样本输入到极限学习机中进行学习，采用遗传 算法确定最优极限学习机参数。7） 根据最优参数，极限学习建立电子音乐分类模型（8） 采用电子音乐的测试数据对电子音乐分类模型的性能 进行测试与分析。2 电子音乐分类的性能测试2.1 电子音乐数据的来源 为了分析改进极限学习机的电子音乐分类效果， 选择大量数 据进行仿真测试， 该数据可分为 4 种类型的电子音乐， 它们分别 为：古筝、琵琶、笛子、箜篌，它们的样本数量分布如表 1 所示。 为了使IELM的电子音乐分类效果具有可比性，设计了 2种对比 模型，具体描述

11、如下：（1）主成分分析+ELM的电子音乐分类模型（PCA?ELM。（2）核主成分分析 +支持向量机的电子音乐分类模型（ KPCA?SV）M。2.2 结果与分析每一种模型运行10次，计算它们的平均值，KPCA?EL与对 比模型的电子音乐分类正确率、 错误分类率与平均训练时间 （单 位：s）如图2图4所示。对图2图4进行分析可知：（1）相对于PCA?ELM KPCA?ELI的电子音乐分类率得到了 提高，而且错误分类率更小，这是因为KPCA可以提取比PCA更好的非线性特征，使得特征可以更加准确地反映电子音乐的类 型。（2） 相对于KPCA?SV,KPCA?ELI的电子音乐分类率同样 得到了改善，有效降低了电子音乐的错误分类率，这是因为 ELM 集成了传统神经网络和支持向量机的优点， 建立了性能更优的电 子音乐分类模型。(3) 在所有电子音乐分类模型中，KPCA?EL的电子音乐分类训练最少，这是因为KPCA可以有效减少特征维数，而且ELM 可以获得比支持向量机更快的学习速度， 加快了电子音乐分类的 训练速度， 提高了电子音乐的