深度神经网络和分数灰色滞后 音乐类型识别的优化

科学领域:

• 人工智能的人工智能
• 音乐信息检索 音乐信息检索
• 计算音乐学 计算音乐学

背景情况:

• 传统音乐的类型分类依赖于主观因素,如作曲家的背景,文化影响和起源.
• 现有的计算模型经常与音乐风格分类的细微和复杂性质作斗争.

研究的目的:

• 通过深度学习和元启发式优化开发一种先进的音乐风格分类方法.
• 与当前最先进的技术相比,提高音乐类型分类的准确性和效率.

主要方法:

• 从音频信号中使用预训练的ZFNet模型提取特征.
• 使用ResNeXt模型进行分类,参数通过分数顺序的灰色滞后优化 (FGLGO) 算法进行优化.
• 实施双路径循环网络,用于实时音乐生成和评估.

主要成果:

• 拟议的模型实现了高准确率:在扩展的舞厅数据集上为0.918,在ISMIR2004数据集上为0.954.
• 与CNN,PRCNN,BiLSTM和BiRNN等既定模型相比,在准确性和效率方面取得了明显的增量改进.
• 在音乐风格分类的两个基准数据集上成功评估.

结论:

• 深度学习 (ZFNet,ResNeXt) 和元启发优化 (FGLGO) 的集成为音乐风格分类提供了一个强大的框架.
• 拟议的方法在计算音乐学和音乐信息检索领域取得了重大进展.
• 该模型的性能突显了人工智能在理解和分类复杂音乐结构方面的潜力.