音乐类型的分类与并行卷积神经网络和卡普奇寻找算法.
1Conservatory of Music, Jilin University of the Arts, Changchun, 130000, Jilin, China. 1807050217@stu.hrbust.edu.cn.
Scientific reports
|March 21, 2025
概括
这项研究引入了一种集体卷积神经网络 (CNN) 系统用于音乐类型分类,通过结合离散波纹变换 (DWT),频率交叉曲面系数 (MFCC) 和短时间里埃变换 (STFT) 功能来实现高精度.
科学领域:
- 计算机科学 计算机科学
- 音乐信息检索 音乐信息检索
- 机器学习 机器学习
背景情况:
- 音乐类型的分类对于个性化的音乐体验和播放列表生成至关重要.
- 高科技的多媒体工具需要强大的音乐分类器来有效处理未标记的音乐数据.
- 机器学习和深度学习方法对于开发先进的音乐分类系统至关重要.
研究的目的:
- 为准确的音乐类型检测开发一种新的卷积神经网络 (CNN) 模型合奏系统.
- 通过整合各种音频功能和优化模型超参数来增强音乐分类.
- 通过更好的类型分类来改善消费者对媒体播放器和音乐文件的体验.
主要方法:
- 利用一组卷积神经网络 (CNN) 模型进行音乐类型分类.
- 采用离散波波变换 (DWT),频率曲系数 (MFCC) 和短时间里埃变换 (STFT) 来进行全面的特征提取.
- 优化模型超参数使用卡普奇寻找算法 (CapSA).
主要成果:
- 在GTZAN数据集上实现了96.07%的平均分类准确度.
- 在扩展舞厅数据集上获得了96.20%的平均分类准确度.
- 通过集成信号处理和CNN模型,与以前的可比方法相比,表现出更高的性能.
结论:
- 拟议的合奏CNN方法通过结合多种信号处理技术,有效地分类音乐类型.
- 整合DWT,MFCC和STFT功能为捕捉风格音乐品质提供了一个强大的框架.
- 这项研究提升了音乐类型分类的准确性,并提供了对混合各种音乐组件的见解.


