使用ZFNet,ELM和修改的电动鱼食优化器来识别音乐类型的新方法
Shuang Zhang1, Zhiyong Sun2, Hasan Jafari3,4
1School of Music and Dance, Zunyi Normal University, Zunyi, Guizhou, 563000, China.
Scientific reports
|April 24, 2025
概括
本研究介绍了一种使用深度学习和元启发算法的新音乐类型识别方法. 该方法通过提高分类准确性和性能来增强音乐数据恢复.
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
- 人工智能的人工智能
背景情况:
- 音乐类型分类对于音乐数据恢复和组织至关重要.
- 分类音乐类型包括识别共同的属性,如风格,乐器和文化起源.
- 自动类型分配有助于管理和检索音乐收藏.
研究的目的:
- 通过将深度学习与元启发优化相结合,提出一种新的音乐类型识别方法.
- 为了提高音乐类型分类的准确性和效率.
- 通过先进的类型识别技术来改进音乐数据恢复.
主要方法:
- 使用预先训练的Zeiler和Fergus网络 (ZFNet) 进行高级音频特征提取.
- 使用极端学习机器 (ELM) 进行高效的音乐分类.
- 整合了修改的电动鱼食优化 (MEEFO) 算法来优化ELM参数.
主要成果:
- 拟议的模型在GTZAN和Ballroom数据集上表现出卓越的性能.
- 与一些先进的模型相比,实现了更高的精度,回忆和准确性.
- 通过整合深度学习和元启发性优化,有效地识别音乐类型.
结论:
- 这种新的混合方法在音乐类型识别方面显著优于现有的方法.
- 集成ZFNet,ELM和MEEFO提供了一个强大的音乐数据恢复解决方案.
- 这项研究通过优化深度学习框架推进了音乐信息检索领域的发展.


