基于情感特征的背景音乐分类方法(2)

时间:2017-09-18 10:15 来源:网络整理

蚁群优化算法根据蚂蚁爬行、觅食群体行为对问题进行求解,问题搜索的速度快,而且具有正反馈功能,因此性能要优于其他人工智能算法。采用蚁群优化算法进行背景音乐特征筛选就是要得到一条最优路径,该路径每一个点组成了最后筛选出的最优背景音乐特征,如图2所示。

蚁群优化算法筛选背景音乐特征的步骤如下:

(1) 蚂蚁在进行背景音乐特征选择过程中,通过节点的转移来确定方向,而方向根据转移概率实现,蚂蚁从背景音乐特征移到特征的概率计算公式为:

式中:为启发因子,根据背景音乐分类正确率估计;表示在时刻背景音乐特征与的路径上的信息素浓度;为蚂蚁移动过程中的节点禁忌表。

(2) 蚂蚁完成一轮背景音乐特征搜索后,路径上的信息浓度需要进行更新,具体为:

式中:表示迭代数;表示信息素残留因子;为适应度函数值;为一常数。

(3) 时刻时,蚂蚁找到第个背景音乐重要特征后,当进行第个特征搜索时,对前面个特征集合进行精细搜索,的任意子集为且有那么应该满足如下条件:

(4) 若连续3次增加背景音乐特征时,的值没有太大变化,那么说明此时背景音乐特征可以表示原始背景音乐特征信息,它们为最重要的背景音乐特征。

蚁群优化算法筛选背景音乐特征的流程图如图3所示。

4 背景音乐分类器的设计

采用BP神经网络设计背景音乐分类器,其学习过程具体为:

BP神经网络通过对权值和阈值进行自动调整,使得误差最小,从而结束学习,并输出相应的结果。

5 实验结果与分析

为了分析基于情感特征的背景音乐分类效果,选择一些背景音乐数据作为实验对象,背景音乐有4种类型,分别为高兴、悲伤、痛苦、舒缓,采集的每一种类型背景音乐样本数量如表1所示。

选择文献[11?12]的音乐分类方法进行对比实验,均执行5次仿真实验,选择最高正确率为最终背景音乐分类的正确率,同时统计3种分类方法的平均分类时间(单位:s),结果如表2所示。

对表2的实验结果进行分析,可以得到如下结论:

(1) 对比方法的背景音乐分类正确率低于本文分类方法,分类错误数比较多,说明对比方法不能很好地描述背景音乐分类的信息,难以准确区别背景音乐的类型。

(2) 本文方法的背景音乐分类正确率高于对比方法,大幅度降低了背景音乐的错识分类数,主要是由于本文方法引入了情感特征,丰富了背景音乐的信息量,获得了更优的背景音乐分类结果。

(3) 相对于对比方法,本文方法的背景音乐平均分类时间最少,加快了背景音乐的分类速度,可以用于大规模背景音乐的检索,实际应用价值更高。

6 结 语

为了正确区分背景音乐的类别,提出基于情感特征的背景音乐分类方法。针对当前方法忽略情感特征的作用,提取多种情感特征作为背景音乐分类特征向量,引入蚁群算法对特征进行筛选,降低了特征维数,简化了背景音乐分类器的结构,神经网络建立了背景音乐分类器,实验结果表明,该方法可以快速、准确地区别各种类型的背景音乐,分类正确率要高于其他音乐分类方法,具有明显的优越性。

参考文献

[1] DUNKER P, NOWAK S, BEGAU A, et a1. Content based mood classification for photos and music: a generic multi?modal classification framework and evaluation approach [C]// Procee?ding of the 1st ACM International Conference on Multimedia Information Retrieval. Vancouver: ACM, 2008: 97?104.

[2] YANG Y H, LIU C C, CHEN H H. Music emotion classification: a fuzzy approach [C]// Proceedings of the 14th Annual ACM international Conference on Multimedia. Santa Barbara: ACM, 2006: 81?84.

[3] YANG Y H, SU Y F, LIN Y C, et a1. Music emotion recognition: the role of individuality [C]// Proceedings of 2007 International Workshop. Augsburg: ACM, 2007: 13?21.

[4] 范劲松,方廷健.特征选择和提取要素的分析及其评价[J].计算机工程与应用,2001(13):95?99.

[5] 白亮,老松杨,陈剑,等.音频自动分类中的特征分析和抽取[J].小型微型計算机系统,2005,26(11):2029?2034.

[6] 秦丹,马光志.基于挖掘技术的音乐风格识别系统[J].计算机工程与设计,2005,26(11):3094?3096.

[7] 马希荣,梁景莲.基于情感音乐模版的音乐检索系统研究[J].计算机科学,2009,36(1):239?241.

[8] 陈功,张雄伟.一种基于灰关联分析的语音/音乐分类方法[J].声学技术,2007,26(2):262?267.

[9] 石祥滨,赵健谕,刘芳,等.一种分段式音乐情感识别方法[J].小型微型计算机系统,2012,33(8):1847?1850.

[10] 孟永辉,蒋冬梅,付中华,等.一种新颖的语言/音乐分割与分类方法[J].计算机工程与科学,2009,31(4):106?109.

[11] 高林杰,张明.基于熵和支持向量机的音乐分类方法[J].计算机系统应用,2014,23(5):83?88.

[12] 张燕,唐振民,李燕萍,等.基于MFCC和HMM的音乐分类方法研究[J].南京师范大学学报(工程技术版),2008(4):112?114.

[13] 王小凤,耿国华,李鹏,等.一个基于相关反馈的神经网络音乐情感分类器构建算法[J].西北大学学报(自然科学版),2012,42(1):30?35.





上一篇:文化节目发力 清流综艺找到情感共鸣才能持久
下一篇:性优谷两性健康资讯网
相关文章