基于深度学习的作曲家分类问题

摘要：

在音乐信息检索领域,作曲家分类是一个十分重要的问题,这一问题的目标是通过音频数据来识别相应的作曲家信息.传统的分类算法都是通过提取复杂的特征来进行分类的,而深层神经网络在特征学习上具有比较强的能力,因此提出用深层神经网络来解决这一问题.为了结合不同深层神经网络模型的优点,设计了一种混合模型,该模型基于深度置信网络(deep belief network,DBN)和级联去噪自编码器(stacked denoising autoencoder,SDA),可以较好地解决作曲家分类问题.实验表明,该模型取得了76.26％的正确率,这一结果比单纯用某一种模型搭建的深层神经网络以及支持向量机要好.和图像数据类似,人脑在提取音乐特征也是分层的,每一层对信号的处理不一样,因此混合模型在解决作曲家分类问题上具有一定的优势.

关键词：作曲家分类、深层神经网络、混合模型、特征学习、过学习

所属期刊栏目：51

分类号：TP181(自动化基础理论)

资助基金：国家“九七三”重点基础研究发展计划基金项目2013CB329503;北京市教委科技发展计划重点项目KZ201210005007

在线出版日期：2014-11-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1945-1954