基于深度学习的作曲家分类问题

被引：47

作者：

胡振 ^{[1
]}

傅昆 ^{[2
]}

张长水 ^{[3
]}

机构：

[1] 清华大学自动化系

[2] 清华信息科学与技术国家实验室(筹)

[3] 智能技术与系统国家重点实验室(清华大学)

来源：

计算机研究与发展 | 2014年 / 51卷 / 09期

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;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

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.

引用

页码：1945 / 1954

页数：10