Использование многослойного персептрона для распознавания жанров музыкальных композиций
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Информатика, вычислительная техника и управление
Статья в выпуске: 4-4 т.18, 2016 года.
Бесплатный доступ
В статье приводятся результаты решения задачи распознавания жанров музыкальных композиций при помощи модели многослойного персептрона. Описана методика извлечения классификационных признаков из аудиофайлов музыкальных композиций, приведён перечень используемых в данной работе характеристик. Приведена структура многослойного персептрона, описан алгоритм обучения. Исследована зависимость погрешности обучения многослойного персептрона от значения коэффициента обучения и от числа нейронов в скрытом слое. Исследована точность распознавания музыкальных композиций, принадлежащих пяти различным жанрам на наборе музыкальных композиций GTZAN, состоящем из 1000 примеров.
Похожие статьи в разделе Специальные определители для вычислительной техники
Короткий адрес: https://sciup.org/148204777
IDS: 148204777 | УДК: 004.032.26
Using the multi-layer perceptron for recognizing the music genres
The article shows the results of recognizing the music genres by using the multi-layer perceptron. It describes a method to extract classifying parameters from audio files with music compositions, shows a list of characteristics used in the article. Multi-layer perceptron structure and its learning algorithm are both described. The learning error shows a dependency from a value of the learning coefficient and a number of hidden neurons. Recognizing accuracy is tested on a set of music compositions related to five different genres GTZAN containing 1000 examples.
Список литературы Использование многослойного персептрона для распознавания жанров музыкальных композиций
- Осовский С. Нейронные сети для обработки информации . М.: Финансы и статистика, 2002. 344 с.
- Haykin S.S. et al. Neural networks and learning machines//Upper Saddle River: Pearson Education, 2009. V. 3.
- Scaringella N., Zoia G., Mlynek D. Automatic genre classification of music content: a survey//Signal Processing Magazine, IEEE (Volume 23, Issue 2), 2006. Pp. 21.
- Peeters G. A large set of audio features for sound description (similarity and classification) in the CUIDADO project. CUIDADO I.S.T. Project Report, 2004. Pp. 25.
- Meng A. Ahrendt P., Larsen J. Improving Music Genre Classification by Short-Time Feature Integration//IEEE International Conference on Acoustics, Speech, and Signal Processing, 2005. Pp 4.
- Gouyon F. Dixon S. A review of automatic rhythm description system//Computer Music Journal. 2005. Vol. 29. Pp. 34-54.
- Aucouturier J.J., Pachet F. Representing musical genre: a state of the art//Journal of New Music Research. 2003. Vol. 32. No. 1. Pp. 83-93.
- MIREX 2013: Audio Train Test: Genre Classification (Mixed) -MIREX08 Dataset /URL: http://www.music-ir.org/nema_out/mirex2013/results/act/mixed_report/summary.html (дата обращения 07.09.2016).
- MachineLearning.Ru -информационно-аналитический ресурс по машинному обучению . URL: http://www.machinelearning.ru/(дата обращения 07.09.2016).
- Солдатова О.П., Мушин А.Е. Классификация музыкальных композиций с использованием однослойного персептрона//Труды международной научно технической конференции «Перспективные информационные технологии (ПИТ 2016)» (Самара, СГАУ, 26-28 апреля 2016 г.). Самара: Издательство Самарского научного центра РАН, 2016. С.355-358.
