简谈神经网络基于概率神经网络流行音乐分类研究

论文导读：
摘要：本文以中国的流行音乐为研究对象，就如何区分音乐风格的问题，我们建立了概率神经网络（PNN）模型，对流行音乐的风格给出一个自然、合理的分类方法，以便给网络电台的推荐功能和其它可能的用途提供支持。 我们选取了重要的七个音符在乐谱中出现的频率来反应歌曲的风格，通过实验验证了该模型的有效性和准确性，为音乐风格分类提供科学客观准确的方法。
关键词：音乐分类 概率神经网络（PNN）模型 Matlab编程
1007-9416（2013）08-0064-02
1 背景资料
流行音乐（Popular Music）于19世纪末20世纪初起源于美国，从音乐体系看，流行音乐是在布鲁斯、爵士乐、摇滚乐、等美国大众音乐架构基础上发展起来的音乐。中国流行音乐的风格与形态主要受欧美影响，在此基础上逐渐形成本土风格。近年来流行音乐中刮起了一股“中国风”，音乐风格不同的音乐人借助这一元素共同表达了一种向中国传统元素靠拢的趋势，使得流行音乐具有独特的中国风格。中国流行音乐中中国元素有逐渐增多的趋势，如流行音乐出现了戏曲元素、古典元素等，使得我国流行音乐得到了更大的发展，我国的流行音乐中的音乐元素也开始呈现多样性发展景象。像我国最近几年流行的Pop（流行）、Country（乡村）、Jazz（爵士）、Rock（摇滚）、R&B（节奏布鲁斯）、NewAge（新世纪）、经典（classic）等。
随着经济的快速发展，我国信息化速度的加快，互联网的不断发展，流行音乐的传播媒介从传统的电台和唱片逐渐过渡到网络下载和网络电台等。流行音乐的结构短小、内容通俗、形式活泼、情感真挚，并被广大群众所喜爱，广泛传唱或欣赏，流行一时的甚至流传后世的器乐曲和歌曲。这些乐曲和歌曲，植根于大众生活的丰厚土壤之中。在近几十年里，流行音乐慢慢的被作为商业性的音乐消遣娱乐，以及与此相关的一切“工业”现象许多的网络电台都会搜集上符合大部分人喜好的音乐，以供收听者的下载和播放。由于每个人喜好的音乐可能横跨若干种风格，各种网络电台需要搜集大部分人对不同音乐的喜好程度，需要根据流行音乐的风格分成各种类别的音乐。
2 模型的建立与求解

2.1 数据处理

我们选取中国流行音乐中的六大类风格音乐作为训练样本，选取的七个音符在乐谱中的数目百分比可以反应歌曲的风格。根据数据源分别计算出主要音符在乐谱中出现的频率。从计算的数据中，我们可以看出歌曲乐谱中的音符数频率满足一定的均匀分布，基本分布在0到1之间，我们的样本数据可以作为训练样本，在神经网络系统中试验，我们希望我们的试验可以达到一定的准确率。

2.2 概率神经网络模型

概率神经网络（PNN）是一种基于Bayes分类规则与Parzen窗的概率密度函数估计方法发展而来的并行算法。在实际应用中，尤其是在解决分类问题的应用中，它的优势在于用线性学习算法来完成非线性学习算法所做的工作，同时保持非线性算法的高精度等特性。PNN网络可以用来进行更多样本的预测，训练样本较大时且要求精度较高时，网络常常不收敛且往往陷入局部最优。
概率神经网络由径向基神经元和竞争神经元组成，经常用来解决分类问题。概率神经网络的拓扑机构如图2所示，共分4层，分别为输入层、模式层、求和层和输出层。
（1）输入层接受来自训练样本的值，将特征向量传递给网络，其神经元数目和样本矢量的维数相等；
（2）模式层计算输入特征向量与训练集中各个模式的匹配关系；
（3）模式层神经元的个数等于各个类别样本数之和，给曾每个模式的输出为
式中，；为输入层到模式层连接的权值，为平滑因子，它对分类的起着至关重要的作用。
（4）求和层，是将属于某类的概率统计，按①式计算，从而得到故障模式的估计概率密度函数。因此求和层单元简单地将自己类的模式层单元的输出相加，而与属于其他类别的模式层单元的输出无关。[3]求和层单元的输出与各类基于内核的概率密度的估计成比例，通过输出层的归一化处理，就能得到各类的概率估计。
（5）基于PNN故障诊断方法。
假设有两种已知的故障模式、，对于要判断的故障特征样本：若，则；
式中，先验概率（，）；我们可以根据现有的故障特征样本求其统计值。

2.3 模型的求解

用训练好的PNN神经网络对训练数据进行迭代，得到60个论文导读：详细准确无误的分类，从而能在音乐电台时间可以找到听众所需求的歌曲，而且迅速及时刚好符合短时间内的多需求量的特点。使得其音乐电台更加受听众的喜爱。3.2基于流行音乐的大众审美研究等通过对音乐细致精确地分类，我们从内心直觉感受出发通过音响激发想象和联想，去审美音乐，并且视听联觉形象思维和创造性思维等能力
样本的判定结果，如图2，可见只有6个样本判断错误，准确率达到90%，之后我们仍然用的是MATLAB软件做出误差图，能更清晰地发现该模型的准确性，其中出错的6个样本是因为这些样本不仅只有一种风格属性，还有其它风格的属性，因为该模型的决策属性是音符、高八度、低八度、空拍、节拍减半、节拍延长、浮点音符在乐谱中自考论文www.7ctime.com
的出现频率所组成，难免会出现前几个属性服从一种风格，而其余几个属性却服从另外一种风格，所以判断会有误差，因此可以判定，该模型确实可以对现有的音乐分类做出相对准确的判断。

2.4 模型的预测检验

将测试数据的代入，由图3，我们用测试的样本数据通过神经网络试验，我们得到预测的错误率是21%，预测的效果还是可以说明了该模型的可行性以及有效性。
3 模型的推广

3.1 对流行音乐市场的分析

随着互联网的发展，在利用概率神经网络模型的分类，我们通过MATLAB对其实现，可以看出我们的分类准确度较高，达到将近95%以上，这表明该分类方法合理。利用此方法对音乐的分类详细，搜索灵敏度高，比如对网络电台对音乐的推荐会有很大帮助。在音乐电台中经常要满足听众的需求而搜索好多不同类型的歌曲，其歌曲因人的喜好而具有不同风格的歌曲，按照我们的模型概率神经网络（PNN）来模拟的分类方法可以将各种不同类型的歌曲进行详细准确无误的分类，从而能在音乐电台时间可以找到听众所需求的歌曲，而且迅速及时刚好符合短时间内的多需求量的特点。使得其音乐电台更加受听众的喜爱。

3.2 基于流行音乐的大众审美研究等

通过对音乐细致精确地分类，我们从内心直觉感受出发通过音响激发想象和联想，去审美音乐，并且视听联觉形象思维和创造性思维[4]等能力培养与审美音乐有密切关系，所以我们可以充分调动视听联觉通过音乐审美可以锻炼自己的想象思维，掌握审美音乐的特征和方法，可以了解审美音乐的心理要素及其活动过程，从而更容易引导和锻炼人的思维和想象能力。
参考文献
Specht D.F.probabilistic neural networks[J].cural Ncural Networks，1990.3（1）：109—118.
张立明.人工神经网络模型及应用[M].上海：复旦大学出版社，1993.
[3]史忠值.神经网络[M].北京：高等教育出版社，2009.
[4]廖家骅.音乐欣赏与创造性思维[J].中国音乐教育，2002，（1）：19.