目前民族樂器板材振動信號識別算法存在特征提取復(fù)雜且耗時長等缺點,針對此問題,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的木材振動信號分類識別算法,實現(xiàn)了樂器板材優(yōu)劣的判別。卷積神經(jīng)網(wǎng)絡(luò)將特征提取和分類過程結(jié)合來進行神經(jīng)網(wǎng)絡(luò)的訓練,具有識別度高、魯棒性好等優(yōu)點。首先重點分析和討論了提取木材振動信號的語譜圖特征,然后應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)結(jié)合網(wǎng)格搜索的方法進行參數(shù)調(diào)優(yōu)。為了防止過擬合,還應(yīng)用了Re LU和dropout等新技術(shù),得到最終分類結(jié)果。實驗證明,測試樣本準確率達到96%,明顯優(yōu)于傳統(tǒng)方法。該方法可減小人工測量的誤差,加快板材的選取時間,為民族樂器制造領(lǐng)域的選材提供了一種更加實用的方法。 

【文章來源】：計算機應(yīng)用研究. 2019,36(03)北大核心CSCD

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
    1.1 卷積層
    1.2 池化層
    1.3 全連接層
    1.4 其他常用層
2 特征提取
3 實驗方法與結(jié)果分析
    3.1 實驗聲音樣本集及實驗環(huán)境
    3.2 實驗及結(jié)果分析
        3.2.1 基于網(wǎng)格搜索的CNN模型調(diào)整
        3.2.2 不同CNN結(jié)構(gòu)對比實驗
4 結(jié)束語


【參考文獻】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[2]基于網(wǎng)格搜索算法的PCNN模型參數(shù)自適應(yīng)[J]. 李瀚,楊曉峰,鄧紅霞,常莎,李海芳.  計算機工程與設(shè)計. 2017(01)
[3]基于語譜圖行投影的特定人二字漢語詞匯識別[J]. 梁士利,魏瑩,潘迪,張玲,許廷發(fā),王雙維.  吉林大學學報(工學版). 2017(01)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識別研究[J]. 鄧柳,汪子杰.  計算機應(yīng)用研究. 2016(03)
[5]面向語音情感識別的語譜圖特征提取算法[J]. 陶華偉,査誠,梁瑞宇,張昕然,趙力,王青云.  東南大學學報(自然科學版). 2015(05)
[6]中國民族樂器傳承與發(fā)展[J]. 羅嘉琪,唐衡.  前沿. 2013(07)
[7]纖絲角對云杉屬木材聲振動特性的影響[J]. 沈雋,劉一星,劉振波,于海鵬,岡野健,和田昌久.  東北林業(yè)大學學報. 2002(05)
[8]幾種木材聲學性質(zhì)的測定[J]. 李源哲,李先澤,汪溪泉,王書勤.  林業(yè)科學. 1962(01)



本文編號：3552640