如何使用深度神经网络模型实现西洋乐器的自动分类方法

　　本章首先阐述了实现音乐自动分类的意义和必要性，然后介绍了已有的实现音乐自动分类的方法，接着结合西洋乐器音乐信号的分类，在深度神经网络迅速发展的时代背景下，创新性地提出将稀疏特征和深度神经网络模型相结合的方法，实现西洋乐器音乐信号的自动分类。进入20世纪以来，互联网行业相较于其他传统行业，犹如两后春笋般迅速发展，随着网络越来越发达，传统的唱片业已逐渐没落，取而代之的是以数字形式存储的音乐。

　　然而网络世界上的音乐资源千姿百态，想要简单快速地定位到自己要的音乐并不是那么容易，面对这种问题，音乐信息检索（Music Information Retrieval，MIR）相关课题的研究已经成为人们研究的热点之一，为了人们方便检索，互联网上的音乐需要有一个统一的标准进行分类。但是，这个分类目前还处于人工操作的阶段，其不适用于针对海量的数字音乐量，因为人工手动分类会耗费很大的时间精力，无法及时地对每天新兴的数字音乐进行人工分类，并且人工分类受主观影响大，不能客观地对音乐分类提供标准。因此我们需要将研究重点转向基于内容的音乐自动分类技术。在如今的大数据背景下，基于内容的音乐自动分类技术研究价值非同一般，因为它不像之前的人工操作存在主观性，而是采用了客观的统一的标准对音乐自动分类。基于内容的音乐自动分类技术可以实现在大量的音乐库中快速地搜索到自己所需要的音乐。

　　事实上，基于内容的音乐自动分类系统是有很多种分类的，但是人们研究最多的主要还是对音乐流派自动分类、对不同乐器演奏的音乐自动分类、对音乐所传达的情感自动分类和对演唱歌手自动分类与识别。对音乐流派自动分类系统主要原理是训练基于流派的分类器，此系统可以用来识别不同的流派，比如蓝调，爵士之类。对不同乐器演奏的音乐自动分类系统可以用来区分乐器的不同。对音乐所传达的情感自动分类系统主要是依据音乐的传达的情感，在此基础上进行训练，这样人们可以按照自己的心情而搜索到表达相应情感的歌曲。歌手自动分类系统可以根据歌手噪音特点，歌曲曲风，演唱技巧等特征进行分类，这样可以自动识别陌生歌曲的演唱者。

　　由上述介绍可知，基于内容的音乐自动分类技术研究价值非同一般，尤其是能够整合目前网上存在的大量音乐，形成统一有效的索引。而且实现音乐信号自动分类不仅能促进音乐领域的发展，也能促进其他交叉学科，如数学领域，信号处理领域等关联学科的研究。