本发明专利技术属于智能分类技术领域，公开了一种音乐流派分类方法、装置、设备及存储介质。该方法包括：获取预录制音乐的音乐文件信息；根据所述音乐文件信息通过初始模型进行多次训练，得到多组音乐特征信息；根据所述音乐特征信息进行参数优化，得到最优训练参数；根据所述最优训练参数修改所述初始模型，得到目标分类模型；将接收到的待分类音乐输入到所述目标分类模型，以根据所述目标分类模型输出的结果进行音乐流派分类。通过上述方式，使用端到端的分类方式对音乐流派进行建模分类，将音乐特征的提取和分类合二为一，减少了分类的复杂程度，提高了效率。
【技术实现步骤摘要】
本专利技术涉及智能分类，尤其涉及一种音乐流派分类方法、装置、设备及存储介质。
技术介绍
1、随着音乐多媒体和互联网的发展，网络上有着数以百万的音乐让用户播放，而音乐流派的分类能给用户带来更好的使用体验，用户能够根据自己喜好的流派类型去选择播放音乐。但不同的音乐流派类型存在相似点，很难去区分。专业人士通常用自己的听觉和视觉经验来判断音乐的类型，此方法的个人主观意识比较强烈且效率低下；通过人工提取音乐的音色、音调、节奏、歌词、韵脚等特征，再将特征数据输入到支持向量机中去分类，这种分类方法需要人工提取音乐特征，复杂程度高且分类精度低。
2、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供一种音乐流派分类方法、装置、设备及存储介质，旨在解决现有技术现有的分类方法需要人工提取音乐特征，复杂程度高且分类精度低的技术问题。
2、为实现上述目的，本专利技术提供了一种音乐流派分类方法，所述方法包括以下步骤：
3、获取预录制音乐的音乐文件信息；
4、根据所述音乐文件信息通过初始模型进行多次训练，得到多组音乐特征信息；
5、根据所述音乐特征信息进行参数优化，得到最优训练参数；
6、根据所述最优训练参数修改所述初始模型，得到目标分类模型；
7、将接收到的待分类音乐输入到所述目标分类模型，以根据所述目标分类模型输出的结果进行音乐流派分类。
>8、可选地，所述根据所述音乐文件信息通过初始模型进行多次训练，得到多组音乐特征信息，包括：9、对所述音乐文件信息进行预处理，得到音乐时域数据；
10、将所述音乐时域数据输入到初始模型的卷积层进行多次训练，得到多组音乐特征信息。
11、可选地，所述将所述音乐时域数据输入到初始模型的卷积层进行多次训练，得到多组音乐特征信息，包括：
12、根据所述音乐文件信息确定标签信息；
13、根据所述音乐文件信息和所述标签信息确定标签类型数据；
14、将所述标签类型数据输入到初始模型的卷积层进行多次训练，得到多组音乐特征信息，其中，所述卷积层的首层卷积替换为目标大卷积核，并在所述卷积层后添加目标激活函数。
15、可选地，所述根据所述音乐特征信息进行参数优化，得到最优训练参数，包括：
16、将所述音乐特征信息输入到所述初始模型的池化层进行数据降维，得到了去除冗余特征的多组筛选音乐特征信息；
17、根据所述筛选音乐特征信息确定最后一个池化层对应的目标筛选音乐特征；
18、将所述目标筛选音乐特征输入到所述初始模型的全连接层，得到多个分类结果；
19、根据所述分类结果进行参数优化，得到最优训练参数。
20、可选地，所述将所述音乐特征信息输入到所述初始模型的池化层进行数据降维，得到了去除冗余特征的多组筛选音乐特征信息，包括：
21、将所述音乐特征信息输入到所述初始模型的池化层进行数据降维，得到各卷积运算中的最大值，所述池化层设置为最大池化；
22、根据各卷积运算中的最大值确定多组筛选音乐特征信息。
23、可选地，所述根据所述分类结果进行参数优化，得到最优训练参数，包括：
24、根据所述分类结果确定多个训练次数对应的训练精度信息；
25、根据所述训练精度信息确定分类精度最高的模型对应的训练参数作为最优训练参数。
26、可选地，所述将接收到的待分类音乐输入到所述目标分类模型，以根据所述目标分类模型输出的结果进行音乐流派分类之后，还包括：
27、当接收到分类错误指令时，获取分类错误的错误音乐信息；
28、根据所述错误音乐信息对所述目标分类模型进行再训练和输出，以增强所述目标分类模型的泛化能力。
29、此外，为实现上述目的，本专利技术还提出一种音乐流派分类装置，所述音乐流派分类装置包括：
30、信息获取模块，用于获取预录制音乐的音乐文件信息；
31、模型训练模块，用于根据所述音乐文件信息通过初始模型进行多次训练，得到多组音乐特征信息；
32、参数优化模块，用于根据所述音乐特征信息进行参数优化，得到最优训练参数；
33、模型优化模块，用于根据所述最优训练参数修改所述初始模型，得到目标分类模型；
34、模型分类模块，用于将接收到的待分类音乐输入到所述目标分类模型，以根据所述目标分类模型输出的结果进行音乐流派分类。
35、此外，为实现上述目的，本专利技术还提出一种音乐流派分类设备，所述音乐流派分类设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的音乐流派分类程序，所述音乐流派分类程序配置为实现如上文所述的音乐流派分类方法的步骤。
36、此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有音乐流派分类程序，所述音乐流派分类程序被处理器执行时实现如上文所述的音乐流派分类方法的步骤。
37、本专利技术获取预录制音乐的音乐文件信息；根据所述音乐文件信息通过初始模型进行多次训练，得到多组音乐特征信息；根据所述音乐特征信息进行参数优化，得到最优训练参数；根据所述最优训练参数修改所述初始模型，得到目标分类模型；将接收到的待分类音乐输入到所述目标分类模型，以根据所述目标分类模型输出的结果进行音乐流派分类。通过这种方式，实现了通过预先录制的音乐文件进行多次的训练得到音乐特征信息，根据多次训练得到的音乐特征信息进行最优参数的选取，使得训练得到最终的目标分类模型，实现了自动选取特征进行训练和分类，自动对音乐流派进行分类。使用端到端的分类方式对音乐流派进行建模分类，将音乐特征的提取和分类合二为一，减少了分类的复杂程度，提高了效率。
本文档来自技高网...
【技术保护点】
1.一种音乐流派分类方法，其特征在于，所述音乐流派分类方法包括：
2.如权利要求1所述的方法，其特征在于，所述根据所述音乐文件信息通过初始模型进行多次训练，得到多组音乐特征信息，包括：
3.如权利要求2所述的方法，其特征在于，所述将所述音乐时域数据输入到初始模型的卷积层进行多次训练，得到多组音乐特征信息，包括：
4.如权利要求1所述的方法，其特征在于，所述根据所述音乐特征信息进行参数优化，得到最优训练参数，包括：
5.如权利要求4所述的方法，其特征在于，所述将所述音乐特征信息输入到所述初始模型的池化层进行数据降维，得到了去除冗余特征的多组筛选音乐特征信息，包括：
6.如权利要求4所述的方法，其特征在于，所述根据所述分类结果进行参数优化，得到最优训练参数，包括：
7.如权利要求1至6中任一项所述的方法，其特征在于，所述将接收到的待分类音乐输入到所述目标分类模型，以根据所述目标分类模型输出的结果进行音乐流派分类之后，还包括：
8.一种音乐流派分类装置，其特征在于，所述音乐流派分类装置包括：
>9.一种音乐流派分类设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的音乐流派分类程序，所述音乐流派分类程序配置为实现如权利要求1至7中任一项所述的音乐流派分类方法。10.一种存储介质，其特征在于，所述存储介质上存储有音乐流派分类程序，所述音乐流派分类程序被处理器执行时实现如权利要求1至7任一项所述的音乐流派分类方法。
...
【技术特征摘要】
1.一种音乐流派分类方法，其特征在于，所述音乐流派分类方法包括：
2.如权利要求1所述的方法，其特征在于，所述根据所述音乐文件信息通过初始模型进行多次训练，得到多组音乐特征信息，包括：
3.如权利要求2所述的方法，其特征在于，所述将所述音乐时域数据输入到初始模型的卷积层进行多次训练，得到多组音乐特征信息，包括：
4.如权利要求1所述的方法，其特征在于，所述根据所述音乐特征信息进行参数优化，得到最优训练参数，包括：
5.如权利要求4所述的方法，其特征在于，所述将所述音乐特征信息输入到所述初始模型的池化层进行数据降维，得到了去除冗余特征的多组筛选音乐特征信息，包括：
6.如权利要求4所述的方法，其特征在于，所述根据所述分类...
【专利技术属性】
技术研发人员：蒋刚，肖鑫龙，王宁，宋华东，孟国防，
申请(专利权)人：深圳天好光电有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。