本發(fā)明涉及信息分類技術(shù)，尤其涉及基于數(shù)據(jù)碼頭部識別的音樂信息分類方法及系統(tǒng)。

背景技術(shù)：

1、隨著數(shù)字音樂的快速發(fā)展，海量音樂數(shù)據(jù)的高效管理和精準(zhǔn)分類成為了一個亟待解決的問題。傳統(tǒng)的音樂分類方法主要依賴于人工標(biāo)注或簡單的音頻特征提取，這些方法存在以下缺點(diǎn)：

2、人工標(biāo)注耗時耗力，難以應(yīng)對海量數(shù)據(jù)；簡單的音頻特征無法充分表達(dá)音樂的語義信息；分類精度不高，尤其是對于跨類別的音樂作品；缺乏對音樂風(fēng)格演變和新興音樂類型的適應(yīng)能力。

3、近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于神經(jīng)網(wǎng)絡(luò)的音樂特征提取和分類方法取得了一定進(jìn)展。然而，這些方法仍然面臨以下挑戰(zhàn)：

4、特征提取的計算復(fù)雜度高，難以實(shí)現(xiàn)實(shí)時分類；模型泛化能力有限，對未見過的音樂類型適應(yīng)性差；缺乏對音樂類型之間層次關(guān)系的建模；分類結(jié)果缺乏可解釋性，難以應(yīng)用于精細(xì)化的音樂管理。

5、為了解決上述問題，研究人員提出了各種改進(jìn)方法，如使用遷移學(xué)習(xí)提高模型泛化能力，引入注意力機(jī)制捕捉關(guān)鍵特征，采用層次化分類策略等。然而，這些方法往往只解決了部分問題，缺乏一個統(tǒng)一的框架來全面提升音樂分類的效率和準(zhǔn)確性。

6、因此，亟需一種能夠高效提取音樂語義特征、構(gòu)建層次化分類體系、并具有良好泛化能力和可解釋性的音樂分類方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供基于數(shù)據(jù)碼頭部識別的音樂信息分類方法及系統(tǒng)，能夠解決現(xiàn)有技術(shù)中的問題。

2、本發(fā)明實(shí)施例的第一方面，

3、提供基于數(shù)據(jù)碼頭部識別的音樂信息分類方法，包括：

4、對輸入的音頻數(shù)據(jù)進(jìn)行時頻域轉(zhuǎn)換，得到頻譜圖；從所述頻譜圖中提取多維特征向量，將所述多維特征向量輸入預(yù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型，提取高級語義特征；根據(jù)所述高級語義特征生成音頻數(shù)據(jù)的數(shù)據(jù)碼；

5、構(gòu)建數(shù)據(jù)碼頭部識別模型，將生成的數(shù)據(jù)碼輸入所述數(shù)據(jù)碼頭部識別模型，提取數(shù)據(jù)碼的頭部特征；根據(jù)所述頭部特征對音頻數(shù)據(jù)進(jìn)行初步分類，得到初步分類結(jié)果；建立音樂類型分類樹，所述音樂類型分類樹包括多個層級的音樂類型節(jié)點(diǎn)；根據(jù)所述初步分類結(jié)果在所述音樂類型分類樹中定位初始節(jié)點(diǎn)；

6、將所述高級語義特征與所述頭部特征進(jìn)行多模態(tài)特征融合，得到融合特征向量；構(gòu)建層次化分類模型，所述層次化分類模型包括多個子分類器，每個子分類器對應(yīng)音樂類型分類樹中的一個非葉子節(jié)點(diǎn)；將所述融合特征向量輸入所述層次化分類模型，從初始節(jié)點(diǎn)開始，逐層向下進(jìn)行精細(xì)化分類；

7、在每一層級的分類過程中，動態(tài)調(diào)整特征權(quán)重，突出當(dāng)前層級的關(guān)鍵特征；根據(jù)分類結(jié)果更新音樂類型分類樹，包括添加新的音樂類型節(jié)點(diǎn)或調(diào)整節(jié)點(diǎn)間的關(guān)系；輸出最終的音樂信息分類結(jié)果。

8、在一種可選的實(shí)施方式中，

9、將所述多維特征向量輸入預(yù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型，提取高級語義特征；根據(jù)所述高級語義特征生成音頻數(shù)據(jù)的數(shù)據(jù)碼包括：

10、將多維特征向量重塑為梅爾頻譜圖格式；將所述梅爾頻譜圖輸入預(yù)訓(xùn)練的vggish深度神經(jīng)網(wǎng)絡(luò)模型；通過所述vggish深度神經(jīng)網(wǎng)絡(luò)模型的卷積層塊和全連接層提取高級語義特征；

11、將所述高級語義特征中的每個元素量化為8位無符號整數(shù)；對量化后的特征向量進(jìn)行位平面分解，得到8個二進(jìn)制位平面；計算每個所述二進(jìn)制位平面的熵值；根據(jù)所述熵值對所述二進(jìn)制位平面進(jìn)行排序，選擇信息量最大的前k個二進(jìn)制位平面；

12、將選中的k個二進(jìn)制位平面連接成一個長二進(jìn)制序列，使用游程編碼對長二進(jìn)制序列進(jìn)行壓縮；若壓縮后長度超過目標(biāo)長度，則進(jìn)行截斷；若壓縮后長度不足目標(biāo)長度，則用0填充至目標(biāo)長度；

13、使用crc-32算法計算壓縮后序列的校驗和；將所述校驗和添加到壓縮后序列的末尾，生成固定長度的二進(jìn)制數(shù)據(jù)碼。

14、在一種可選的實(shí)施方式中，

15、構(gòu)建數(shù)據(jù)碼頭部識別模型，將生成的數(shù)據(jù)碼輸入所述數(shù)據(jù)碼頭部識別模型，提取數(shù)據(jù)碼的頭部特征；根據(jù)所述頭部特征對音頻數(shù)據(jù)進(jìn)行初步分類，得到初步分類結(jié)果包括：

16、所述數(shù)據(jù)碼頭部識別模型包括卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)；所述卷積神經(jīng)網(wǎng)絡(luò)包括多個不同大小的卷積核，每種大小的卷積核設(shè)置多個濾波器；所述循環(huán)神經(jīng)網(wǎng)絡(luò)為雙向長短時記憶網(wǎng)絡(luò)；在所述雙向長短時記憶網(wǎng)絡(luò)之后設(shè)置自注意力機(jī)制層；

17、將所述數(shù)據(jù)碼轉(zhuǎn)換為數(shù)值表示的數(shù)據(jù)碼序列；將轉(zhuǎn)換后的數(shù)據(jù)碼序列輸入所述數(shù)據(jù)碼頭部識別模型；通過所述卷積神經(jīng)網(wǎng)絡(luò)和最大池化操作提取多尺度局部特征；將提取的多尺度局部特征輸入所述雙向長短時記憶網(wǎng)絡(luò)，獲取上下文相關(guān)的特征表示；利用所述自注意力機(jī)制層計算不同位置的重要性權(quán)重；將加權(quán)后的特征通過全連接層，得到數(shù)據(jù)碼的頭部特征；

18、對所述頭部特征進(jìn)行z-score標(biāo)準(zhǔn)化處理；利用主成分分析方法對標(biāo)準(zhǔn)化后的頭部特征進(jìn)行降維，保留解釋方差比例達(dá)到預(yù)設(shè)閾值的主成分；構(gòu)建隨機(jī)森林分類器，將降維后的頭部特征輸入所述隨機(jī)森林分類器，得到每個樣本屬于各個音樂類別的概率；選擇概率最高的類別作為初步分類結(jié)果。

19、在一種可選的實(shí)施方式中，

20、所述方法還包括：

21、使用交叉驗證方法評估分類性能，計算準(zhǔn)確率、精確率、召回率和f1分?jǐn)?shù)；對分類錯誤的樣本進(jìn)行分析，識別難分類的音樂類型；根據(jù)分析結(jié)果，調(diào)整所述數(shù)據(jù)碼頭部識別模型的參數(shù)和所述隨機(jī)森林分類器的參數(shù)，提高分類準(zhǔn)確率。

22、在一種可選的實(shí)施方式中，

23、建立音樂類型分類樹，所述音樂類型分類樹包括多個層級的音樂類型節(jié)點(diǎn)；根據(jù)所述初步分類結(jié)果在所述音樂類型分類樹中定位初始節(jié)點(diǎn)包括：

24、構(gòu)建音樂類型分類樹，所述構(gòu)建音樂類型分類樹包括：定義多層級音樂類別，每個節(jié)點(diǎn)包含唯一標(biāo)識符、節(jié)點(diǎn)名稱、父節(jié)點(diǎn)、子節(jié)點(diǎn)列表、特征向量和樣本數(shù)量；收集帶標(biāo)簽的音樂樣本，使用聚類算法分析樣本，動態(tài)調(diào)整樹結(jié)構(gòu)；計算每個節(jié)點(diǎn)的代表性特征向量，所述代表性特征向量為該節(jié)點(diǎn)所有音樂樣本的高級語義特征均值向量；計算所有節(jié)點(diǎn)之間的余弦相似度，構(gòu)建節(jié)點(diǎn)間相似度矩陣；

25、對輸入的音樂樣本進(jìn)行分類，所述對輸入的音樂樣本進(jìn)行分類包括：提取所述音樂樣本的高級語義特征向量；使用隨機(jī)森林分類器對所述音樂樣本進(jìn)行初步分類，得到各個頂層類別的概率分布；選擇概率最高的前n個頂層類別，對每個選中的頂層類別執(zhí)行多路徑搜索，所述多路徑搜索包括從頂層節(jié)點(diǎn)開始，計算所述音樂樣本特征向量與當(dāng)前節(jié)點(diǎn)特征向量的相似度，選擇相似度最高的子節(jié)點(diǎn)進(jìn)入下一層，重復(fù)此過程直到達(dá)到葉子節(jié)點(diǎn)或相似度低于預(yù)設(shè)閾值；收集多路徑搜索得到的所有候選節(jié)點(diǎn)，計算所述音樂樣本特征向量與每個候選節(jié)點(diǎn)特征向量的相似度，根據(jù)相似度對候選節(jié)點(diǎn)進(jìn)行排序；選擇相似度最高的候選節(jié)點(diǎn)作為初始節(jié)點(diǎn)。

26、在一種可選的實(shí)施方式中，

27、評估分類結(jié)果并優(yōu)化分類樹，所述評估分類結(jié)果并優(yōu)化分類樹包括：

28、計算所述音樂樣本特征向量與初始節(jié)點(diǎn)特征向量的相似度，將所述相似度與預(yù)設(shè)閾值比較，評估分類置信度；若置信度低于所述預(yù)設(shè)閾值，則將所述音樂樣本標(biāo)記為"不確定"；記錄分類結(jié)果，包括初始節(jié)點(diǎn)、置信度和搜索路徑；根據(jù)分類結(jié)果更新節(jié)點(diǎn)的樣本數(shù)量和特征向量；定期重新計算節(jié)點(diǎn)間相似度矩陣，優(yōu)化音樂類型分類樹結(jié)構(gòu)。

29、在一種可選的實(shí)施方式中，

30、構(gòu)建層次化分類模型，所述層次化分類模型包括多個子分類器，每個子分類器對應(yīng)音樂類型分類樹中的一個非葉子節(jié)點(diǎn)；將所述融合特征向量輸入所述層次化分類模型，從初始節(jié)點(diǎn)開始，逐層向下進(jìn)行精細(xì)化分類包括：

31、對高級語義特征向量和頭部特征向量進(jìn)行標(biāo)準(zhǔn)化處理，消除不同特征之間的量綱差異；使用隨機(jī)森林算法對標(biāo)準(zhǔn)化后的特征進(jìn)行重要性評估，計算每個特征的gini重要性指數(shù)；根據(jù)特征重要性指數(shù)，選擇最重要的特征子集；

32、采用注意力機(jī)制進(jìn)行特征融合，定義注意力權(quán)重矩陣，使用softmax函數(shù)計算每個特征的權(quán)重，得到融合特征向量；對融合特征向量進(jìn)行主成分分析降維處理，得到降維后的特征向量；

33、構(gòu)建層次化分類模型，所述層次化分類模型包括多個子分類器，每個子分類器對應(yīng)音樂類型分類樹中的一個非葉子節(jié)點(diǎn)，每個子分類器由支持向量機(jī)、隨機(jī)森林和梯度提升決策樹組成；

34、為每個子分類器定制特征集，包括降維后的特征向量和節(jié)點(diǎn)特定的領(lǐng)域特征；采用分層交叉驗證方法訓(xùn)練每個子分類器，使用stacking方法融合基礎(chǔ)模型的預(yù)測結(jié)果；設(shè)計層次化決策策略，定義置信度閾值和節(jié)點(diǎn)選擇函數(shù)，用于在分類過程中的節(jié)點(diǎn)選擇和終止條件判斷；

35、計算每個節(jié)點(diǎn)的特征重要性向量，使用shap值量化特征的重要性；設(shè)計權(quán)重調(diào)整函數(shù)，根據(jù)當(dāng)前節(jié)點(diǎn)和父節(jié)點(diǎn)的特征重要性差異動態(tài)調(diào)整特征權(quán)重；

36、在每次向下一層分類時，使用權(quán)重調(diào)整函數(shù)更新特征向量；引入自適應(yīng)機(jī)制，根據(jù)分類性能動態(tài)調(diào)整權(quán)重調(diào)整函數(shù)的參數(shù)；將降維后的特征向量輸入所述層次化分類模型，從初始節(jié)點(diǎn)開始，逐層向下進(jìn)行精細(xì)化分類，在每一層級的分類過程中動態(tài)調(diào)整特征權(quán)重；輸出最終的音樂類型分類結(jié)果。

37、本發(fā)明實(shí)施例的第二方面，提供基于數(shù)據(jù)碼頭部識別的音樂信息分類系統(tǒng)，包括：

38、第一單元，用于對輸入的音頻數(shù)據(jù)進(jìn)行時頻域轉(zhuǎn)換，得到頻譜圖；從所述頻譜圖中提取多維特征向量，將所述多維特征向量輸入預(yù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型，提取高級語義特征；根據(jù)所述高級語義特征生成音頻數(shù)據(jù)的數(shù)據(jù)碼；

39、第二單元，用于構(gòu)建數(shù)據(jù)碼頭部識別模型，將生成的數(shù)據(jù)碼輸入所述數(shù)據(jù)碼頭部識別模型，提取數(shù)據(jù)碼的頭部特征；根據(jù)所述頭部特征對音頻數(shù)據(jù)進(jìn)行初步分類，得到初步分類結(jié)果；建立音樂類型分類樹，所述音樂類型分類樹包括多個層級的音樂類型節(jié)點(diǎn)；根據(jù)所述初步分類結(jié)果在所述音樂類型分類樹中定位初始節(jié)點(diǎn)；

40、第三單元，用于將所述高級語義特征與所述頭部特征進(jìn)行多模態(tài)特征融合，得到融合特征向量；構(gòu)建層次化分類模型，所述層次化分類模型包括多個子分類器，每個子分類器對應(yīng)音樂類型分類樹中的一個非葉子節(jié)點(diǎn)；將所述融合特征向量輸入所述層次化分類模型，從初始節(jié)點(diǎn)開始，逐層向下進(jìn)行精細(xì)化分類；

41、第四單元，用于在每一層級的分類過程中，動態(tài)調(diào)整特征權(quán)重，突出當(dāng)前層級的關(guān)鍵特征；根據(jù)分類結(jié)果更新音樂類型分類樹，包括添加新的音樂類型節(jié)點(diǎn)或調(diào)整節(jié)點(diǎn)間的關(guān)系；輸出最終的音樂信息分類結(jié)果。

42、本發(fā)明實(shí)施例的第三方面，提供一種電子設(shè)備，包括：

43、處理器；

44、用于存儲處理器可執(zhí)行指令的存儲器；

45、其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。

46、本發(fā)明實(shí)施例的第四方面，提供一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序指令，所述計算機(jī)程序指令被處理器執(zhí)行時實(shí)現(xiàn)前述所述的方法。

47、本發(fā)明通過多維特征提取和多模態(tài)特征融合，充分利用音頻數(shù)據(jù)的時頻域信息、語義信息和頭部特征。采用深度神經(jīng)網(wǎng)絡(luò)提取高級語義特征，結(jié)合數(shù)據(jù)碼頭部識別模型提取的頭部特征，實(shí)現(xiàn)了對音樂信息的全面表征。這種多角度、多層次的特征提取和融合方法，顯著提高了音樂分類的準(zhǔn)確性。同時，通過對音頻數(shù)據(jù)進(jìn)行預(yù)處理，包括降噪、分幀和加窗處理，增強(qiáng)了系統(tǒng)對不同質(zhì)量音頻的適應(yīng)能力，提高了分類的魯棒性。

48、本發(fā)明構(gòu)建了層次化的音樂類型分類樹和相應(yīng)的層次化分類模型。通過初步分類定位初始節(jié)點(diǎn)，然后逐層向下進(jìn)行精細(xì)化分類，模擬了人類對音樂類型的層次化認(rèn)知過程。在每一層級的分類過程中，動態(tài)調(diào)整特征權(quán)重，突出當(dāng)前層級的關(guān)鍵特征，進(jìn)一步提高了分類的精度。這種方法不僅能夠?qū)崿F(xiàn)對音樂類型的精細(xì)劃分，還能夠處理音樂類型之間的模糊邊界和重疊關(guān)系，為用戶提供更加準(zhǔn)確和詳細(xì)的音樂分類結(jié)果。