基于深度玻尔兹曼机的乐器分类问题研究

发布时间：2024-03-30 13:37

　　应用传统浅层模型处理乐器分类任务存在非线性拟合能力较差的问题,使分类准确率得不到有效保证,有必要引入深度学习方法来提升复杂任务的非线性建模能力。将深度玻尔兹曼机作为特征提取器提取表达能力更强的数据特征,分别以SVM与softmax分类器作为深度神经网络的顶层设置形成DBM+SVM组合模型与DBM+softmax组合模型,引入平均场理论和动量项因子优化网络训练过程。将上述两组模型及单一SVM分类器在五类乐器音频数据上进行对比实验,两种深度学习组合模型的分类准确率分别达到89. 29%和87. 5%,与传统浅层分类方法 SVM的73. 21%的准确率相比优势明显。实验结果表明深度玻尔兹曼机在乐器分类领域的应用颇具前景。

【文章页数】：4 页

【文章目录】：
1 相关理论
    1.1 深度学习的概念
    1.2 深度玻尔兹曼机
2 模型搭建
    2.1 平均场理论
    2.2 动量项
    2.3 深度玻尔兹曼机的训练
3 仿真实验
    3.1 数据预处理
    3.2 搭建深度玻尔兹曼机模型
    3.3 实验结果
4 结束语



本文编号：3942429