[發明專利]一種基于RBF神經網絡的多種樂器調音方法

在審

• 申請號: 201710707233.9
• 申請日: 2017-08-17
• 公開（公告）號: CN107705775A
• 公開（公告）日: 2018-02-16
• 發明（設計）人: 夏楠;李海艷;黃運保
• 申請（專利權）人: 廣東工業大學
• 主分類號: G10H1/02
• 分類號: G10H1/02;G06N3/04
• 代理公司: 佛山市禾才知識產權代理有限公司44379
• 代理人: 劉羽波

技術領域

本發明涉及樂器調音方法技術領域，尤其涉及一種基于RBF神經網絡的多種樂器調音方法。

背景技術

樂器調音是每個自學者學習使用樂器的必經之路，現有的調音方法，雖然簡單方便，但是調音的精度不高，尤其是不能針對多種樂器，沒有良好的普適性，易出錯，甚至損耗琴弦，不適合初學者。現有調音器只能顯示出輸入聲音與標準音調之間的細微差別，以便于用戶對樂器進行手工調整。但精度需要人為差值計算，有時還需要降低采樣頻率來滿足相應的精度。

發明內容

本發明的目的在于解決上述問題提出一種基于RBF神經網絡的多種樂器調音方法，可以針對多種樂器，通過人工神經網絡方法實現自動識別所調樂器，識別后經過算法匹配，快速匹配出適合的收音MIC模式，調音時，采用人工神經網絡的徑向基函數網絡的方法進行逼近擬合，輸出相應的結果，能快速有效地幫助使用者調音。

為了達到此目的，本發明采用以下技術方案：

一種基于RBF神經網絡的多種樂器調音方法，包括如下步驟：

A.輸入音符，音頻預處理，處理后的音頻參數作為輸入參數輸入到RBF樂器判別網絡，輸出樂器分類結果；

B.根據分類結果，利用算法匹配相應的調整模式，進行音頻變換，相當于歸一化處理；

C.將歸一化處理過的音頻，作為輸入參數輸入到RBF音準判別網絡，輸出當前音高值；

D.實際音高值和想要調節的標準音高值進行差值運算，輸出調節結果。

更優的，RBF樂器分類網絡訓練包括如下步驟：

步驟一、根據任意樂器的特征參數T組成特征向量X_k＝[T_k1,T_k2,T_k3,…T_kM]，則訓練樣本集為X＝[X₁,X₂,X₃…X_k…X_N](k＝1,2,3…N)；

步驟二、貼上對應的標簽，對應為樂器輸出類別為Y_k＝[y_k1,y_k2,y_k3,…y_kj,y_kJ])J＝1,2,3…J為輸出的類別)；

步驟三、構建RBF樂器分類網絡；

步驟四、設定網絡參數；

步驟五、當RBF樂器判別網絡的數據中心和擴展常數確定之后，可以由輸入輸出層的權值矢量W＝[W₁,W₂,W₃,…W_h]^T；

步驟六、得出相應的參數后，RBF樂器分類網絡訓練完畢。

更優的，RBF樂器分類網絡的結構為三層前饋神經網絡，包括輸入層，隱含層和輸出層；

所述隱含層由模式層和求和層構成。

更優的，所述輸入層的節點數為M，所述模式層的節點數為N，所述求和層的節點數為J，所述輸出層的節點數為J。

更優的，所述模式層選用徑向基函數為高斯函數

更優的，RBF音準判別網絡訓練包括以下步驟：

步驟一、構建RBF音準判別網絡；

步驟二、設定網絡參數；

步驟三、當RBF樂器判別網絡的數據中心和擴展常數確定之后，可以由輸入輸出得出輸出的權值矢量W＝[W₁,W₂,W₃,…W_h]^T；

步驟四、得出相應的參數后，RBF音準判別網絡訓練完畢。

更優的，所述RBF樂器音準判別網絡的結構為三層前饋神經網絡，包括輸入層，隱含層和輸出層；

所述隱含層的神經元個數為訓練樣本中的音階數，構建出正規化的RBF網絡，可以以任一精度逼近音高譜線。

更優的，隱含層選用徑向基函數為反射sigmoid函數

本發明的目的在于提出一種基于RBF神經網絡的多種樂器調音方法，不需要多次人為差值計算，只要給出足夠的訓練樣本數量，讓神經網絡自己學習計算，可以實現以任意精度逼近，一經訓練，可重復使用，輸出高效快捷，也可以通過更改訓練樣本來更換精度，不需要以犧牲采樣頻率為代價。

附圖說明

圖1為本發明的一個實施例的流程圖；

圖2為本發明的一個實施例的RBF樂器識別網絡的結構圖；