摘 要： 为了解决传统电子音乐类型分类方法检测准确率不高的问题，提出一种多噪声背景的电子音乐类型分类方法。首先，降噪处理噪声环境下的电子音乐，得到含有噪声的电子音乐频谱，利用感知小波包变换提取噪声的特征，采样噪声的特征值并计算噪声的短时能量，得到电子音乐降噪表达式，计算频谱的二阶矩，得到不含噪声的电子音乐短时能量特征;然后，使用短时傅里叶变换计算得到每帧中所有电子音乐点的倒谱系数，利用倒谱系数得到计算电子音乐类型的二维矩阵，通过小波变换将噪声处理表达式与计算电子音乐类型的二维矩阵，处理为最终的噪声环境下的电子音乐类型检测表达式。实验结果表明，与两种传统噪声环境下的电子音乐类型分类方法相比，多噪声背景的电子音乐类型分类方法检测准确率更高，更适合在噪声环境下检测电子音乐类型。
关键词： 电子音乐分类; 多种噪声环境; 电子音乐降噪; 噪声特征提取; 倒谱系数; 二维矩阵计算
中图分类号： TN911.4?34; TP181 文献标识码： A 文章编号： 1004?373X（2020）21?0110?04
Classification modeling and analysis of electronic music with multi?noise background
SUN Gangping
（Taiyuan University， Taiyuan 030012， China）
Abstract： In view of the low detection accuracy of the traditional electronic music type classification methods， a classification method of electronic music with multi?noise background is proposed. The electronic music in noisy environment is denoised to obtain the electronic music spectrum with noise. The perceptual wavelet packet transform is used to extract the characteristics of the noise. The eigenvalues of the noise are sampled and the short?term energy of the noise is calculated， so as to get the expression of electronic music denoising. The second moment of spectrum is calculated to get the short?term energy feature of electronic music without noise. Then the short?time Fourier transform is used to calculate the cepstrum coefficients of all electronic music points in each frame， and the obtained cepstrum coefficients are used to get the two?dimensional matrix for calculating electronic music types. The noise processing expression and the two?dimensional matrix for calculating electronic music types are processed into the electronic music type detection expression in the final noise environment by wavelet transform. The experimental results show that， in comparison with the two traditional electronic music type classification methods in noisy environment， the detection accuracy of the classification method of electronic music in multi?noise environment is higher， and it is more suitable for detecting electronic music type in noisy environment.
Keywords： electronic music classification; multi?noise environment; electronic music denoising; noise feature extraction; cepstrum coefficient; two?dimensional matrix calculation
0 引 言
噪声是一类引起人烦躁、或音量过强而危害人体健康的声音[1]。噪声的种类可按照噪声源的特点分类，共分为四大类：工业生产噪声、建筑施工噪声、交通运输噪声和社会噪声[2]。多种噪声环境就是混杂了这四种噪声的环境。电子音乐是使用电子乐器以及电子音乐技术而制作的音乐，一般而言，可使用电子机械技术制作的声音区别电子音乐的类型。随着数字音乐的不断发展，如何快速、准确地处理电子音乐已经成为音乐发展的需要。研究多噪声背景电子音乐类型分类方法，可以将电子音乐的特征通过公式表现出来，即使处在多种噪声环境的影响下，也可以利用算法公式检测出电子音乐的类型[3]。
1 多噪声背景电子音乐类型检验算法设计
1.1 计算电子音乐降噪表达式
在多种噪声环境下，随机播放一段20 s的电子音乐，计算得出20 s的电子音乐中，共有40 000个音乐点[4]。绘制出这40 000个音乐点的频谱，如图1所示。
为了减少在音乐频谱中高频分量的损失，突出高频的共振峰，预处理这段含噪声的电子音乐频谱[5]。[H（z）=1-az-1]，式中：[a]是一个介于0.9～1.0之间的常数;[H]代表预处理过程;[z]表示夹杂着噪声的音乐频率峰值。此时的噪声数据可表示为：
[y（n）=s（n）-as（n-1）] （1）
式中：[y（n）]表示噪声的时域数据;[n]表示夹杂着噪声的电子音乐信号;[s（n）]代表噪声信号;[a]为一个常数。
使用感知小波包变换提取噪声特征，然后采用分解树结构，处理组成噪声特征的噪声频率群临界带，联合巴克尺度[[bark]]计算改变后的噪声临界带的值[z（f）]：
[z（f）=13arctan（7.6×10-4f）+3.5arctan（1.33×10-4f）[bark]] （2）
式中[f]是线性频率，单位是Hz。
为了确定有效的bark数目，采样电子音乐频率，设置电子音乐中的噪声采样频率为10 Hz，并获得5 Hz的带宽，此时的带宽存在大约18个临界点[6]。加窗DFT处理带宽中的临界点，设[X=[x（0），x（1），…，x（N-1）]T]，其中：[X]为一带宽中[N]个采样点的数据;[T]为采样次数。计算采样点的短时能量[En]为：
[En=m=0N-1x2n（m）] （3）
式中[m]为采样系数。
得到采样点的短时能量幅度变化如图2所示。
由图2可知，每个采样点的短时能量[En]值不同，一般来讲，噪声掺杂多的电子音乐短时能量值要比含有噪声种类少的电子音乐短时能量的值小[7]。含有噪声的电子音乐频谱中频带之间的变化平缓，定义采样的噪声频带中的信号矢量[Xf（m）]为：[Xf（m）=Xf（m，1），Xf（m，2），…，][Xf（m，N）]，平滑处理得到[Xf（m）=Xf（m，1），Xf（m，2），…，]
[Xf（m，N）]，取平滑处理得到公式的对数为：
[Xf（m）=10ln（Xf（m））] （4）
此时的式（4）就是电子音乐的降噪处理公式，可以降噪处理多噪声背景电子音乐，形成不掺杂噪声的电子音乐频谱，排除噪声对电子音乐类型检测工作的干扰，然后针对电子音乐自身的类型特征，建立电子音乐检测矩阵[8]。
1.2 建立电子音乐类型检测矩阵
电子音乐存在多种类型，每一种类型的电子音乐存在不同的短时能量特征，为了统一多种类型电子音乐的频谱特征，计算图2中频谱变化较大部分的频谱信号方差值，其数学表达式为：
[sp=i=1N（fi-C）2p（fi）i=1Np（fi）] （5）
式中：sp表示频谱的二阶矩值;[fi]为频谱的频率值;[C]为常数;[p]表示特征函数。
频谱方差可以描述电子音乐类型频谱信号分布的对称程度，当sp为零时，此时的电子音乐频谱是对称的，符合多种类型电子音乐的频谱特征[9]。所以，此公式可以概括大部分电子音乐类型特征。然后以此频谱特征计算公式为基础，计算对称频谱内的每种电子音乐类型的短时能量特征sk，绘制电子音乐类型短时能量的频谱如图3所示。
分两部分处理图3的短时能量频谱，分别对每个部分的电子音乐短时特征加汉明窗处理，使用短时傅里叶变换，计算得到每部分中所有电子音乐点的倒谱系数[G]为：
[G=G1，G2，…，G3=110i=110Gi1，110i=110Gi2，…，110i=110GiL] （6）
计算每个采样点的[G]值，得到一个大小为[N×L]的[y（n）]二维矩阵：
[y（n）=y11y12…y1Ly21y22…y2L????yN1yN2…yNL] （7）
矩阵中的一行代表一部分中的采样行，两个部分共有[L]个点，每个点代表不同类型电子音乐的短时能量[10]。式中[y11]代表电子音乐起始点的第一个短时能量点，此时的式（7）矩阵就是检测电子音乐类型的检测矩阵。在构建多噪声背景的电子音乐类型分类方法时，联合电子音乐降噪表达式整合最终的公式，实现在多噪声背景下对电子音乐类型进行检测[11]。
1.3 构建噪声环境电子音乐类型分类方法
使用电子音乐降噪式（6）与电子音乐类型检测矩阵式（7），小波变换处理这两个公式，定义两个公式的平方可积函数[φ（t）]满足母小波条件：[-∞+∞φ（ω）2ω-1dω<+∞]，其中，[ω]为小波系数[12]。将式（1）用[a]代替，式（2）用[b]代替，设定此时的[a]与[b]同时满足[φa，b=1aφt-ba]，[t]表示式（1）与式（2）之间的脉冲系数[13]。所以最终得到的抗噪声电子音乐类型检测表达式为：
[f（t）=1CφRR1a2Wf（a，b）φt-badadb] （8）
式中：[C]是一个在0.5～0.7之间的一个常数;[Wf]表示频带系数;[R]为覆盖的信号频带[14]。
在多种噪声环境下对电子音乐类型分类方法的工作流程如图4所示。
算法的计算过程如图4所示，使用式（8）计算多噪声背景电子音乐类型时，[f（t）]的值不同，代表不同的电子音乐类型[15]。数值与音乐类型的对应如表1所示。按照图4的计算步骤得出数值，对照数值对应的电子音乐类型，完成对多种噪声环境下电子音乐类型的检测计算。
2 仿真实验
2.1 实验设计
多噪声背景的电子音乐类型检验算法需要依托计算机实现，准备1台参数如表2所示的计算机。将三种分类方法编程录入准确率计算程序中，在电子音乐类型选项中选择4种电子音乐类型，使用三种类型检验算法，计算三种类型分类方法的准确率。
2.2 实验结果与分析
计算三种类型检测的准确率如图5～图7所示。从图5～图7可知：传统分类方法1计算检测2种电子音乐类型，检测准确率为75%;传统分类方法2在计算3种电子音乐类型时，其准确率为87.5%;而使用了多噪声背景电子音乐类型分类方法计算4种电子音乐类型时，算法的准确率达到了100%，检验的准确性更高，更适合在多种噪声环境下检测使用。
3 结 语
噪声与音乐之间的关系是相辅相成的，一般来讲，噪声的震动是杂乱、无规律的震动，在频谱上呈现出连续变化，没有周期性变化;而音乐的震动具有一定的周期性，在频谱上呈现出离散的变化。但在生活工作中，凡是打扰到工作休息的声音，包括音乐也成为了噪声的一种。研究多噪声背景电子音乐类型检验算法，将电子音乐中的各种噪声使用公式表示，可更加便捷地检测出电子音乐分类的类型，方便电子音乐的发展。
参考文献
[1] 冯平兴，魏平.多类型噪声中的独立成分分离算法[J].电子科技大学学报，2017，46（2）：352?356.
[2] 周萍，张上鑫，郑凯鹏.基于分形维数与TEO的语音端点检测算法[J].微电子学与计算机，2017，34（6）：21?25.
[3] 张小恒，李勇明，谢文宾.基于进化算法低信噪比环境的基音频率检测[J].现代电子技术，2017，40（11）：46?52.
[4] 吴礼福，申浩.掩蔽法减少谱减法去混响中的音乐噪声[J].电子测量与仪器学报，2017，31（11）：1855?1859.
[5] 张维维，陈喆，殷福亮.结合改进欧几里得算法和动态规划的音乐主旋律提取[J].信号处理，2018，34（8）：1008?1015.
[6] 陈明建，龙国庆，黄中瑞.非均匀噪声背景下信源数估计算法[J].信号处理，2018，34（2）：134?139.
[7] 张才，陈优广.基于噪声自检测的分段非线性组合Adaboost改进算法[J].计算机工程，2017，43（5）：163?168.
[8] 周婧，范凌云.基于最小二乘支持向量机的电子音乐识别研究[J].现代电子技术，2018，41（9）：109?112.
[9] 汪家冬，邹采荣，蒋本聪，等.基于数字助听器声音场景分类的噪声抑制算法[J].数据采集与处理，2017，32（4）：825?830.
[10] 徐坚，陈优广.基于噪声自检测的并行AdaBoost算法[J].计算机应用与软件，2018，35（1）：288?294.
[11] 冯杰，武德安，吴磊.基于噪声概率的多核集成算法[J].微电子学与计算机，2017，34（9）：63?66.
[12] 徐德明，万长林.可抗噪声的Canny改进边缘检测算法[J].计算机系统应用，2017，26（1）：201?205.
[13] 陈凌翔，柯永振，孙玉婷.一种用于图片来源检测的相机参考模式噪声提取算法[J].计算机工程，2017，43（12）：227?230.
[14] 房玉琢，许志勇，赵兆.混响和噪声环境下基于角度谱的多声源定位与计数算法[J].国防科技大学学报，2018，40（3）：113?119.
[15] 阳帆，严迪群，徐宏伟，等.基于噪声一致性的数字语音异源拼接篡改检测算法[J].计算机应用，2017，37（12）：3452?3457.
作者简介：孙刚平（1975—），男，山西新绛人，硕士，讲师，研究方向为音乐教育、管乐（长笛）。
