西宁市网站建设,c2c网站名称和网址,重庆网站服务器,建e网全景图音乐流派分类 – 自动化分类不同音乐风格
在本教程中，我们将开发一个深度学习项目，用于自动化地从音频文件中分类不同的音乐流派。我们将使用音频文件的频率域和时间域低级特征来分类这些音频文件。
对于这个项目，我们需要一个具有相似大小和相似频率范围的音频曲目数据集…
音乐流派分类 – 自动化分类不同音乐风格
在本教程中，我们将开发一个深度学习项目，用于自动化地从音频文件中分类不同的音乐流派。我们将使用音频文件的频率域和时间域低级特征来分类这些音频文件。
对于这个项目，我们需要一个具有相似大小和相似频率范围的音频曲目数据集。GTZAN流派分类数据集是音乐流派分类项目中最推荐的数据集，并且它是为了这个任务而收集的。
音乐流派分类器模型
音乐流派分类 关于数据集： GTZAN流派收藏数据集是在2000-2001年间收集的。它由1000个音频文件组成，每个文件持续30秒。有10个类（10种音乐流派），每个类包含100个音频曲目。每个曲目都是.wav格式。该数据集包含以下10种流派的音频文件：
蓝调 古典音乐 乡村音乐 迪斯科 嘻哈 爵士乐 金属 流行音乐 雷鬼 摇滚 音乐流派分类方法： 在这个数据集上有多种方法可以执行分类。其中一些方法包括：
多类别支持向量机 K-均值聚类 K近邻算法 卷积神经网络 我们将使用K近邻算法，因为在各种研究中，它已经为解决此问题显示出最佳的结果。
K-近邻算法是一种广泛用于回归和分类任务的机器学习算法。它基于相似度度量，即数据点之间的距离，来进行预测。
特征提取： 音乐流派分类项目的第一个步骤是从音频文件中提取特征和组成部分。这包括识别语言内容并丢弃噪声。
梅尔频率倒谱系数（MFCC）： 这些是自动语音和语音识别研究中使用的一流特征。生成这些特征有一些步骤：
由于音频信号在不断变化，首先我们把这些信号分割成较小的帧。每个帧大约持续20-40毫秒。 然后我们尝试识别每帧中出现的不同频率。 现在，从噪声中分离出语言频率。 为了丢弃噪声，对这些频率进行离散余弦变换（DCT）。使用DCT，我们只保留有可能包含高信息量的具体频率序列。 构建音乐流派分类的步骤： 从以下链接下载GTZAN数据集：
GTZAN数据集
创建一个名为“music_genre.py”的新Python文件，并将下面步骤中的代码粘贴进去：
导入：from python_speech_features import mfcc
import scipy.io.wavfile as wav
import numpy as np
from tempfile import TemporaryFile
import os
import pickle
import random
import operator
import math
import numpy as np定义一个函数以获取特征向量之间的距离并找到邻居：def getNeighbors(trainingSet, instance, k):distances = []for x in range (len(trainingSet)):dist = distance(trainingSet[x], instance, k )+ distance(instance, trainingSet[x], k)distances.append((trainingSet[x][2], dist))distances.sort(key=operator.itemgetter(1))neighbors = []for x in range(k):neighbors.append(distances[x][0])return neighbors识别最近的邻居：def nearestClass(neighbors):classVote = {}for x in range(len(neighbors)):response = neighbors[x]if response in classVote:classVote[response]+=1 else:classVote[response]=1sorter = sorted(classVote
