摘  要： 自適應(yīng)變異粒子群算法具備了基本粒子群算法和遺傳算法優(yōu)點(diǎn),，用此算法尋找BP網(wǎng)絡(luò)較好的網(wǎng)絡(luò)權(quán)值和閾值,，使得BP網(wǎng)絡(luò)的全局誤差最小化，不僅可以克服基本BP算法收斂速度慢和易陷入局部極值的局限,， 而且模型的精度高,。仿真實(shí)驗(yàn)結(jié)果表明，本算法與傳統(tǒng)的分類方法相比,，具有更高的正確率,，驗(yàn)證了自適應(yīng)變異粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是一種有效的分類方法。
關(guān)鍵詞： 音樂分類,；神經(jīng)網(wǎng)絡(luò),；粒子群優(yōu)化算法；交叉算子

　音頻分類識(shí)別技術(shù)是利用計(jì)算機(jī)對(duì)音頻信號(hào)進(jìn)行分析,，從而實(shí)現(xiàn)對(duì)聲音自動(dòng)理解的一門學(xué)科,。音頻分類識(shí)別技術(shù)己經(jīng)成為信息科學(xué)中一個(gè)十分活躍的研究領(lǐng)域。作為一門交叉學(xué)科,，它正逐步成為信息技術(shù)中人機(jī)交互的關(guān)鍵技術(shù),。音頻分類識(shí)別是一個(gè)復(fù)雜的非線性過程，本質(zhì)上是一個(gè)模式識(shí)別的問題,，很多研究者在這個(gè)領(lǐng)域做了大量的工作,，但均存在需要改進(jìn)之處。如基于規(guī)則的音頻分類方法難于滿足復(fù)雜的,、多特征的音樂分類應(yīng)用[1],；模式匹配法計(jì)算量大，分類精度低[2],；隱馬爾可夫模型（HMM）算法分類決策能力差,，需要語音識(shí)別的先驗(yàn)統(tǒng)計(jì)知識(shí)等缺陷[3]。
　人工神經(jīng)網(wǎng)絡(luò)是一種分布式并行信息處理系統(tǒng),，它的自適應(yīng),、自組織及自學(xué)習(xí)等特征使其特別適合于音頻識(shí)別中的分類問題，為解決音頻分類識(shí)別這樣的一個(gè)復(fù)雜的模式分類問題提供了新的途徑,。眾多神經(jīng)網(wǎng)絡(luò)中,，BP神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)簡(jiǎn)單、算法成熟并能精確尋優(yōu)而被廣泛地應(yīng)用于音頻分類識(shí)別領(lǐng)域,。但是,，由于BP算法是一種基于梯度下降的算法，因而不可避免地存在收斂速度慢,、易陷入局部極小點(diǎn)等缺點(diǎn),。近年來，人們圍繞如何加速傳統(tǒng)BP網(wǎng)絡(luò)的收斂速度及盡量避免陷入局部最優(yōu)解等問題做了大量的工作,，并提出了許多改進(jìn)方案[4-5],。
　本文借鑒了遺傳算法中的變異思想，提出了基于遺傳交叉算子的自適應(yīng)變異粒子群算法,，它具備了基本粒子群算法和遺傳算法優(yōu)點(diǎn),，使粒子能夠跳出先前搜索到的局部最優(yōu)解，在更大的空間中開展搜索,，同時(shí)保持了種群多樣性,，提高算法尋找到更優(yōu)解的可能性。因此可以充分利用BP神經(jīng)網(wǎng)絡(luò)與自適應(yīng)變異粒子群算法的優(yōu)點(diǎn),，把兩者結(jié)合起來,，優(yōu)勢(shì)互補(bǔ)，在全局搜索的同時(shí)利用梯度法加速尋優(yōu),，從而能改善整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)性能和收斂性能,，最終提高整個(gè)系統(tǒng)的識(shí)別率。
1 BP神經(jīng)網(wǎng)絡(luò)
　誤差反向傳播神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱BP神經(jīng)網(wǎng)絡(luò)）,，它是一種單向傳播的多層前向網(wǎng)絡(luò),，網(wǎng)絡(luò)中除了輸入輸出節(jié)點(diǎn)外，還有一層或多層的隱含層節(jié)點(diǎn),，且同層節(jié)點(diǎn)間沒有任何禍合,。輸入信號(hào)從輸入層節(jié)點(diǎn)依次傳過各隱含層節(jié)點(diǎn),，然后傳到輸出層節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出,。


　經(jīng)過上述計(jì)算,，由父代粒子形成的超立方體中隨機(jī)產(chǎn)生了兩個(gè)新的位置，其中在速率的交叉處將兩個(gè)父代個(gè)體的速率之和的長(zhǎng)度進(jìn)行了規(guī)格化,。因此,，只有粒子的方向受到影響，數(shù)量卻不會(huì)改變,。
3 自適應(yīng)變異粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)
　自適應(yīng)變異粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定,、自適應(yīng)變異粒子群算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)三部分。其中BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定部分是根據(jù)應(yīng)用的輸入輸出參數(shù)個(gè)數(shù)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),，進(jìn)而確定粒子群算法個(gè)體的長(zhǎng)度,。自適應(yīng)變異粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，種群中的每個(gè)個(gè)體都包含了一個(gè)網(wǎng)絡(luò)所有權(quán)值和閾值,，個(gè)體通過適度函數(shù)計(jì)算個(gè)體適應(yīng)度值,，然后更新個(gè)體極值和群體極值來尋找到最優(yōu)適應(yīng)值對(duì)應(yīng)個(gè)體。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)用自適應(yīng)變異粒子群算法得到的最優(yōu)個(gè)體對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值,，網(wǎng)絡(luò)經(jīng)訓(xùn)練后預(yù)測(cè)結(jié)果,。
　自適應(yīng)變異粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程如圖2所示。

4 實(shí)驗(yàn)仿真與結(jié)果討論
4．1 網(wǎng)絡(luò)訓(xùn)練與識(shí)別
　本文選取了民歌,、古箏,、搖滾和流行四類不同音樂，每段音樂都用倒譜法提取500組24維語音特征信號(hào),，共有2 000組語音特征信號(hào),。由于語音特征輸入信號(hào)有24維，待分類的語音信號(hào)共有4類,，所以BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為24-25-4,，即輸入層有24個(gè)節(jié)點(diǎn)，隱含層有25個(gè)節(jié)點(diǎn),，輸出層有4個(gè)節(jié)點(diǎn),。
　從語音特征信號(hào)數(shù)據(jù)中隨機(jī)選擇1 500組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)用來訓(xùn)練網(wǎng)絡(luò)。根據(jù)語音特征信號(hào)的特性并參考經(jīng)典PSO參數(shù)集,，本文設(shè)置算法的基本參數(shù)如下：（1）粒子規(guī)模數(shù)n=30,；（2）粒子維數(shù)D=729；（3）最大速度vmax=1,；（4）最大迭代次數(shù)設(shè)為100次,；（5）終止條件，循環(huán)達(dá)到終止迭代次數(shù)或最優(yōu)適度值連續(xù)迭代50次,，計(jì)算結(jié)果差值小于0.000 5,；（6）粒子群節(jié)點(diǎn)適應(yīng)度函數(shù)使用BP算法的MSE（Mean Squared Error）定義,。
　用PSO得出的最優(yōu)解確定BP網(wǎng)絡(luò)的權(quán)值和閾值，從2 000組語音特征信號(hào)中隨機(jī)選擇1 500組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)用來訓(xùn)練網(wǎng)絡(luò),，500組數(shù)據(jù)作為測(cè)試數(shù)據(jù)用來測(cè)試網(wǎng)絡(luò)的分類能力,。將這個(gè)分類號(hào)與輸入自帶的分類號(hào)進(jìn)行比較，相等則識(shí)別正確,；反之，識(shí)別錯(cuò)誤,。最后將識(shí)別正確的個(gè)數(shù)與所有待識(shí)別數(shù)作比值即可得到最終的識(shí)別率,。
4．2 結(jié)果與分析
　用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)分類語音特征信號(hào)測(cè)試數(shù)據(jù)，圖3 所示是BP神經(jīng)網(wǎng)絡(luò)分類誤差,，圖4所示是預(yù)測(cè)結(jié)果,。

　為了驗(yàn)證自適應(yīng)變異粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)基于遺傳交叉算子的改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（HPSOBPNN）的有效性，同時(shí)用其他模型（GABPNN,、PSOBPNN,、BPNN、模式匹配法,、HMM）進(jìn)行了的實(shí)驗(yàn),，結(jié)果如表1所示。從表1可知,，HPSOBPNN分類正確率比其他模型方法有了明顯的提高,。

　音頻的自動(dòng)分類，尤其是語音和音樂的分類,，作為提取音頻內(nèi)容語義和結(jié)構(gòu)的重要手段之一,，其研究也日益地引起關(guān)注。本文采用倒譜系數(shù)法提取音樂特征,，利用自適應(yīng)變異粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)音樂類型進(jìn)行分類,，與其他方法相比，其分類正確率有了明顯的提高,。仿真實(shí)驗(yàn)結(jié)果表明,，該方法分類性能較好，具有一定的現(xiàn)實(shí)意義與參考價(jià)值,。
參考文獻(xiàn)
[1] Tian Lan,， Lu Xiaoshan，Bai Shuzhong． Speaker-independent speech recognition based on a fast algorithm[J]． Control and Decision,， 2002,，17（1）：65-68．
[2] DOWNIE T R， SILVERMAN B W． The discrete multiple wavelet transform and thresholding methods[J]． IEEE Trans on Signal Processing,，1998,，46（9）：2558-256．
[3] TZANETAKIS G,， COOK P． Musical genre classification of audio signals[J]． IEEE Trans． on Speech and Audio Processing， 2002,，10（5）：293-302．
[4] MANIEZZO V. Genetic evolution of the topology and weight distribution of neural networks[J]. IEEE Trans on Neural Networks,， 1994，5（1）：39-53.
[5] HAGAN M T,， MENHAJ M B. Trainning feed forward networks with the marquardt algorithm[J]. IEEE Trans on Neural Networks,， 1994， 5（6）：989-993.
[6] EBERHART R C,， KENNEDY J. A new optimizer using particle swarm theory[C]. Proc. of the 6th Int’1 Symp. on Micro Machine and Human Science. Nagoya,， Japan：[s. n.]， 1995.
[7] CLERC M. The swarm and the queen： Towards a deterministic and adaptive particle swarm optimization [C].Proc. 1999 Congress on Evolutionary Computation. Washington,， DC： [s. n.],， 1999：1951-1957.