Нейросетевое распознавание музыкальных инструментов с использованием мел‑частотных кепстральных коэффициентов

В данной статье рассматривается распознавание образов с применением нейронных сетей на примере распознавания музыкальных инструментов. Проблема распознавания звука музыкальных инструментов рассматривается во многих работах, но большинство из них используют большое количество признаков. Целью нашей работы является минимизация количества признаков при условии получения высокой точности распознавания. В качестве признаков используются мел-частотные кепстральные коэффициенты с применением метода главных компонент. Для классификации признаков используется нейронная сеть прямого распространения. Для обучения сети были рассмотрены два подхода: метод обратного распространения ошибки и нейроэволюционный алгоритм Enforced Subpopulations (ESP). Метод обратного распространения ошибки показал лучшие результаты. Данная работа посвящена распознаванию отдельно звучащих нот музыкальных инструментов, однако предложенный алгоритм показал хорошие результаты и при анализе сложных сигналов.
In this paper the task of automatic musical instrument recognition is considered. A lot of papers have been published on this topic, but most of them use a great number of features for recognition of musical instrument sound. This work is devoted to minimization the number of features together with getting of high recognition accuracy. The Mel-Frequency Cepstral Coefficients are considered as the main set of features. Additionally, the number of MFCC has been optimized using Principle Component Analysis. A feedforward neural network was used as a classifier. Two approaches were considered for classifier training: backpropagation method and Enforced Subpopulations neuroevolution approach. The backpropagation method was determined as the best one. Basically, this work is devoted to recognition of isolated notes, but also the developed algorithm was applied to a complex signal and as a result solo parties of musical instruments were successfully identified.