Page 86 - 《应用声学》2025年第3期

620
置，A 是多头注意力的输出特征，∗ 代表卷积操作。
随后，F 通过一个 3 × 3 的卷积层，用于提取局部特
′
征。与传统的全局处理相比，这一步骤使模型能够
更细致地感知数据的局部变化，强化对细节的把握。
该步骤的计算公式如下：
′′
′
F = ReLU(W 3×3 ∗ F + b 3×3 ),
这里，F 是经 3 × 3 卷积层处理后的特征，W 3×3 和
′′
b 3×3 是 3 × 3 卷积的权重和偏置。最后，一个 1 × 1
的卷积层被用于将特征降维回原始维度，确保特征
能够被模型中的后续层正确处理。通过这一层的处
理，模型能够将提取到的局部特征与全局信息有效
结合，从而提升识别和分类任务的性能。降维公式
表示为
′′
F ′′′ = ReLU(W ′ ∗ F + b 1×1 ), (8) CUDNN V7.5.0；Python 3.7；Pytorch-GPU1.14；操
1×1
其中，F ′′′ 是最终的输出特征，W ′ 和 b ′ 是降维
1×1 1×1
1 × 1 卷积的权重和偏置。通过引入 1 × 1 卷积层进
行升维和降维，以及中间的3 × 3卷积层进行局部特
征提取，这一结构不仅加强了模型对声频信号中细
节特征的捕获能力，同时也提高了模型对于音乐风
格分类等任务的准确性和鲁棒性，优化了模型的泛
化能力。
2 实验结果分析
2.1 数据集
本文使用公共数据集 GTZAN。该数据集是
音乐信息检索领域中用于 MGC 的最著名数据集之
一。它由 George Tzanetakis 和 Perry Cook 在 2002
年首次构建，为音乐风格识别和音乐信息检索研究
提供一个标准化的测试平台。这个数据集广泛用于
测试和比较不同音乐风格识别算法的性能。
GTZAN 数据集包含 1000 首歌曲，这些歌曲被
均匀分布在 10 个不同的音乐风格中，每个风格包
含 100 首歌曲。这些风格包括蓝调 (Blues)、古典
(Classical)、乡村 (Country)、迪斯科 (Disco)、嘻哈
(Hip-Hop)、爵士 (Jazz)、金属 (Metal)、流行 (Pop)、
雷鬼 (Reggae)、摇滚 (Rock)。每首歌曲的长度大约
为 30 s，以 22050 Hz 的采样率、16 位的深度、单声
道格式存储。这些声频片段被设计为代表其所属音
乐风格的典型特征。本文在将每个声频下采样为
16000 Hz，并使用Adobe Audition 将每一段声频统
一剪切为4 s不重复的声频片段。
2025 年 5 月
2.2 实验环境和评价指标
为了确保实验之间的公平性并进行一致性比
较，仅对模型参数进行了适度调整。在每次实验开
始前，训练样本均会被随机打乱，并按照 8 : 2 的比
例严格划分为训练集和测试集。实验中，统一将批
(7) 量大小 (batch size) 设定为 64，初始学习率 (initial
learning rate) 设定为 0.01，并选用相同的优化算法
—随机梯度下降，同时应用指数衰减 (exponential
decay) 优化学习率。此外，为保持对比分析中参数
设置的一致性和可靠性，所有实验均遵循相同的原
始参数配置。本论文的硬件环境为：处理器：Intel酷
睿I7，500 G内存；显卡：NVIDIA RTX 2080TI；系统
内存：12 G 显存。软件环境为：CUDA Toolkit 10.0；
作系统：Windows。
评价指标：准确率 (accuracy)、召回率 (recall)、
F1-score 和精确率 (precision)。各指标的具体定义
如下：
TP + TN
Accuracy = , (9)
TP + TN + FP + FN
TP
Precision = , (10)
TP + Fp
Precision × Recall
F-score = (1 + β) , (11)
β × Precision + Recall
2
TP
Recall = . (12)
TP + FN
在评估分类模型的性能时，使用 TP(真阳性)、
TN(真阴性)、FP(假阳性) 和 FN(假阴性) 这四个指
标。当β = 1时，称之为F1-分数。
2.3 特征选择
本文分别使用四种不同的征提取方法提取乐
曲的声频特征，并使用提出的模型进行大量的比较
实验。采用四种广泛认可的声频特征提取技术，具
体包括：STFT 时频图、同步压缩变换时频图 (SSQ-
STFT)、MFCC、Mel 频谱图 (Mel)。这些方法在声
频识别任务中因其出色的特征表达能力而被广泛
采用。为了直观展示这些特征的提取效果，提供了
相应的可视化结果，具体展示在图 5 中。通过这些
实验，旨在评估不同声频特征在 MGC 任务中的有
效性，并探讨它们在模型中的表现。各特征在本文
提出的模型上的实验结果如表1所示。