一种基于深度学习的波形音乐成分分离方法技术

本发明专利技术属于音频处理技术领域，公开了一种基于深度学习的波形音乐成分分离方法。本发明专利技术包括以下步骤：获取多个原始波形音乐后进行分类处理及预处理，得到多个不同成分的时频谱样本；依次使用每个原始波形音乐及对应的时频谱样本分别对神经网络进行训练，得到分离模型；将目标波形音乐依次进行分类处理及预处理后，得到目标时频谱并输入分离模型中，得到独立成分的目标波形音乐。本发明专利技术能够有效提高波形音乐中独立成分分离的准确性，同时本发明专利技术可对任意风格歌曲进行独立成分分离，且通过不断将新分离出的独立成分加入训练集中，分离模型自身能够得到优化，适于推广使用。

A method of separating wave music components based on deep learning

【技术实现步骤摘要】
一种基于深度学习的波形音乐成分分离方法
本专利技术属于音频处理
，具体涉及一种基于深度学习的波形音乐成分分离方法。
技术介绍
音频分离技术是从多个混合语音信号中，分别提取出每一个特定种类的信号，该技术对音频检测、音频识别等具有重要意义。具体的，在音乐成分分离领域，由于音乐音频信号的复杂性和不稳定性，传统的分离方法达不到很好的分离效果，并且以往的分离中只对目标音乐的频谱幅度进行估计。目前基于深度学习算法在波形音乐成分分离方面处于研究阶段，在实现本专利技术的过程中，专利技术人发现现有技术中至少存在如下问题：a.部分分离算法仅可对特定歌曲进行成分分离，不具备普适性；b.不同风格的歌曲中相同独立成分的数据表现也有所不同，由于数据杂乱，单独使用深度学习算法无法高效准确地分离独立成分；c.目前单独使用深度学习进行独立成分分离，无法保证分离出的独立成分的纯净度，容易混杂入其他成分的数据，影响分离效果。
技术实现思路
本专利技术旨在于至少在一定程度上解决上述技术问题之一。r>为此，本专利技术本文档来自技高网...

【技术保护点】
1.一种基于深度学习的波形音乐成分分离方法，其特征在于：包括以下步骤：/n获取多个原始波形音乐，然后对多个原始波形音乐分别依次进行分类处理及预处理，得到多个不同成分的时频谱样本，其中，每个成分对应多个原始波形音乐，每个原始波形音乐对应一时频谱样本；/n依次使用每个成分对应的多个原始波形音乐及每个原始波形音乐对应的时频谱样本分别对神经网络进行训练，得到分离模型；/n将目标波形音乐依次进行分类处理及预处理后，得到目标时频谱；/n将目标时频谱输入分离模型中，得到独立成分的目标波形音乐。/n

【技术特征摘要】
1.一种基于深度学习的波形音乐成分分离方法，其特征在于：包括以下步骤：
获取多个原始波形音乐，然后对多个原始波形音乐分别依次进行分类处理及预处理，得到多个不同成分的时频谱样本，其中，每个成分对应多个原始波形音乐，每个原始波形音乐对应一时频谱样本；
依次使用每个成分对应的多个原始波形音乐及每个原始波形音乐对应的时频谱样本分别对神经网络进行训练，得到分离模型；
将目标波形音乐依次进行分类处理及预处理后，得到目标时频谱；
将目标时频谱输入分离模型中，得到独立成分的目标波形音乐。


2.根据权利要求1所述的分离方法，其特征在于：所述的神经网络为使用Pytorch深度学习框架搭建的3层deepLSTM深层神经网络。


3.根据权利要求2所述的分离方法，其特征在于：得到分离模型时，每个成分对应的多个原始波形音乐及每个原始波形音乐对应的时频谱样本，逐一通过神经网络对任一成分进行训练后，分别得到神经网络训练模型、每个成分单独的数据模型及每个成分单独的提取模型。


4.根据权利要求3所述的分离方法，其特征在于：对原始波形音乐进行分类处理时，具体步骤如下：
对原始波形音乐进行音乐风格分类，然后将每种音乐风格的原始波形音乐进行成分分类，其中，成分分类时包括人声、打击乐、贝斯、弦乐及其他；
获取成分分类后每个成分的原始波形音乐，形成每个成分对应的原始波形音乐样本集，然后对每个原始波形音乐样本集中的每个原始音乐波形样本进行预处理。


5....

【专利技术属性】
技术研发人员：黄颂国，杨淦，张叶君，姚文清，周鹏，
申请(专利权)人：广州艾颂智能科技有限公司，
类型：发明
国别省市：广东;44