[发明专利]一种基于神经网络音频技术的智能数码乐器

权利要求书

1.一种基于神经网络音频技术的智能数码乐器，其特征在于：所述智能数码乐器包括数码乐器本体以及设置在数码乐器本体的内的神经网络音频改进单元；

所述神经网络音频改进单元包括可编程的神经网络控制器、音频传感器、音源CPU、通信模块、转换模块；所述音频传感器用于采集音频数据，所述转换模块将采集的音频数据输入神经网络控制器，通过神经网络控制器改进后输出数据，再通过转换模块转化成目标音频数据，所述音源CPU通过通信模块与神经网络控制器连接；

所述神经网络控制器包括RBF神经网络估计器和模糊神经网络估计器，首先通过RBF神经网络估计器对输入音频数据进行诊断，然后通过模糊神经网络估计器进行深度学习。

2.根据权利要求1所述的一种基于神经网络音频技术的智能数码乐器，其特征在于：所述RBF神经网络估计器基于RBF神经网络,对数码乐器输出的音频数据进行诊断，步骤如下：

(3-1)、以由仿真模型得到的正常条件下的音频数据样本为输入，训练RBF神经网络，得到其相应的特征参数；

(3-2)、然后以音频传感器采集到的音频数据的实际参数为待测样本，使用迭代自适应逆滤波得到声门波信号；从声波信号中提取特征参数，并作为已训练好的RBF神经网络的输入，得到RBF神经网络的估计输出，进一步计算出估计输出和系统实际输出信号之间的残差；

(3-3)、若残差超过故障限，则说明音频数据与目标样本存在差异；反之，说明音频数据输出正常。

3.根据权利要求2所述的一种基于神经网络音频技术的智能数码乐器，其特征在于：所述RBF神经网络属于三层前馈网络，包括输入层、输出层、隐含层，以x_i(i＝1,2,3,…,n)为输入矢量，n为输入层节点数，f_i(i＝1,2,3,…,m)为隐含层的函数，ω_i(i＝1,2,3,…,m)为隐含层到输出层的权值，m为隐含层的节点数，y_m为网络的输出,即：

输入层和隐含层间由高斯函数构成，而输出层与隐含层则由线性函数构成，所述隐含层节点的作用函数对输入信号将在局部产生响应，即当输入信号靠近基函数的中心范围时，隐含层节点将产生较大的输出；

采用的高斯基函数为：

其中，f(x)为隐含层节点的作用函数，x为n维输入矢量；c_j为第j基函数的中心，与x具有相同维数的矢量；带宽参数σ_j决定了第j个基函数围绕中心点的宽度；k是感知单元的个数，C_j由最小二乘法得到。

4.根据权利要求1所述的一种基于神经网络音频技术的智能数码乐器，其特征在于：所述模糊神经网络估计器使用模糊神经网络，对输出不正常的音频数据进行深度学习并进行改进，步骤方法如下：

(5-1)、对被控对象音频数据建立模糊神经网络模型；

(5-2)、设置模糊神经网络结构，包括层数、节点数；

(5-3)、设置模糊神经网络的各个参数，并通过粒子群算法求得各参数最优初值；

(5-4)、将各参数最优初值赋值给模糊神经网络；

(5-5)、利用样本对模糊神经网络进行训练，得到与样本数据相同的音频数据。

5.根据权利要求4所述的一种基于神经网络音频技术的智能数码乐器，其特征在于：所述步骤(5-2)中模糊神经网络结构包括前件网络和后件网络，所述前件网络将输入量映射到各模糊子集后经合成运算得到各规则适应度值，后件网络对各输入量线性加权后根据各规则适应度值计算出网络输出值；

所述前件网络为四层网络结构：

第一层：输入层；各输入变量x₁，x₂，…x_n经过该层节点进入到网络下一层，是外部信息进入该网络的入口，该层节点数N₁＝2，分别为x₁、x₂，具体为：

式中，K₁、K₂为量化因子，c(t)和y(t)分别为数码乐器输出端音频数据的设定值和实测值；e(t)表示数码乐器输出端音频数据的设定值和实测值之差；

第二层：模糊化层；该层中的所有节点均表示一个模糊语言变量值，通过采用隶属度函数计算各输入量属于各模糊语言子集的程度,输入x₁、x₂分割为7个模糊子集{NB,NM,NS,ZO,PS,PM,PB}，隶属度函数均采用高斯铃型函数，各输入变量的隶属度值计算公式为:

式中，c_ij为隶属度函数的中心；σ_ij为隶属度函数的宽度,i＝1,2,…,n；j＝1,2,…,m_i；n为输入变量个数，m_i为输入变量x_i的模糊分割数，该层节点数N₂＝m₁+m₂；

第三层：模糊规则适应度值计算层；该层节点表示模糊系统中的模糊规则，通过模糊算子计算出各规则适应度值，采用的模糊算子为连乘算子，表达式如下：

式中，j₁＝1,2,…,m₁，j₂＝1,2,…,m₂，…,j_n＝1,2,…,m_n；i＝1,2,…,m，该层节点中，越靠近输入值的模糊语言子集的隶属函数值就越大；反之，距离输入值越远的模糊语言子集的隶属度函数值就越小；隶属度函数值越小的节点对输出值的贡献就越小，而该层节点中仅有少数节点值较大，其余节点值很小对输出几乎无作用，也即是说它具有局部逼近特性，该层节点数N₃＝m；

第四层：归一化层；该层主要实现对上层各规则适应度值的归一化操作，故本层节点数与第三层节点数一致；

后件网络为三层网络结构：

第一层：输入层；它是外部输入变量与网络内部节点的接口；该层含有一个值为1的输入节点，为线性加权算子的常数项；

第二层：模糊规则推理层；该层与前件网络中第三层节点相同，所有节点组合成一个完整的模糊规则库，故由前可知节点数为m个；实现模糊规则推理计算，此处为对输入变量进行线性组合操作，即

第三层：输出层；该层节点根据规则适应度值计算网络输出；