[发明专利]一种基于神经网络音频技术的智能数码乐器

说明书

本发明公开了一种基于神经网络音频技术的智能数码乐器，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；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；音频传感器用于采集音频数据，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，音源CPU通过通信模块与神经网络控制器连接。本发明通过两种神经网络的互补，形成了诊断以及深度学习的，使得数码乐器的发出的声音更加接近于人类或者乐器发出的声音。

技术领域

本发明涉及一种基于神经网络音频技术的智能数码乐器，属于数码乐器技术领域。

背景技术

人们一直在尝试着用神经网络对一系列音乐元素进行建模，例如和弦、音高等等。人们在1943年开始用神经网络解决语音识别的问题。但是在那个年代，没有足够的计算能力来得到较好的结果，所以神经网络的方法在那个时候并不流行。而现在，由于GPU计算资源和可获得的大数据，结果可以变得相当好，于是使用像神经网络来进行来实现音乐风格的神经转换越来越得到认可。

现有技术中存在使用神经网络对音频数据进行训练，使得更加接近于人类和乐器的声音，但是往往由于计算量的关系，造成神经网络使用的局限性。

发明内容

本发明提供了一种基于神经网络音频技术的智能数码乐器，通过两种神经网络的互补，先通过诊断，然后再进行深度学习的方法使得数码乐器输出的音频数据更加接近于现实中的音频。

本发明的技术方案如下：

一种基于神经网络音频技术的智能数码乐器，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。

上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。

上述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，所述步骤如下：

(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波信号；从声门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。

上述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：