Resumen

Para mejorar la precisión de la segmentación musical y mejorar el efecto de segmentación, se propone un algoritmo basado en la actualización adaptativa de la medida de confianza. Según la teoría de la compresión de señales, los fragmentos musicales se desruidizan, y luego las señales desruidizadas se someten a un análisis de correlación a corto plazo. A continuación, se extrae la frecuencia de tono, y los fragmentos musicales se clasifican aproximadamente mediante la transformada wavelet para realizar el preprocesamiento de los fragmentos musicales. Para calcular la medida de confianza del segmento musical, se utiliza el método SVM, mientras que la actualización adaptativa de la medida de confianza se estudia utilizando un algoritmo de selección de datos confiable. Los segmentos de notas de umbral dinámico se segmentan según el resultado de la actualización para realizar la segmentación musical. Los resultados experimentales muestran que los valores de recall y precisión del algoritmo alcanzan el 97.5% y el 93.8%, respectivamente, la

• Materias:Internet de las cosas Algoritmo iterativo Algoritmo de evaluación Viga viscoelástica Lenguaje de programación
• Subjects:Internet of things Iterative algorithm Evaluation algorithm Viscoelastic beam Programming language
• Palabras claves:Mejorar; Segmentación de música; Medida de confianza; Compresión sensorial; Frecuencia de tono; Método SVM
• Keywords:Improve; Music segmentation; Confidence measure; Compressed sensing; Pitch frequency; SVM method