買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉廈門城市職業(yè)學(xué)院(廈門開放大學(xué))申請的專利基于三分支架構(gòu)的音樂流派分類方法、裝置及可讀介質(zhì)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120448582B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-16發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510953554.1，技術(shù)領(lǐng)域涉及：G06F16/65；該發(fā)明授權(quán)基于三分支架構(gòu)的音樂流派分類方法、裝置及可讀介質(zhì)是由何璇;葉麗心;童瀟敏設(shè)計研發(fā)完成，并于2025-07-11向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于三分支架構(gòu)的音樂流派分類方法、裝置及可讀介質(zhì)在說明書摘要公布了：本發(fā)明公開了一種基于三分支架構(gòu)的音樂流派分類方法、裝置及可讀介質(zhì)，涉及音樂分類領(lǐng)域，包括：構(gòu)建基于三分支架構(gòu)的音樂流派分類模型并訓(xùn)練，得到經(jīng)訓(xùn)練的音樂流派分類模型；獲取待分類的音樂的音頻數(shù)據(jù)及對應(yīng)的歌詞文本并進(jìn)行預(yù)處理，得到對數(shù)梅爾頻譜圖和預(yù)處理后的文本序列并輸入到經(jīng)訓(xùn)練的音樂流派分類模型中，音頻數(shù)據(jù)對應(yīng)的對數(shù)梅爾頻譜圖分別輸入到ConvNeXt?Tiny卷積分支和Performer分支，得到局部特征和全局特征；預(yù)處理后的文本序列輸入到NLP文本處理分支，得到文本特征；將局部特征、全局特征和文本特征輸入到門控融合層中，得到融合特征并輸入到分類層中，得到預(yù)測音頻流派類別。本發(fā)明解決目前特征提取計算的復(fù)雜度高導(dǎo)致移動端實時推理困難等問題。

本發(fā)明授權(quán)基于三分支架構(gòu)的音樂流派分類方法、裝置及可讀介質(zhì)在權(quán)利要求書中公布了：1.一種基于三分支架構(gòu)的音樂流派分類方法，其特征在于，包括以下步驟： 構(gòu)建基于三分支架構(gòu)的音樂流派分類模型并訓(xùn)練，得到經(jīng)訓(xùn)練的音樂流派分類模型，所述經(jīng)訓(xùn)練的音樂流派分類模型包括依次連接的三分支結(jié)構(gòu)網(wǎng)絡(luò)層、門控融合層和分類層，所述三分支結(jié)構(gòu)網(wǎng)絡(luò)層包括并行設(shè)置的ConvNeXt-Tiny卷積分支、Performer分支和NLP文本處理分支； 獲取待分類的音樂的音頻數(shù)據(jù)及對應(yīng)的歌詞文本并分別進(jìn)行預(yù)處理，得到對應(yīng)的對數(shù)梅爾頻譜圖和預(yù)處理后的文本序列，將所述音頻數(shù)據(jù)對應(yīng)的對數(shù)梅爾頻譜圖及預(yù)處理后的文本序列輸入到所述經(jīng)訓(xùn)練的音樂流派分類模型中，所述音頻數(shù)據(jù)對應(yīng)的對數(shù)梅爾頻譜圖分別輸入到三分支結(jié)構(gòu)網(wǎng)絡(luò)層中的ConvNeXt-Tiny卷積分支和Performer分支，得到局部特征和全局特征，所述Performer分支包括堆疊設(shè)置的6個Performer模塊以及第二自適應(yīng)平均池化層；每個Performer模塊包括線性注意力模塊、第二層歸一化層和前饋網(wǎng)絡(luò)層，所述前饋網(wǎng)絡(luò)層包括依次連接的第一全連接層、第二GELU激活函數(shù)層和第二全連接層； 首先對所述Performer分支的輸入特征進(jìn)行補丁嵌入，得到嵌入特征Xembeded，并添加位置編碼PE，得到編碼特征Xpe，如下式所示： Xpe＝Xembeded+PE； 將所述編碼特征輸入到第1個Performer模塊中，先作為線性注意力模塊的輸入特征，并映射為查詢向量、鍵向量和值向量，如下式所示： Q＝XpeWQ，K＝XpeWK，V＝XpeWV； 其中，WQ、WK和WV分別為可學(xué)習(xí)的查詢權(quán)重、鍵權(quán)重和值權(quán)重，Q、K和V分別為查詢向量、鍵向量和值向量； 通過隨機特征映射近似計算注意力矩陣，如下式所示： AttentionQ,K,V＝φQφKTV； 其中，AttentionQ,K,V表示注意力矩陣，φ·為隨機特征映射函數(shù)，其表達(dá)式如下： 其中，m為特征映射的維度，W為隨機采樣自高斯分布的投影矩陣，x為隨機特征映射函數(shù)的輸入向量，φx表示隨機特征映射函數(shù)的輸出向量； 所述注意力矩陣與線性注意力模塊的輸入特征相加后通過第二層歸一化層和前饋網(wǎng)絡(luò)層，如下式所示： Xperformer,1＝FFNLayerNormAttentionQ,K,V+Xpe； 其中，Xperformer,1表示第1個Performer模塊的輸出特征； 經(jīng)過6個Performer模塊后得到第6個Performer模塊的輸出特征Xperformer，6，將所述第6個Performer模塊的輸出特征Xperformer，6輸入到第二自適應(yīng)平均池化層進(jìn)行自適應(yīng)平均池化操作，得到全局特征，如下式所示： Xglobal＝AdaptiveAvgPoolXperformer，6； 其中，Xglobal表示全局特征，AdaptiveAvgPool表示自適應(yīng)平均池化操作；所述預(yù)處理后的文本序列輸入到所述NLP文本處理分支，得到文本特征；將所述局部特征、全局特征和文本特征輸入到門控融合層中，得到融合特征；將所述融合特征輸入到分類層中，得到待分類的音樂所對應(yīng)的預(yù)測音頻流派類別。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人廈門城市職業(yè)學(xué)院(廈門開放大學(xué))，其通訊地址為：361000 福建省廈門市思明區(qū)前埔南路1263號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。