多领域智能技术应用研究

### 多领域智能技术应用研究 #### 循环神经识别与 I 项直接自适应控制 实时 I 项直接自适应神经控制（DANC）系统包含 MRTNN - 1 识别器、RTNN - 2 控制器和 I 项。MRTNN - 1 和 RTNN - 2 通过具有拓扑结构 (2, 5, 2) 的 L - M 算法进行学习。DANC 的仿真结果是在 10000 次迭代过程中在线获得的。相关图表展示了控制系统的均方误差（MSE）、闭环识别的 MSE，以及 MRTNN - 1 和 RTNN - 2 的状态。最终的 MSE 通过 20 次 L - M 学习算法运行和整个控制程序得到，计算得到的统计数据为 ε = 1.3532E - 05，σ = 7.6576E - 07。在控制有噪声的工厂时，若使用不带 I 项的 DANC，控制系统无法消除由恒定输入噪声引起的静态误差。 该研究提出使用新的 MRTNN 进行系统识别和对两质量 - 弹簧 - 阻尼器振荡装置的直接自适应神经控制。第一个 MRTNN 模块识别未知装置的指数部分，第二个识别装置的振荡部分，RTNN 控制器利用估计状态抑制装置振荡并跟踪系统参考。通过添加 I 项消除了恒定的装置噪声。仿真结果证实了所提出的 DANC 系统的良好性能，图形和数值（MSE）结果显示出快速的 L - M 收敛性和较高的 DANC 精度。 #### 数字音乐内容自动结构分析 人类对旋律进行结构化的直观方式在自动化方法中很难复制，人类大脑能够区分音符的音高、音色和起音，这些音符的连续出现可作为识别歌曲不同部分的基础。为了实现音乐内容的自动结构分析，研究采用了机器学习技术，并遵循自顶向下（TOP - DOWN）的方法。 - **测试集描述**：选择了相关的数据集，包括来自 MARSYAS 框架早期阶段的 21 个音频文件，分为 Blues、Country、Disco、Hip - Hop、Metal、Pop 和 Rock 七种类型（每种类型三个文件）；经典摇滚乐队 AC/DC 的专辑 TNT（包含 9 首曲目）；以及滚石乐队的摇滚曲目 “Angie”。所有音频均下采样到 22050 Hz，使用 32 位浮点范围和单声道。 - **实验过程** 1. **工具与算法选择**：使用 Audacity 和 Vamp 插件进行音频频谱分析和数字信息导出，使用 Rapid Miner 开源系统进行数据分析和机器学习。频率分析算法包括 Spectrum、Standard Autocorrelation、Enhanced Autocorrelation 和 Cepstrum，均使用大小为 512 的矩形窗口函数。 2. **分类器使用**：下采样后的数据加载到 Rapid Miner 环境中，使用 RandomForest、OneR、NaiveBayes、SVM、NearestNeighbors 和 NeuralNet 分类器，并计算均方根误差（RMSE）以确定最适合给定数据样本的分类器。 3. **模型应用与训练**：将 Audacity 导出的数据以 Excel 文件形式保存，由 7 位不同的听众进行编辑注释，标记音乐结构的变化。使用这些数据训练 k - Nearest Neighbor、Naïve Bayes、Feed Forward Neural Network - back propagation algorithm、Support Vector Machine 和 k - Means Hidden Markov Model 模型。通过交叉验证方法解决过拟合和欠拟合问题。 - **实验结果** - **RMSE 结果**：从实验的第一阶段（分析所有类型）到第二阶段（测试训练好的模型），RForest、SVM 和 Neural Network 的 RMSE 较小，是进一步研究的良好候选者。在最后阶段，只有 Neural Network 保持下降趋势。 - **模型准确率**：对整个语料库使用 k Nearest Neighbor、Naïve Bayes、Neural Network、Support Vector Machines、k Hidden Markov M