1463158980 2024-12-22 09:01
基于RF-LCE-BiLSTM-Attention-AMSSA模型的京剧二分类
在大数据时代的背景下，传统文化推广迎来了新的机遇。京剧，作为中国的国粹，虽然受到国家的持续推广，但其传唱度一直不尽如人意。为了提升京剧的分类精度，促进国粹的传播，研究人员提出了一种名为RF-LCE-BiLSTM-Attention-AMSSA的音频分类模型。
这个模型是在RF-BiLSTM-Attention模型的基础上进行优化和改进的。RF-BiLSTM-Attention模型本身适用于特征维度较高的时间序列数据，它利用随机森林对数据进行预处理，降低特征维度，减少模型训练时间；同时，通过融合注意力机制的双向长短时记忆网络（BiLSTM）进行分类训练，提高模型对长时间序列的学习能力和局部关注度，从而提升分类准确率。
然而，RF-BiLSTM-Attention模型存在过拟合问题，并且其性能受到一些主观设定的超参数的影响。为了解决这些问题，研究人员在RF-BiLSTM-Attention模型的基础上加入了LCE（偏差惩罚交叉熵）损失函数和AMSSA（自适应麻雀优化算法）。
LCE损失函数结合了分类交叉熵损失和基于预测标签与真实标签差异的L2正则化损失，旨在增强模型的鲁棒性，避免过拟合。交叉熵损失函数用于衡量两个概率分布之间的差异，而L2正则化损失函数则通过对模型参数添加惩罚项，防止模型过于复杂，从而提高模型在新数据上的泛化能力。
AMSSA算法则是一种启发式搜索算法，模拟了自然界中麻雀的捕食行为。它用于自动寻找RF-BiLSTM-Attention模型中的关键超参数的最优配置，包括每批训练样本的数量、训练迭代次数、正则化参数以及隐藏层神经元的数目。通过AMSSA算法的优化，模型的性能得到了显著提升。
为了验证RF-LCE-BiLSTM-Attention-AMSSA模型的有效性，研究人员进行了对比实验和消融实验。对比实验表明，该模型的分类准确率为89.95%，比RF-BiLSTM-Attention模型提高了0.95个百分点，比其他基准模型如CNN、RNN、GRU等也有显著优势。消融实验则进一步验证了LCE损失函数和AMSSA算法对模型性能的提升作用。
综上所述，RF-LCE-BiLSTM-Attention-AMSSA模型在京剧二分类问题上表现出了优越的性能。它的提出不仅为京剧等传统文化的推广提供了有力的技术支撑，也为音频分类领域的研究提供了新的思路和方法。随着大数据技术的不断发展，相信未来会有更多基于大数据技术的传统文化推广应用涌现出来。