一种基于LSTM+GAT的音乐情感分类方法

本发明公开了一种基于LSTM+GAT的音乐情感分类方法，提取音乐的低层描述符特征和梅尔频率倒谱系数特征；利用LSTM网络对提取的特征进行时序建模；基于k近邻算法构建特征间的关系图,在此基础上构建双层GAT结构；通过全连接层将特征映射到目标情感类别空间。本发明结合了长短期记忆网络(LSTM)的时序建模能力和图注意力网络(GAT)的关系学习优势，提出了一种三阶段的“时序‑关系‑融合”特征学习框架。该框架有效提高了音乐情感分类的准确率，同时保持了良好的可解释性。通过分析注意力权重，可以评估不同音乐特征对情感分类的贡献。此外，该框架实现了从低层时序特征到高层语义特征的渐进式学习，能够更全面地捕捉音乐特征之间的多维关联性。