1.一种基于深度概率图神经网络的乐器自动识别方法，其特征在于，包括以下步骤：步骤一：数据预处理；

S11，对音频数据进行时间片划分，将一段音频划分为长度固定的N个时间片，同时记录每个时间片对应的标签；

S12，将得到的每个时间片的音频数据转化为梅尔频谱图像，然后对图像进行正则化处理，将像素点的取值范围规则化，得到正则化的梅尔频谱图像；

步骤二：数据的特征提取；

使用卷积神经网络对得到的正则化的梅尔频谱图像进行特征提取，以得到梅尔频谱的图像特征，再将提取的特征从二维映射为一维的形式，然后组合标签形成时间片梅尔频谱图像特征标签对；

步骤三：利用改进的CRBM模型建模标签相关性特征，CRBM模型为条件受限玻尔兹曼机；

S31，根据公式（1）提出的能量函数构建改进的CRBM模型；

（1）；

式中，x表示输入的频谱特征数据，y表示x对应的标签，其也是在预测阶段的期望输出，h表示希望得到的特征表达，s是引入的附加变量，W、Wy、β、μ、b是训练参数；

S32，根据公式（1）获得条件联合概率分布，如公式（2）所示；

     （2）；

式中，Z表示配分函数；

S33，基于公式（2）得到公式（3）和（4），并根据公式（3）获得h的条件概率 ；

根据公式（4）获得h的每一个分量的激活概率；根据公式（2）、（3）得到y基于x和h的条件概率公式（5）；

     （3）；

     （4）；

（5）；

S34，基于公式（2）和（4）得到公式（6）和（7），根据公式（6）获得s的每一个分量的激活概率；根据公式（7）获得y的每一个分量的激活概率；

    （6）；

    （7）；

式中，N表示高斯分布；

步骤四：利用相关性特征训练分类为目标的改进CRBM模型，输出预测的乐器标签；

S41，根据公式（8）构造目标函数，并利用其训练改进的CRBM模型；

Loss = log(p(y|x) + Rank‑Loss(y|x) + σ||y||l1     （8）；

式中，log(p(y|x) 表示似然函数，Rank‑Loss(y|x) 表示排序损失函数， ||y||l1表示l1正则化，σ为超参数；

S42，基于公式（3）、（4）、（6）和（7），使用Gibbs采样获取公式（8）中的似然函数的梯度公式（9），根据公式（9）计算公式（8）的梯度，根据公式（8）的梯度来训练改进的CRBM模型，再通过训练得到包含有标签相关性的特征表达h和标签的条件概率；

（9）；

式中，E表示数学期望，θ表示参数集合，两个数学期望根据公式（4）、（6）和（7）使用Gibbs采样获得；

S43，在完成改进的CRBM训练后，面对需要预测乐器类别的输入，根据公式（10）计算使log(p(y|x)最大的标签y，由此根据基于改进的CRBM的乐器自动识别模型输出预测的乐器标签，获得乐器自动识别模型；

（10）。

2.根据权利要求1所述的一种基于深度概率图神经网络的乐器自动识别方法，其特征在于，在步骤一的S12中，使用开源工具将音频数据转化为梅尔频谱图像。

3.根据权利要求1或2所述的一种基于深度概率图神经网络的乐器自动识别方法，其特征在于，在步骤二中，使用经过在ImageNet数据集上预训练的神经网络ResNet101来提取梅尔频谱图像的特征。