音乐风格分析研究

论文摘要

音乐风格是音乐的内在属性,它用来表达人们对音乐的理解并通过节奏和旋律等音乐元素表达出来。音乐可以具体细分为几百种风格,人们熟知音乐风格有古典音乐、乡村音乐、爵士音乐、摇滚音乐以及电子音乐等等。使用音乐的内在特征参数可以区分不同的音乐风格,这些参数包括梅尔频率倒谱系数(MFCC)、线性预测倒谱系数(LPCC)等变换域参数和过零率、信号幅值等时域参数；对音乐风格特征参数分门别类时,可以使用支持向量机(SVM)、聚类等常规分类器。本文研究了基于纠错编码SVM多类分类技术的音乐风格分类实现。实验中样本数据来自库克数字音乐图书馆,区分乡村乐、摇滚乐、轻音乐、民乐、爵士乐以及古典乐等6种风格,每种风格音乐均为100首,其中80首做训练文件,20首做测试文件。分类器为纠错编码SVM,通过判断测试样本对应的码字与码本的汉明距离决定测试样本归属于哪一类。实验结果表明纠错编码SVM性能好于其他SVM多类分类结构。本文共包含五章内容：第一章介绍课题的研究背景；第二章介绍音乐风格分析研究发展的历史状况；第三章介绍用于音乐风格分析的数字特征参数；第四章介绍用于音乐风格分析的各种分类器；最后一章阐述基于纠错编码SVM的音乐风格分类实现,并通过音乐数据库样本数据验证了算法的实现效果。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 音乐风格
• 1.2 音乐风格研究现状
• 1.3 音乐风格基础知识
• 1.3.1 音乐风格特征参数
• 1.3.2 音乐风格分类器
• 1.3.3 现有方法分类结果比较
• 1.4 本文工作与内容结构
• 2 音乐风格特征参数
• 2.1 LPC倒谱系数
• 2.2 Mel频率倒谱系数
• 2.3 时域参数
• 2.3.1 短时能量和短时平均幅度
• 2.3.2 短时过零率
• 3 音乐风格分类器
• 3.1 线性分类器
• 3.1.1 线性可分
• 3.1.2 分类距离判据
• 3.2 聚类分析
• 3.2.1 近邻聚类
• 3.2.2 K-均值聚类
• 3.3 支持向量机
• 3.3.1 基于SVM的最优分界面
• 3.3.2 基于SVM核函数求解最优分界面
• 3.4 人工神经网络
• 3.4.1 人工神经元
• 3.4.2 前馈神经网络
• 3.4.3 反馈神经网络
• 3.4.4 自组织争竞神经网络
• 4 音乐风格分类研究
• 4.1 SVM多类分类结构
• 4.1.1 1-V-R SVMs
• 4.1.2 1-V-1 SVMs
• 4.1.3 有向无环图SVMs
• 4.1.4 层次SVMs
• 4.2 音乐风格分类算法
• 4.2.1 纠错编码SVMs
• 4.2.2 基于纠错编码SVMs的音乐风格分类算法
• 4.2.3 算法实验测试结果
• 4.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢