美爾音級(jí)輪廓特征在音樂和弦識(shí)別算法中的應(yīng)用研究.pdf

1、音樂是一類重要的音頻數(shù)據(jù)，傳統(tǒng)的音樂檢索都是關(guān)鍵詞的檢索，在實(shí)際應(yīng)用方面受到限制。隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展和數(shù)字化設(shè)備的普及，基于內(nèi)容的音樂檢索研究得到了廣泛的關(guān)注。本文針對(duì)基于內(nèi)容的音樂檢索的關(guān)鍵技術(shù)展開深入的研究：提出了鋼琴單音符識(shí)別方法、音樂和弦特征的表示方法和識(shí)別算法。主要完成了如下工作：
　　 ⑴在研究計(jì)算機(jī)音樂的發(fā)展和基本樂理的基礎(chǔ)上，定義了音樂特征的分類，將音樂特征分為：基本特征、部分特征和整體特征，為下一步的音樂

2、識(shí)別研究打下基礎(chǔ)。
　　 ⑵根據(jù)音樂和聲學(xué)理論結(jié)合語音信號(hào)的特性，選取MFCC(Mel-Frequency Cepstral Coefficients)作為單音信號(hào)的特征，并對(duì)特征矢量維數(shù)的選擇進(jìn)行了討論，分別利用RBF神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)對(duì)鋼琴88個(gè)單音進(jìn)行識(shí)別，實(shí)驗(yàn)均取得了100[％]的識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明所選識(shí)別網(wǎng)絡(luò)對(duì)識(shí)別鋼琴單音信號(hào)是有效的。
　　 ⑶研究了在西方音樂和弦識(shí)別中使用頻率較高的音級(jí)輪廓(Pitch

3、 Class Profile簡(jiǎn)稱PCP)特征及其計(jì)算方法，并給出了具體的計(jì)算公式。針對(duì)PCP特征在低頻段信息模糊的缺陷并結(jié)合人耳聽覺特性，提出了音樂和弦識(shí)別的新特征：MPCP(Mel PCP)。論文基于隱馬爾可夫模型(Hidden Markov Model HMM)構(gòu)建了音樂和弦識(shí)別系統(tǒng)，定義了36個(gè)狀態(tài)，每個(gè)狀態(tài)代表一類和弦；通過一個(gè)12維的多元高斯函數(shù)擬合觀察向量的概率分布，該模型分別由高斯函數(shù)的均值向量和協(xié)方差向量來定義。論文借助

4、Chris Harte制作的標(biāo)簽文件訓(xùn)練得到有監(jiān)督的HMM。識(shí)別過程通過Viterbi算法，對(duì)輸入信號(hào)依照極大似然法來尋找最佳路徑，即最佳的和弦序列。論文把兩種特征均應(yīng)用于識(shí)別系統(tǒng)中并分析了識(shí)別的結(jié)果。
　　 ⑷為了保證推導(dǎo)正確性，隱馬爾可夫模型在識(shí)別中存在嚴(yán)格的獨(dú)立性假設(shè)，限制了觀察值之間的相關(guān)性。針對(duì)上述原因本文提出了基于條件隨機(jī)場(chǎng)(Conditional Random Fields，CRFs)的音樂和弦識(shí)別算法。通過對(duì)HM

5、M和CRFs兩種模型在音樂識(shí)別結(jié)果的對(duì)比：HMM的數(shù)學(xué)復(fù)雜度和訓(xùn)練時(shí)間都低于CRFs，但是整體識(shí)別率遠(yuǎn)遠(yuǎn)落后于CRFs。
　　 ⑸研究了文化算法(Cultural Algorithm CA)的框架和原理，針對(duì)CRFs訓(xùn)練時(shí)間長(zhǎng)和參數(shù)估計(jì)中出現(xiàn)的問題，提出了一種嵌入文化算法的CRFs：CA—CRFs，并將新算法應(yīng)用在音樂和弦識(shí)別中，與以前算法相比，新算法不僅提高了識(shí)別率，而且縮短了計(jì)算時(shí)間。
　　 ⑹針對(duì)文化算法中個(gè)體數(shù)目