导读:本文包含了节拍特征论文开题报告文献综述及选题提纲参考文献，主要关键词:科普兰,短小交响曲,节奏节拍特,点描技法
节拍特征论文文献综述
冯亚晴[1]（2018）在《科普兰《短小交响曲》中的节奏节拍特征与点描技法运用》一文中研究指出科普兰是当代最杰出的美国作曲家之一,他的作品配器朴素,色彩纯净,想象力丰富,具有戏剧性功能;节奏复杂多变,尤其是器乐独奏作品的节奏极为微妙,即便最详尽的记谱也难以将它们准确记录下来。他既是西方与美国传统的忠实继承者,也是新音乐运动的有力推动者。可以说,他是集通俗性与专业性、民族性与现代性、传统与革新于一身的音乐巨人。科普兰的创作道路大致可分为四个时期,本文拟从第二个时期(1930-1935)中创作的《短小交响曲》(Short Symphony,1932-1933)进行节奏节拍特征与点描技法的分析。(本文来源于《黄河之声》期刊2018年20期）
冯秀丽[2]（2016）在《基于非线性特征提取的心电节拍分类算法研究》一文中研究指出心脏病是当今医学上发病率和死亡率最高的疾病之一,心电图是医生诊断治疗心血管疾病的主要依据之一。因此,基于心电图的心电自动分析得到了广泛的研究。心电自动分析诊断技术解决的主要问题是心律失常识别问题,研究的关键在于心电信号的特征提取和分类。心电自动分析诊断技术可以大大减少医生的工作量,提高心电图的诊断效率和准确率。本文针对心律失常识别问题的关键技术做了研究,主要涉及特征提取和分类两方面。提取有效的特征向量是心律失常分类中的重要步骤,为了能够更全面地反映出心电信号的特征,本文提出了一种将小波包分解-近似熵与经验模式分解-近似熵相结合的心电信号非线性特征提取方法。心电信号属于微弱信号,幅值仅为毫伏级,所以在采集过程中易受干扰,引起波形失真,严重影响后续的特征提取、分类效果,故滤除噪声和干扰是首要任务。本文首先采用提升小波变换和改进半软阂值方法对MIT-BIH心律失常数据库中的5类心电信号进行预处理,然后对预处理后的心电信号分别进行3层小波包分解,计算得到的8个小波包系数的近似熵值；对预处理后信号进行经验模式分解,计算选取的前6个固有模式函数的近似熵值；最后将求得的两组近似熵值合并作为特征向量T290×14。本文在提取特征向量后采用概率神经网络和支持向量机两种方法实现对心电节拍的分类。第一种方法是将求得的特征向量输入到概率神经网络,并采用粒子群算法寻找扩展系数Spread的最优值,对5种心拍类型进行分类；另一种方法是将所得特征向量输入到支持向量机,并采用粒子群算法寻找其惩罚系数C和核函数参数σ勺最优值,对5种心拍类型进行分类。经MATLAB仿真分析可得基于概率神经网络和支持向量机的心电节拍分类准确率分别为97.9%和98.6%。结果表明,本文方法对MIT-BIH心律失常数据库中的5种心拍类型能够进行有效分类,且支持向量机的分类效果优于概率神经网络。本文最后采用Fluke prosim2生命体征模拟器作为信号源搭建实验平台进行心电信号采集,对本文心电信号非线性特征提取和分类方法进行验证。完成采集信号的预处理过程后,提取出了采集信号的非线性特征向量P200×14,之后通过两种分类方法进行分类验证,结果表明支持向量机在分类准确率以及总体的灵敏度、特异度和阳性预测值等方面都略高于概率神经网络,且特异度高达98.5%,在少量样本情况下,结果还是令人满意的。(本文来源于《天津工业大学》期刊2016-02-01）
邱家兴,郑磊,王易川[3]（2014）在《船舶辐射噪声节拍音色特征研究》一文中研究指出从人的主观感觉入手,利用心理声学方法,对船舶辐射噪声节拍音色特征进行了探讨研究。发现了节拍音色DEMON谱轴频谐波结构之间的关系,并利用仿真噪声和实际噪声进行了验证,不同类别目标之间,谐波结构存在差异,不同的谐波结构就会导致不同的节拍音色;提取了一种反映船舶噪声节拍音色的新特征——调制度特征,描述DEMON谱轴频、叶频和轴频其他谐波相对于周围干扰线谱的突出程度,并依据轴频、叶频和轴频其他谐波的调制度大小关系,作为目标分类的重要依据;最后分析了噪声频段对节拍音色的影响,噪声频段不影响节拍音色,仅因信号能量频段分布的差异导致噪声整体音色存在不同。(本文来源于《声学技术》期刊2014年04期）
柳潇[4]（2013）在《钢琴作品中旋律线与节奏节拍的动力性特征》一文中研究指出旋律线与节奏节拍是钢琴作品中最基本的音乐表现要素。本文结合钢琴作品的典型实例,运用音乐分析的方法论述二者在音乐发展中所表现的动力性特征。(本文来源于《大舞台》期刊2013年09期）
沈洽[5]（2013）在《论板眼的性质与特征——从板眼与节拍之关系谈起》一文中研究指出有关"板眼"与"节拍"的关系,在国内学界一直存在不同的观点,作者认为板眼≠节拍,并就"板眼"与"节拍"之关系以及"板眼"的性质与特征问题进行了详细论述。(本文来源于《音乐艺术(上海音乐学院学报)》期刊2013年03期）
庄严,于凤芹[6]（2015）在《结合节拍语义和MFCC声学特征的音乐流派分类》一文中研究指出由于音乐节拍的强度、快慢、持续时间等是反映音乐不同流派风格的重要语义特征,而音乐节拍多属于由打击乐器所产生的低频部分,为此利用小波变换对音乐信号进行6层分解来提取低频节拍特征;针对节拍特征差异不明显的音乐流派,提出用描述频域能量包络的MFCC声学特征与节拍特征结合,并用基于音乐流派机理分析的8阶MFCC代替常用的12阶MFCC。对8类音乐流派实验仿真结果表明,基于语义特征和声学特征结合的方法,总体分类准确率可达68.37%,同时特征维数增加对分类时间影响很小。(本文来源于《计算机工程与应用》期刊2015年03期）
朱婷婷,唐小波[7]（2012）在《走近现代音乐不可或缺的途径——20世纪音乐节奏节拍的特征与分类综述》一文中研究指出当前,国内在对待20世纪音乐的问题上,很多人依然是以"不能接受"、"不可理解"和"不去主动感知"的观念或态度去对待。这一方面或许是因为它的反传统性、不协合性或极端复杂化与个性化等因素使然;另一方面,我们缺乏浓郁的氛围、广泛的途径、以及有效的引导(本文来源于《人民音乐》期刊2012年03期）
潘妤[8]（2012）在《斯克里亚宾后期钢琴奏鸣曲中的节拍与节奏特征》一文中研究指出斯克里亚宾最后5首钢琴奏鸣曲的节拍设置与节奏模式个性鲜明、变化多端,透过纷繁的现象,可以从中归纳出其内在规律与深层特质。(本文来源于《音乐时空》期刊2012年01期）
杜亚雄[9]（2011）在《中西诗歌格律和音乐节拍特征之比较》一文中研究指出诗歌的格律和音乐的节拍有着密切的关系。通过对中西诗歌格律的分析可以发现,由于汉藏语系诸语言的单词都没有重读音节,故中国诗歌不能和西洋诗歌一样按照单词重音安排节奏单位,而只能按音节的长短进行安排。中西传统音乐中的节拍也有所不同,西洋音乐传统突出节拍重音,而中国传统音乐中却没有节拍重音,只有音高重音、时值重音和感情重音。了解中国诗歌的格律和语言的特征,不仅可帮助学生正确掌握中国传统音乐的节拍特点,同时也对他们更好地学习和继承中国的传统音乐,具有积极的作用。(本文来源于《美育学刊》期刊2011年04期）
高鑫,王易川[10]（2011）在《舰船辐射噪声节拍功率增率特征提取》一文中研究指出舰船辐射噪声节拍的音色特征是水下目标识别的重要依据,其与节拍能量的变化相关。首先采用短时傅立叶变换对舰船辐射噪声进行时频分析,然后根据时频能量分布图,分别计算节拍能量最强和最弱处累积功率谱,功率增大率反映了节拍的音色特征,是舰船辐射噪声的重要特征。通过实验证明:与以往的功率谱特征相比,节拍功率增率特征和功率谱特征联合识别能有效的提高识别率。(本文来源于《传感器与微系统》期刊2011年06期）
节拍特征论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
心脏病是当今医学上发病率和死亡率最高的疾病之一,心电图是医生诊断治疗心血管疾病的主要依据之一。因此,基于心电图的心电自动分析得到了广泛的研究。心电自动分析诊断技术解决的主要问题是心律失常识别问题,研究的关键在于心电信号的特征提取和分类。心电自动分析诊断技术可以大大减少医生的工作量,提高心电图的诊断效率和准确率。本文针对心律失常识别问题的关键技术做了研究,主要涉及特征提取和分类两方面。提取有效的特征向量是心律失常分类中的重要步骤,为了能够更全面地反映出心电信号的特征,本文提出了一种将小波包分解-近似熵与经验模式分解-近似熵相结合的心电信号非线性特征提取方法。心电信号属于微弱信号,幅值仅为毫伏级,所以在采集过程中易受干扰,引起波形失真,严重影响后续的特征提取、分类效果,故滤除噪声和干扰是首要任务。本文首先采用提升小波变换和改进半软阂值方法对MIT-BIH心律失常数据库中的5类心电信号进行预处理,然后对预处理后的心电信号分别进行3层小波包分解,计算得到的8个小波包系数的近似熵值；对预处理后信号进行经验模式分解,计算选取的前6个固有模式函数的近似熵值；最后将求得的两组近似熵值合并作为特征向量T290×14。本文在提取特征向量后采用概率神经网络和支持向量机两种方法实现对心电节拍的分类。第一种方法是将求得的特征向量输入到概率神经网络,并采用粒子群算法寻找扩展系数Spread的最优值,对5种心拍类型进行分类；另一种方法是将所得特征向量输入到支持向量机,并采用粒子群算法寻找其惩罚系数C和核函数参数σ勺最优值,对5种心拍类型进行分类。经MATLAB仿真分析可得基于概率神经网络和支持向量机的心电节拍分类准确率分别为97.9%和98.6%。结果表明,本文方法对MIT-BIH心律失常数据库中的5种心拍类型能够进行有效分类,且支持向量机的分类效果优于概率神经网络。本文最后采用Fluke prosim2生命体征模拟器作为信号源搭建实验平台进行心电信号采集,对本文心电信号非线性特征提取和分类方法进行验证。完成采集信号的预处理过程后,提取出了采集信号的非线性特征向量P200×14,之后通过两种分类方法进行分类验证,结果表明支持向量机在分类准确率以及总体的灵敏度、特异度和阳性预测值等方面都略高于概率神经网络,且特异度高达98.5%,在少量样本情况下,结果还是令人满意的。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
节拍特征论文参考文献
[1].冯亚晴.科普兰《短小交响曲》中的节奏节拍特征与点描技法运用[J].黄河之声.2018
[2].冯秀丽.基于非线性特征提取的心电节拍分类算法研究[D].天津工业大学.2016
[3].邱家兴,郑磊,王易川.船舶辐射噪声节拍音色特征研究[J].声学技术.2014
[4].柳潇.钢琴作品中旋律线与节奏节拍的动力性特征[J].大舞台.2013
[5].沈洽.论板眼的性质与特征——从板眼与节拍之关系谈起[J].音乐艺术(上海音乐学院学报).2013
[6].庄严,于凤芹.结合节拍语义和MFCC声学特征的音乐流派分类[J].计算机工程与应用.2015
[7].朱婷婷,唐小波.走近现代音乐不可或缺的途径——20世纪音乐节奏节拍的特征与分类综述[J].人民音乐.2012
[8].潘妤.斯克里亚宾后期钢琴奏鸣曲中的节拍与节奏特征[J].音乐时空.2012
[9].杜亚雄.中西诗歌格律和音乐节拍特征之比较[J].美育学刊.2011
[10].高鑫,王易川.舰船辐射噪声节拍功率增率特征提取[J].传感器与微系统.2011