导读:本文包含了音乐情感分类论文开题报告文献综述及选题提纲参考文献，主要关键词:音乐情感分类,前向神经网络,切比雪夫多项式簇,梯度下降学习算法
音乐情感分类论文文献综述
郑旦[1]（2019）在《基于前向神经网络的音乐情感识别分类算法》一文中研究指出为解决单模态数据在音乐情感分类上的局限性,并同时提高对音乐情感分类的准确性,文中提出了一种基于前向神经网络的多特征融合音乐分类算法。在传统的前向神经网络模型中融入切比雪夫正交多项式簇作为隐藏层各神经元的激励函数,使每一层神经元的激励函数各不相同。利用梯度下降学习算法来进行网络参数的有监督训练;同时利用音频、歌词中不同模态的数据,使其形成多模态数据,来进行音乐情感分类模型的训练。实验测试结果表明,该算法对音乐情感的分类具有较好的效果,平均准确率为78. 37%,具有良好的有效性与可行性。(本文来源于《信息技术》期刊2019年12期）
王洁,朱贝贝[2]（2019）在《面向中文歌词的音乐情感分类方法》一文中研究指出情感是音乐最重要的语义信息,音乐情感分类广泛应用于音乐检索,音乐推荐和音乐治疗等领域.传统的音乐情感分类大都是基于音频的,但基于现在的技术水平,很难从音频中提取出语义相关的音频特征.歌词文本中蕴含着一些情感信息,结合歌词进行音乐情感分类可以进一步提高分类性能.本文将面向中文歌词进行研究,构建一部合理的音乐情感词典是歌词情感分析的前提和基础,因此基于Word2Vec构建音乐领域的中文情感词典,并基于情感词加权和词性进行中文音乐情感分析.本文首先以VA情感模型为基础构建情感词表,采用Word2Vec中词语相似度计算的思想扩展情感词表,构建中文音乐情感词典,词典中包含每个词的情感类别和情感权值.然后,依照该词典获取情感词权值,构建基于TF-IDF (Term Frequency-Inverse Document Frequency)和词性的歌词文本的特征向量,最终实现音乐情感分类.实验结果表明所构建的音乐情感词典更适用于音乐领域,同时在构造特征向量时考虑词性的影响也可以提高准确率.(本文来源于《计算机系统应用》期刊2019年08期）
张宏,阮泽楠[3]（2019）在《基于情感主题的音乐分类研究》一文中研究指出为确定歌词隐含的情感主题对音乐分类的作用,在传统主题模型中融入情感、语义元素,定义基于情感主题的音乐分类标准并进行音乐分类。结合文本情感词典、Word2vec词向量空间,将主题模型的基础主题进一步归类为情感主题,并通过爬取网易云音乐歌曲信息进行模型训练及测试。实验证明,该模型具有较好的分类效果,对音乐情感分类平均准确率达到80%。(本文来源于《软件导刊》期刊2019年07期）
赵勇飞,王宇,周义凯,袁燕[4]（2019）在《基于DBN的多模态音乐情感分类研究》一文中研究指出文中提出了一种将音频与歌词两种模态结合并利用深度置信网络进行音乐情感分类的方法。在分类器的选择上,将传统的分类器用DBN进行了替换,且改进了子任务结合晚融合法(LFSM)来完成多模态的融合,并验证了该方法的可行性。实验结果表明,该方法对音乐情感分类效果较好,高于基于单一模态和传统分类器的分类方法。(本文来源于《信息技术》期刊2019年02期）
李强,刘晓峰[5]（2019）在《基于PNN的音乐情感分类》一文中研究指出为提高音乐情感分类的精度,提出一种采用概率神经网络的音乐情感分析模型。以提高识别率为目标,建立音乐特征和情感之间的联系模型,通过概率神经网络对情感进行主观分类训练,在音乐的播放过程中提取特征参数,同时判断应具有的主观感受。实验结果表明,该模型对音乐的主观情绪判断具有较好的准确率,在识别率上该算法比HMM算法、主成分析法和多元回归分析法具有更好的识别精度。(本文来源于《计算机工程与设计》期刊2019年02期）
陈坤,韩立新[6]（2018）在《基于音频与歌词的音乐情感分类研究》一文中研究指出针对单一音频与单一歌词对音乐情感分类的不足,以及现有多模态融合分类算法精度不高等问题,提出一种新的基于音频与歌词的多模态融合音乐情感分类方法。首先分别对音频和文本单独处理,在音频方面,利用CapsNet网络对音频进行决策分类;在歌词方面,首先利用word2vec训练词向量,然后将词向量组合得到歌词句子向量,并利用LSTM模型决策分类。最后利用改进的多模态决策层融合方法将两者进行融合,最终得到音乐所属的情感类别。实验结果表明,提出的单一音频与单一歌词的音乐情感分类方法分别可以达到60.9%和53.2%的准确率,且改进的多模态融合方法较传统线性加权的决策层多模态融合有6.4%的提升效果。(本文来源于《电子测量技术》期刊2018年22期）
蔡宸[7]（2017）在《基于音频信号处理的音乐情感分类的研究》一文中研究指出古往今来,音乐一直是人们生活中不可或缺的一部分,随着科技水平的进步,数字音乐变得愈加普遍,更多的人选择从互联网检索并收听音乐,而音乐是情感的载体,许多人以情感作为检索音乐的依据。因此,音乐情感分类问题的研究变得极其重要,针对该问题的研究对于音乐信息检索领域的发展有着极大的推动作用。本文基于音频信号处理技术,将音乐情感与音乐基本要素建立联系,并计算相关音频特征;运用机器学习领域中的分类模型,初步设计了一个双层音乐情感分类系统。本文的主要工作内容有:1、对音乐信号进行时频域分析,将影响音乐情感的主要因素映射为音频特征。设计并实现了在常数Q变换下色度向量的提取,提高了色度向量提取的准确性;提出了一种基于互相关运算的调式特征的计算方式;设计并实现了针对嘈杂音乐的每分钟节拍数特征的计算;选取梅尔倒谱系数等特征对乐曲的音色进行分析。2、从时间维度对短时音频特征进行压缩降维,以便和长时音频特征融合,使用长短时融合特征进行音乐情感分类训练,并比较不同分类模型的性能,测试结果表明随机森林和神经网络有相对较好的分类性能。3、为改进分类效果,提出了双层音乐情感分类模型:第一层模型使用短时特征训练得到,用于粗分类乐曲,使用“情感奇点纠错算法”提升分类准确率;第二层模型使用长时特征训练得到,用于细分类乐曲,同时对于较难区分情感的乐曲提供另一个参考情感类别。并与(2、)中最佳单层分类模型进行了性能对比,整体分类准确率提高了 3.6%,且双层分类模型在各类别都保持着一个相对较高的召回率和精确率,验证了该双层多音乐情感分类模型行之有效。(本文来源于《北京邮电大学》期刊2017-03-01）
薛昊[8]（2016）在《基于多模态融合的音乐情感分类方法研究》一文中研究指出随着信息技术的飞速发展,海量的音乐数据涌现在互联网中。如何有效地对这些音乐数据进行组织与检索吸引了越来越多来白不同领域研究者的关注。作为音乐检索的一个重要手段,基于音乐的情感属性对音乐进行分类可有效提高音乐检索的精度和效率,但同时也面临着诸多技术挑战。音乐数据通常由音频信号与歌词文本两种模态所组成,传统的音乐情感分类方法多数侧重于对单一模态数据的分析,由于单模态数据中所包含语义信息的局限性,使得其往往无法完全表达音乐中蕴含的情感信息,因此研究有效的方法挖掘和利用音乐中多种模态数据间相关性与互补性,对提高现有音乐情感分类方法的性能具有十分重要的意义。本文以融合多种模态数据的音乐情感分类方法为具体研究对象,探索综合利用多种模态音乐数据中包含的相关情感信息以有效提高情感分类的准确率。不同于以往基于文档级音乐表示的多模态音乐情感分类方法,本文提出了句子层次的音乐特征表示机制以从更细粒度精确刻画其情感属性,并且提出了基于区分度排序与同义词扩展的音乐文本预处理方法以提高音乐文本数据的情感类别区分能力。另一方面,为消除不同模态数据间的异构性以实现更加有效的融合,本文提出了针对音乐情感分类的多模态Locality Preserving Projection算法,将音频与歌词模态数据映射到更具情感分类能力的公共隐式特征空间中。在其基础上,本文进一步提出了基于多模态投票的Hough森林音乐情感分类方法,利用不同模态的音乐数据在时间上的相关性提升了音乐情感分类的准确率。另一方面,本文提出了基于多模态K近邻与图学习的音乐情感分类方法,基于不同模态特征在隐式空间中的相似度实现情感标签的有效传播,充分利用了不同模态音乐数据之间的相关性和互补性,提高了音乐情感分类的准确率。实验结果表明,本文提出的方法有效融合了不同模态音乐数据中的情感信息,有效提升了音乐情感分类的精度。(本文来源于《南京大学》期刊2016-05-30）
谷炫志[9]（2016）在《基于情感的多标签个性化音乐分类技术的研究与实现》一文中研究指出在线音乐的快速发展,为用户对音乐的获取提供了极大的便利。为了方便用户选择,在线音乐通常会对音乐进行分类,基于情感的音乐分类是常见的一种分类方式。由于同一首音乐可能产生不同的情感,此时单标签的情感难以概括,需要多个情感标签来更准确、更全面地概括一首音乐的情感类别。同时,音乐情感认知带有主观性,因此需要为每个用户提供个性化的音乐情感分类。为此,本文研究了对音乐进行基于情感的多标签个性化分类的问题。该问题主要包含两个子问题：音乐情感真值标签的获取和对音乐进行个性化分类。针对这两个问题,本文首先提出了一种基于社交信息和用户标签的音乐情感个性化真值的计算方法,该方法可在不为用户增添额外负担的情况下,对音乐情感个性化真值进行计算；接着提出了一种将音乐情感真值映射到多标签类别的方法,得到音乐的具体情感类别；最后使用深度卷积神经网络和随机K标签集方法对音乐情感进行多标签分类。实验方面,本文搜集了在线音乐平台的大量真实原始数据,经过大量的参数调整和实验结果对比,充分地验证了本文提出的方法的有效性。(本文来源于《浙江大学》期刊2016-01-01）
邵曦,陶凯云[10]（2015）在《基于音乐内容和歌词的音乐情感分类研究》一文中研究指出针对音乐情感分类问题,为了弥补仅仅利用音乐内容进行音乐情感分类的单一模态分类方法的不足,文中提出了结合音乐内容和歌词的多模态音乐情感分类的方法。主要探讨了如何利用歌词对音乐进行情感分类以及结合歌词和音乐内容以达到提高分类准确率的效果。对歌词进行特征选择时,分别利用CHI特征选择算法和潜在语义分析(LSA)对歌词进行降维处理,有效去除了噪声,提高了分类效率。针对多模态融合问题,在传统的LFSM融合方法的基础上,提出了改进的LFSM融合方法,并通过实验验证了该方法的可行性;同时将该方法与其他传统的融合方法的分类效果进行了比较。结果表明,改进的LFSM融合方法的分类准确率最高,达到了79.51%,验证了该方法的有效性。(本文来源于《计算机技术与发展》期刊2015年08期）
音乐情感分类论文开题报告
（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：
情感是音乐最重要的语义信息,音乐情感分类广泛应用于音乐检索,音乐推荐和音乐治疗等领域.传统的音乐情感分类大都是基于音频的,但基于现在的技术水平,很难从音频中提取出语义相关的音频特征.歌词文本中蕴含着一些情感信息,结合歌词进行音乐情感分类可以进一步提高分类性能.本文将面向中文歌词进行研究,构建一部合理的音乐情感词典是歌词情感分析的前提和基础,因此基于Word2Vec构建音乐领域的中文情感词典,并基于情感词加权和词性进行中文音乐情感分析.本文首先以VA情感模型为基础构建情感词表,采用Word2Vec中词语相似度计算的思想扩展情感词表,构建中文音乐情感词典,词典中包含每个词的情感类别和情感权值.然后,依照该词典获取情感词权值,构建基于TF-IDF (Term Frequency-Inverse Document Frequency)和词性的歌词文本的特征向量,最终实现音乐情感分类.实验结果表明所构建的音乐情感词典更适用于音乐领域,同时在构造特征向量时考虑词性的影响也可以提高准确率.
（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。
音乐情感分类论文参考文献
[1].郑旦.基于前向神经网络的音乐情感识别分类算法[J].信息技术.2019
[2].王洁,朱贝贝.面向中文歌词的音乐情感分类方法[J].计算机系统应用.2019
[3].张宏,阮泽楠.基于情感主题的音乐分类研究[J].软件导刊.2019
[4].赵勇飞,王宇,周义凯,袁燕.基于DBN的多模态音乐情感分类研究[J].信息技术.2019
[5].李强,刘晓峰.基于PNN的音乐情感分类[J].计算机工程与设计.2019
[6].陈坤,韩立新.基于音频与歌词的音乐情感分类研究[J].电子测量技术.2018
[7].蔡宸.基于音频信号处理的音乐情感分类的研究[D].北京邮电大学.2017
[8].薛昊.基于多模态融合的音乐情感分类方法研究[D].南京大学.2016
[9].谷炫志.基于情感的多标签个性化音乐分类技术的研究与实现[D].浙江大学.2016
[10].邵曦,陶凯云.基于音乐内容和歌词的音乐情感分类研究[J].计算机技术与发展.2015