导读:本文包含了音乐自动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:音乐流派,自动分类,卷积神经网络,长短时记忆
音乐自动分类论文文献综述
王冰聪[1]（2018）在《基于内容的音乐流派自动分类系统的研究与实现》一文中研究指出随着互联网和多媒体技术的迅猛发展,在线音乐服务已经成为面向大众消费者最重要的互联网在线服务之一。互联网上的音乐曲库规模已经极其庞大,各大在线曲库中不乏曲目规模上百万者,这些曲库的规模还在迅速扩大中。随之而来的一个重要又紧迫的需求是自动化标注并合理组织与分类海量的数字化音乐曲目,以便消费者根据个人喜好高效便捷地从海量音乐曲库中检索自己感兴趣的音乐曲目。近年来音乐信息检索(Music Information Retrieval,MIR)已经发展为一个令人瞩目的新兴研究领域,其中基于内容的音乐流派自动分类是一个重要的音乐自动标注任务。本研究设计并实现了 一个基于内容的音乐流派自动分类系统。作者根据音乐在时间上的流动特点,结合卷积神经网络和长短时记忆网络设计了一种特殊结构的基于音乐梅尔频谱的深度学习分类器,并在GTZAN数据集上验证了该网络结构的有效性;该深度学习分类器的另一个优点是其可以方便地对音乐进行实时处理;为了进一步提高该深度学习分类器的分类准确率,作者对梅尔频谱进行了和声打击分离,并引入集成学习技术,最终获得了超高的分类准确率;为了指导分类系统按照给定目标音乐流派标签进行音乐检索,本研究充分探索了分类器在各种分类概率阈值设定下的预测性能。(本文来源于《北京化工大学》期刊2018-06-01）
杜威,林浒,孙建伟,于波,姚恺丰[2]（2018）在《一种基于分层结构的音乐自动分类方法》一文中研究指出音乐分类在音乐信息检索中占据重要地位,自动的音乐分类方法可以在降低花费的同时取得良好的精准度.传统的平面型音乐流派分类方法主要从全体数据集出发使用若干特征作为分类依据,导致分类效果并不太好.本文考虑了音乐文件本身的属性,结合统计学方面的特征,提出了基于分层结构的分类方法.该方法首先使用K-Means聚类方法以分析不同类别间的关系,并构造类别层次关系图,在此基础上使用支持向量机方法进行分类,通过使用不同的特征集合,保证了分类的准确率.该方法在GTZAN数据集上进行了相关实验,实验结果表明本文所提出的方法能够取得较好的分类准确率.(本文来源于《小型微型计算机系统》期刊2018年05期）
黄建校[3]（2017）在《基于SVM的增量式音乐自动分类研究》一文中研究指出近年来,在互联网和多媒体信息技术快速发展的大环境下,人类已经步入前所未有的大数据时代,随之而来的就是海量的多媒体资源,其中就包含受众广泛的数字音乐。世界文化的多元化和大融合,使得音乐呈现出数量庞大、种类繁多、风格不一的特点。同时,对于听众来说,由于审美层次和文化背景的不同,并非所有风格的音乐都是满足他们喜好的音乐,这就要求音乐检索系统具备快速高效的分类能力。然而,传统的音乐检索系统的性能在很大程度上依赖于人工标注的训练样本。在当今这个数据量呈在线式增长的大数据时代,标注海量样本的做法显然是不现实的,依靠少量人工标注样本训练得到的分类器的泛化性能也会很差。因此,研究如何设计学习速度快、分类准确率高的音乐检索系统,具有非常重要的实用价值和现实意义。本文首先介绍了课题的研究背景,对音乐分类的国内外研究现状进行了分析;接着从历史训练样本集和新增训练样本集两个方面,对传统的基于SVM的增量学习算法进行了研究。在分析该算法在这两方面存在的不足的基础上,提出一种改进的基于SVM的增量式分类算法:针对历史训练样本集,引入包含更多分类信息的壳向量,代替传统算法所使用的支持向量;针对带有类别标签的新增训练样本集,提出基于KKT条件的差错控制策略,以此来选择最具代表性的样本参与训练。同时,为了使得算法更好地适应现实应用场景,针对大量没有类别标签的新增样本集,为了减少人工标注的成本,本文引入主动学习算法,提出一种综合考虑样本不确定性和多样性的价值样本选择策略,并将其应用于前文提出的增量式学习算法。仿真实验结果表明,算法在大大减少增量学习成本的同时,还保证了较高的分类准确率和较好的泛化性能。本文通过对传统的基于SVM的增量学习算法的分析,提出了相应的改进方案,并将其应用于音乐的自动分类,这对于未来关于音乐分类的研究工作具有一定的参考价值和现实意义。(本文来源于《南京邮电大学》期刊2017-10-26）
张智乐[4]（2016）在《基于听觉图像的音乐流派自动分类》一文中研究指出听觉图像构建的模拟模型依循了耳蜗本体特性,时域模型接纳了传递过来的声音而后变为可参照的二维图像。依照图像细化的类别以便于自动区分现有的音乐流派,解析了不同情形下的音乐强度。针对于音乐流派,解析了听觉图像基础之上的自动分类,探析适宜的分类思路。(本文来源于《黄河之声》期刊2016年01期）
张昕[5]（2015）在《基于深度信念网络与隐马尔科夫模型的音乐自动分类算法研究》一文中研究指出随着信息和多媒体技术的发展,音乐数字化被广泛的应用于多种媒体,如无线电广播、数字存储、网络等。如此,在大量音乐中高效地检索和管理音乐成为了近些年研究和发展的重点。对于音乐进行有效的分类及归类是一个重要的研究方向,音乐分类的性能优化更是研究的重中之重。本文提取了一种符合音乐性质的融合特征,提出了一种结合了深度信念网络(DBN)和隐马尔科夫模型(HMM)的分类模型。首先,从音乐信号中提取充分表征音色、节奏和情感的特征向量；然后利用设计的网络模型对特征向量进行训练,将其映射到一个新的特征空间并计算每类音乐的划分概率；最后,对音乐进行测试,将测试音乐划分到对应概率最大的类别中,并计算测试精度。本文主要工作如下：(1)将梅尔多频系数用于特征提取中,相比于梅尔倒谱系数,该特征更适用于多层网络模型的训练及分类。(2)将梅尔多频系数和音乐情绪特征相融合,作为分类系统的输入特征向量,以充分表征音乐信息。(3)将隐马尔科夫模型和深度信念网络相结合,得到了一种新的网络分类模型,具有更高的速度和更高的分类精度。本文使用GTZAN音乐库中的十大流派音乐进行了分类测试,该算法的分类精度达到了92.4%。与现有的相关算法进行对比的结果表明,其采用的特征向量和分类模型均优于已有算法。(本文来源于《大连理工大学》期刊2015-05-03）
董子[6]（2014）在《听觉图像背景下的音乐流派自动分类的思考》一文中研究指出音乐信息检索系统中一个主要的部分就是音乐流派的自动分类,文章将听觉图像置入音乐流派的自动分类中,用其模型来进行人耳耳蜗结构的模拟。GTZAN是音乐流派经常使用的一个数据库,通过实现一维音频信号到二维听觉图像的一个转换,在不改变尺度的情况下来进行特征的转换以及空间金字塔的匹配。这样能够从整体到部分的采集图像纹理特点,最后应用中线性函数来实现音乐流派的自动分类。听觉图像背景下的音乐流派分类的准确率要比美尔频率倒谱系数的流派分类高15%。(本文来源于《音乐大观》期刊2014年06期）
向毅,陈振宇,彭雨明,卢旭文,高静[7]（2013）在《人工蜂群算法优化支持向量机及其在音乐流派自动分类中的应用》一文中研究指出音乐流派是区分和描述不同音乐的一种标签,借助数学和计算机的方法将大量音乐自动分为不同流派是目前国内外研究的热点问题之一.支持向量机(SVM)由于其具有严格的数学理论基础而被广泛应用于音乐流派自动分类.然而,支持向量机的惩罚参数和核参数对其分类效果具有重要影响.以交叉验证正确率作为适应值,采用人工蜂群(ABC)算法优化支持向量的控制参数.在音乐流派自动分类的仿真实验中,经ABC算法优化后的支持向量机取得的平均预测正确率为80.8000%(最优预测正确率达83%),高出默认参数SVM 18.8个百分点.与粒子群优化算法及遗传算法相比,仿真实验结果同样显示了ABC算法的优越性.(本文来源于《数学的实践与认识》期刊2013年23期）
李锵,李秋颖,关欣[8]（2013）在《基于听觉图像的音乐流派自动分类》一文中研究指出音乐流派的自动分类是音乐信息检索系统的重要组成部分.将听觉图像引入音乐流派的分类研究中,用听觉图像模型模拟人耳耳蜗结构,基于音乐流派分类研究常用的GTZAN数据库,将一维音频信号转换为二维听觉图像,对音乐听觉图像进行尺度不变特征转换(SIFT)及空间金字塔匹配(SPM),从局部到整体地提取图像的纹理特征,最后采用LibSVM中线性核函数的支持向量机对音乐流派进行分类.实验结果表明,与同样基于人耳耳蜗结构提出的美尔频率倒谱系数(MFCC)流派分类方法相比,基于听觉图像的流派分类正确率提高15%.(本文来源于《天津大学学报》期刊2013年01期）
李秋颖[9]（2012）在《基于听觉图像的音乐流派自动分类系统研究》一文中研究指出随着互联网的普及，网络上的音乐信息成千上万，如何在最短时间内筛选出满足用户需求的音乐，成为现代生活中亟待解决的问题。于是，基于内容的音乐信息检索技术成为信息检索领域至关重要的技术，音乐流派自动分类成为近年来研究的热点之一。本文将听觉图像引入音乐流派自动分类的研究中，采用听觉图像模型，设计滤波器等模拟人耳耳蜗的结构功能，将一维音频信号转换为二维听觉图像。然后，对不同音乐流派的听觉图像进行尺度不变特征转换（SIFT）及空间金字塔匹配（SPM），提取不同流派听觉图像的纹理特征。其中，尺度不变特征变换可以提取不同空间位置上听觉图像灰度值相对位置、大小关系和梯度方向信息，能够更加全面的描述图像局部特征；而空间金字塔匹配方法在3个不同层次上将稀疏化的听觉图像局部特征以不同刻度整合起来，表征听觉图像在不同层次上的全局特征。基于听觉图像的特征向量是高维度的、稀疏化的向量，本文分类方法选取在音乐流派自动分类中效果较明显的K-最近邻分类器和支持向量机。不同k值的K-最近邻结点算法和不同核函数的支持向量机构成不同的分类器的分类结果不同，比较可知，线性支持向量机在本文系统中分类效果优于K-最近邻分类器和其他核函数的支持向量机。比同样基于人耳耳蜗结构提取的MFCC特征分类正确率提高15%；比增加了模糊映射的音色特征集分类正确率高6%左右；与同样从图像角度出发，分析MFCC频谱图和短时傅里叶变换频谱图相比，分类正确率也有所提高。(本文来源于《天津大学》期刊2012-12-01）
罗扬[10]（2012）在《基于内容的音乐自动分类模式识别系统设计》一文中研究指出基于内容的音频音乐检索分类一直是音乐信息组织研究的难点。本文对音频自动分类技术进行了初步的研究,尝试通过机器学习的方式来训练分类器,以求在样本有限的条件下达到较好的分类效果。(本文来源于《福建电脑》期刊2012年11期）
音乐自动分类论文开题报告
（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：
音乐分类在音乐信息检索中占据重要地位,自动的音乐分类方法可以在降低花费的同时取得良好的精准度.传统的平面型音乐流派分类方法主要从全体数据集出发使用若干特征作为分类依据,导致分类效果并不太好.本文考虑了音乐文件本身的属性,结合统计学方面的特征,提出了基于分层结构的分类方法.该方法首先使用K-Means聚类方法以分析不同类别间的关系,并构造类别层次关系图,在此基础上使用支持向量机方法进行分类,通过使用不同的特征集合,保证了分类的准确率.该方法在GTZAN数据集上进行了相关实验,实验结果表明本文所提出的方法能够取得较好的分类准确率.
（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。
音乐自动分类论文参考文献
[1].王冰聪.基于内容的音乐流派自动分类系统的研究与实现[D].北京化工大学.2018
[2].杜威,林浒,孙建伟,于波,姚恺丰.一种基于分层结构的音乐自动分类方法[J].小型微型计算机系统.2018
[3].黄建校.基于SVM的增量式音乐自动分类研究[D].南京邮电大学.2017
[4].张智乐.基于听觉图像的音乐流派自动分类[J].黄河之声.2016
[5].张昕.基于深度信念网络与隐马尔科夫模型的音乐自动分类算法研究[D].大连理工大学.2015
[6].董子.听觉图像背景下的音乐流派自动分类的思考[J].音乐大观.2014
[7].向毅,陈振宇,彭雨明,卢旭文,高静.人工蜂群算法优化支持向量机及其在音乐流派自动分类中的应用[J].数学的实践与认识.2013
[8].李锵,李秋颖,关欣.基于听觉图像的音乐流派自动分类[J].天津大学学报.2013
[9].李秋颖.基于听觉图像的音乐流派自动分类系统研究[D].天津大学.2012
[10].罗扬.基于内容的音乐自动分类模式识别系统设计[J].福建电脑.2012