论文部分内容阅读
在现代社会,各式各样的音乐层出不穷。随着音乐的普及,人们对音乐信号处理与分析技术的要求也随之提高,不同的音频处理、音乐检索等技术不断被提出。音乐的特征分析与模式识别技术相结合,推动了基于音乐特征的音乐分类技术的发展,这对音乐检索、音乐分类等领域的发展与突破有着极其重要的意义。本文基于音频信号处理技术,对音乐的基本要素之一——音色进行分析,并结合模式识别技术,设计并实现了一个音色分析系统。论文的主要工作内容有:1.音乐信号的音色特征参数的提取工作。首先是音乐信号的预处理工作,本文以人耳对音频信号的频段敏感度为依据,设计了一组模拟人耳过滤噪声功能的带通滤波器组,对音乐信号进行噪声过滤。接着对音乐信号的时频域特征进行分析,将八种东西方乐器的音效在其时频域上进行对比,分析影响乐器音色的主要因素。最后以MPEG-7标准中的音色标准参数和梅尔倒谱系数作为特征参数,提取并验证这些特征参数,在MATLAB下编程实现音色特征参数的提取工作。2.针对已经获取的音色特征参数向量,结合模式识别技术,利用不同的分类器(IBK 分类器(Knearestneighbors classifier)、SVM 分类器(support virtual machine)、J48 决策树分类器和 BP(Back Propagation)神经网络)对不同的乐器音效进行分类。首先,基于Weka数据挖掘平台对不同分类器进行分类训练,生成不同的分类模型,比较不同分类模型的乐器分类准确率。其次,对不同分类模型的分类结果进行对比分析,比较不同的分类器的优缺点,为音色分析系统的设计奠定了算法基础。3.结合以上两点的分析研究成果,基于Java和MySQL,结合BP神经网络算法设计并实现了一个具有自我学习能力的音色分析系统。该系统实现了音乐频谱成分分析、音色特征参数提取和乐器音色分类识别的功能,并通过收集分类错误的音色特征数据进行分类模型的离线训练学习,实现了系统的自我学习。