论文部分内容阅读
在现代社会的快节奏和高压力生活中,大街小巷到处充满音乐之声。在日常生活中,人们通过音乐来进行释放和缓解压力、调节情绪,长久以来人们对音乐的需求就不再仅仅是休闲娱乐,更多的是寻求情感的共鸣。然而,大数据时代的音乐资源相当丰富,对音乐进行情感识别能够准确快速的找到所需求情感的音乐。人的主体的主观性非常强,这促使不同的人对同一音乐的情感认识并不相同,为了能够准确识别音乐的情感,音乐情感识别研究需要充分考虑人的主体性,因此,越来越多的研究者尝试使用效价—唤醒度(VA)情感空间作为音乐的情感空间。此外,研究证实音乐信号的声学信号特征对音乐情感研究意义重大。本文采用直方图密度混合模型进行音乐情感识别。HDM模型方法将VA情感空间量化为G*G格,用二维直方图密度估计来模拟音乐的情感分布。通过线性组合不同音频主题生成的学习直方图的权重,来对测试集中未知情感的音乐进行情感预测,最后根据模型对测试集的预测值与测试集实际值的ED、MEA、RMSE等参数来对该模型进行评价。本文主要采用SVR、KNN、集成学习、AEG(声音情感高斯模型)和HDM五种方法进行实验对比。本文采用的模型在VA空间中没有参数分布假设,且模型训练迅速和能够准确地预测音乐的情感。本文是在AMG1608情感注释数据集中进行性能研究的,该数据集的1608首30s音乐片段的情感标签是由665名参与者注释完成的。实验结果表明,使用HDM模型对音乐进行情感识别有较高的准确率,即较好的识别效果。同时,本论文还设计实现了一个基于Android的音乐情感检索系统。使用MATLAB完成HDM模型算法实现过程,在AMG1608数据集的基础上进行HDM模型的训练,然后开发实现Android音乐检索系统,将Android与MATLAB相连接,根据音乐的情感结果与用户选择的情感类别相匹配来实现音乐检索系统的情感检索功能。