中國民族音樂特征提取與分類技術的研究_20166.pdf

1、隨著現代科技的發(fā)展，音樂信息檢索已經發(fā)展為一個新興的研究領域，在國內外都屬于比較熱門的研究課題。作為音樂信息檢索以及其他音頻處理的重要輔助手段，音樂自動分類方法的研究在理論上和應用上都具有重要的意義。
　　 中國地域遼闊、歷史文化積淀厚重，孕育了獨特的中國民族音樂，其地方色彩之豐美，世界各國難與相媲美。對中國民樂研究，在探索音樂文化歷史形態(tài)的變遷和歷史音頻修復等方面都有著重要意義。本文采用信號處理、機器學習等領域的技術方法，從特

2、征提取、分類器選擇、特征選擇三個方面對中國民樂分類方法進行了較深入的研究。
　　 本文收集并整理642首中國傳統民樂，共分古琴、古箏、揚琴、二胡、笛子、琵琶、南音和嗩吶8類，建立了中國民樂音樂數據庫，同時對音頻文件進行10s長度和20s長度切片處理，形成數據集Folk10s和Folk20s。本文的主要實驗數據均來源于此。
　　 音樂的自動分類一般可以分為特征提取與分類兩個階段。本文首先通過對各類民樂音頻特性的深入分析，建

3、立音樂特性與音頻數字特征的對應關系，從音調、響度、音色和節(jié)奏4個方面挑選出14個具有代表性的數字特征(共70維)，作為民族音樂分類的音頻特征。然后使用模式識別領域中常見的5中分類器：BP神經網絡分類、樸素貝葉斯分類器、K近鄰分類算法(KNN)、決策樹分類算法和統計支持向量機(SVM)來探索適合于中國民樂的分類方法。實驗表明，SVM在處理民樂分類問題上性能優(yōu)于其它分類器。
　　 為了研究支持向量機核函數的選擇和各聲學特征集及其組合

4、對分類器性能的影響，本文使用支持向量機在民樂數據集上對各特征集的分類性能進行了評估，并驗證了徑向基核函數(RBF)的有效性。
　　 雖然使用支持向量機在民樂分類上取得了不錯的效果，但一些無用特征和冗余特征的存在仍然對分類器的性能造成了一定的負面影響。為減少分類器的訓練時間，提升分類準確率，發(fā)現最能反映民樂特征的特征，我們分別使用了ReliefF、ReliefF-PCA、Relief-CA三種過濾式特征選擇算法在Folk10s數據

5、集上進行了特征選擇實驗，并提出了兩種基于混合模型的特征選擇算法：啟發(fā)式向前搜索(HFS)和啟發(fā)式向后搜索(HBS)。實驗結果表明，這兩種特征選擇算法均表現出優(yōu)秀的性能。為了探究HFS和HBS方法在多數據集上的性能，本文在另外兩個非音樂類數據集：波形噪聲數據集和手寫字符識別數據集上進行了特征選擇實驗。結果表明HFS和HBS不論從分類準確率上還是降維方面的表現都優(yōu)于其它的方法，這進一步驗證了它們的有效性和魯棒性。
　　 中國民樂是一