RBF神经网络和HMM用于音乐识别的算法研究

论文摘要

音乐信号处理是信号处理领域中的重要组成部分。为了能让计算机与人类能够用音乐自由的沟通,有关计算机音乐处理的研究,意义日益凸显。音乐的计算机自动识别是新兴的交叉学科,其研究涉及物理学、信号处理、人机交互、音乐理论等诸多学科知识。本文研究的音乐识别正是将计算机多媒体技术、信号处理与模式识别的相关知识和技术同音乐理论相结合,用计算机模拟人对音乐认知和分析的过程。论文首先介绍了计算机音乐的发展,并对基本乐理及音乐信号的特性进行了简单的描述。围绕音乐相关理论,论文对比了音乐信号与语音信号的特性,选取MFCC（Mel-Frequency Cepstral Coefficients）作为单音信号的特征,并对特征矢量维数的选择进行了讨论,利用RBF神经网络对钢琴88个单音进行识别,实验取得了100%的识别结果。实验结果表明所选特征对识别钢琴单音信号是有效的。其次论文研究了在西方音乐和弦识别中使用频率较高的音级轮廓（Pitch Class Profile简称PCP）特征及其计算方法,给出了具体的计算公式。论文基于HMM构建了音乐和弦识别系统,定义了36个状态,每个状态代表一类和弦;通过一个12维的多元高斯函数拟合观察向量的概率分布,该模型分别由高斯函数的均值向量和和协方差向量来定义。论文借助Chris Harte制作的标签文件训练得到有监督的HMM。识别过程通过Viterbi算法,对输入信号依照极大似然法来寻找最佳路径,即最佳的和弦序列。为了克服系统处理快节奏音乐时出现的如下问题:识别空和弦时系统常发生混淆,论文采用了得到很多学者认可的节拍同步分析算法。实验以帧为单位对三首不同音乐的和弦进行了识别,平均识别率达到76.81%。最后论文对实验过程及结果进行了细致的分析和讨论。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 计算机音乐的发展
• 1.1.2 选题背景及其意义
• 1.2 研究现状综述
• 1.2.1 节奏识别
• 1.2.2 风格识别
• 1.2.3 乐器识别
• 1.2.4 和弦识别
• 1.3 论文内容安排
• 第二章 基本乐理及音乐特性
• 2.1 音乐基本特征概述
• 2.2 基本乐理
• 2.2.1 音高与音色
• 2.2.2 音律及十二音平均律
• 2.2.3 节奏与节拍
• 2.2.4 音程与和弦
• 2.3 钢琴的音乐特性
• 第三章 神经网络应用于钢琴单音识别
• 3.1 常见的单音识别方法
• 3.1.1 并行处理基音检测器
• 3.1.2 谐波峰值法
• 3.1.3 小波变换
• 3.1.4 几种单音识别算法比较
• 3.2 人工神经网络基础
• 3.2.1 人工神经网络的基本特点
• 3.2.2 人工神经网络的组成及结构
• 3.2.3 神经网络结构的训练算法分类
• 3.3 RBF 神经网络的原理
• 3.4 RBF 神经网络结构
• 3.5 RBF 神经网络的学习过程
• 3.6 RBF 神经网络构建钢琴单音识别系统
• 第四章 隐马尔可夫模型在音乐和弦识别中的应用
• 4.1 引言
• 4.2 HMM 的基本概念
• 4.2.1 马尔可夫（Markov）过程和马尔可夫链
• 4.2.2 隐马尔可夫模型
• 4.2.3 HMM 定义
• 4.2.4 HMM 的三个基本问题
• 4.3 HMM 基本算法
• 4.3.1 前向后向算法
• 4.3.2 Viterbi 算法
• 4.3.3 Baum-Welch 算法
• 4.4 HMM 模型的选择
• 4.5 隐马尔可夫模型用于音乐和弦识别
• 4.5.1 音级轮廓（Pitch Class Profile 简称PCP） 特征介绍
• 4.5.2 PCP 特征计算
• 4.5.3 HMM 建立和弦识别系统
• 4.5.4 实验过程、结果及结论
• 第五章 结论与展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录