基于DPP的音符自動(dòng)切分研究.pdf

1、在數(shù)據(jù)爆炸增長的大數(shù)據(jù)時(shí)代，如何高效地對海量音樂進(jìn)行分類、檢索和管理已經(jīng)成為了難題，傳統(tǒng)的人工標(biāo)注的方式已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足需要，所以基于內(nèi)容的音樂要素分析成為研究熱點(diǎn)。基于內(nèi)容的音樂分析是計(jì)算機(jī)音樂智能處理領(lǐng)域的重要分支，其中音符的分割和識別是關(guān)鍵技術(shù)之一。目前，已經(jīng)有可靠的算法能將每一段短時(shí)周期信號轉(zhuǎn)換為音高，但還沒有好的算法能將音高序列轉(zhuǎn)換得到的離散的音符序列進(jìn)行準(zhǔn)確切分，自動(dòng)音符切分識別還是一個(gè)技術(shù)難題。
　　本文在音符切分相

2、關(guān)研究成果的基礎(chǔ)上，結(jié)合音樂基本理論、模式識別與機(jī)器學(xué)習(xí)技術(shù)，提出一種基于行列式點(diǎn)過程(determinant point process，DPP)的音符切分算法。本文從應(yīng)用背景、基本概念、數(shù)學(xué)邏輯和幾何意義四個(gè)方面對行列式點(diǎn)過程進(jìn)行了全面的剖析，闡述了行列式點(diǎn)過程建模的可行性，為后續(xù)的工作提供了理論保障。行列式點(diǎn)過程模型是一種子集選擇模型，本文首先對音樂進(jìn)行分幀，為每一幀建立一個(gè)12維的特征向量，并用行列式點(diǎn)過程模型進(jìn)行建模，根據(jù)有監(jiān)

3、督學(xué)習(xí)的原理，對模型參數(shù)進(jìn)行訓(xùn)練，最后利用抽樣算法選取一個(gè)滿足DPP分布的子集，從而實(shí)現(xiàn)音符的分割。具體工作內(nèi)容如下：
　　首先，對音樂數(shù)據(jù)進(jìn)行預(yù)處理，將音樂統(tǒng)一為11025Hz采樣率3秒鐘的音樂片段，并剔除了連續(xù)重復(fù)的片段。通過分幀的方式，將連續(xù)的音樂信號抽象為離散的點(diǎn)過程，在分析并推導(dǎo)了基于幀的音級輪廓(PCP)特征提取的原理后，為每一幀建立一個(gè)12維的PCP特征向量作為該點(diǎn)的差異性向量。
　　其次，為每一個(gè)音樂片段手動(dòng)

4、標(biāo)注一個(gè)音符幀號對應(yīng)表，并為手動(dòng)選出一個(gè)幀子集用作訓(xùn)練，該子集由每一個(gè)音符的一幀組成。再根據(jù)極大似然估計(jì)(MLE)原理建立目標(biāo)函數(shù)，在闡述了目標(biāo)函數(shù)可近似為凸函數(shù)后，將其轉(zhuǎn)換成凸優(yōu)化問題，利用梯度下降法進(jìn)行求解。
　　最后，利用 DPP抽樣算法，為測試數(shù)據(jù)抽取幀子集，并與音符幀號對照表進(jìn)行對比，統(tǒng)計(jì)錯(cuò)誤率。
　　本文通過交叉驗(yàn)證的方式對200段音樂數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)最終的音符切分正確率為67.92％，不同于傳統(tǒng)的信號處理方式