RBF神經(jīng)網(wǎng)絡和HMM用于音樂識別的算法研究.pdf

1、音樂信號處理是信號處理領域中的重要組成部分。為了能讓計算機與人類能夠用音樂自由的溝通，有關(guān)計算機音樂處理的研究，意義日益凸顯。音樂的計算機自動識別是新興的交叉學科，其研究涉及物理學、信號處理、人機交互、音樂理論等諸多學科知識。本文研究的音樂識別正是將計算機多媒體技術(shù)、信號處理與模式識別的相關(guān)知識和技術(shù)同音樂理論相結(jié)合，用計算機模擬人對音樂認知和分析的過程。
　　 本文首先介紹了計算機音樂的發(fā)展，并對基本樂理及音樂信號的特性進行了

2、簡單的描述。圍繞音樂相關(guān)理論，論文對比了音樂信號與語音信號的特性，選取MFCC(Mel-Frequency Cepstral Coefficients)作為單音信號的特征，并對特征矢量維數(shù)的選擇進行了討論，利用RBF神經(jīng)網(wǎng)絡對鋼琴88個單音進行識別，實驗取得了100[％]的識別結(jié)果。實驗結(jié)果表明所選特征對識別鋼琴單音信號是有效的。
　　 本文研究了在西方音樂和弦識別中使用頻率較高的音級輪廓(Pitch Class Profile

3、簡稱PCP)特征及其計算方法，給出了具體的計算公式。論文基于HMM構(gòu)建了音樂和弦識別系統(tǒng)，定義了36個狀態(tài)，每個狀態(tài)代表一類和弦；通過一個12維的多元高斯函數(shù)擬合觀察向量的概率分布，該模型分別由高斯函數(shù)的均值向量和和協(xié)方差向量來定義。借助Chris Harte制作的標簽文件訓練得到有監(jiān)督的HMM。識別過程通過Viterbi算法，對輸入信號依照極大似然法來尋找最佳路徑，即最佳的和弦序列。為了克服系統(tǒng)處理快節(jié)奏音樂時出現(xiàn)的如下問題：識別空和