基于相關(guān)主題模型的音樂(lè)分類(lèi)方法研究.pdf

1、隨著數(shù)字音樂(lè)在網(wǎng)絡(luò)中的不斷發(fā)展，不僅使得廣大的音樂(lè)愛(ài)好者可以通過(guò)計(jì)算機(jī)自動(dòng)獲取所喜愛(ài)的音樂(lè)，而且引起了計(jì)算機(jī)科學(xué)家及工程技術(shù)人員對(duì)自動(dòng)音樂(lè)信息檢索的極大研究興趣。然而，目前已有的方法和技術(shù)仍然難以建立真實(shí)的滿足人們實(shí)際需要的音樂(lè)信息檢索系統(tǒng)。其中需要解決的一個(gè)關(guān)鍵問(wèn)題是音樂(lè)自動(dòng)分類(lèi)。作為音樂(lè)信息檢索的基礎(chǔ)，音樂(lè)分類(lèi)已經(jīng)成為研究的熱點(diǎn)。
　　 自上世紀(jì)90年代以來(lái)，該領(lǐng)域的研究工作取得了很大的進(jìn)展，已經(jīng)有一些模式識(shí)別方法被成功應(yīng)用

2、于音樂(lè)分類(lèi)中，如：支持向量機(jī)(SupportVectorMachine，SVM)、隱馬爾可夫模型(HiddenMarkovModel，HMM)、神經(jīng)網(wǎng)絡(luò)（NeuralNetwork,NN）等方法，并取得了一些成功的結(jié)果。然而，這些方法在構(gòu)建分類(lèi)系統(tǒng)時(shí)通常需要大量的高維訓(xùn)練樣本。這就增加了系統(tǒng)訓(xùn)練的復(fù)雜性，同時(shí)也降低了預(yù)測(cè)的準(zhǔn)確率。
　　 近年來(lái)，已有研究人員將LDA(LatentDirichletAllocation，LDA)這

3、一主題模型應(yīng)用在音頻信息處理中，對(duì)音頻信息進(jìn)行基于主題的建模。為了克服LDA模型不能調(diào)控主題之間相關(guān)性的缺點(diǎn)，Blei等人又提出了相關(guān)主題模型(CorrelatedTopicModel,CTM)。在此基礎(chǔ)上，本文對(duì)基于CTM模型的音樂(lè)分類(lèi)方法進(jìn)行研究，主要完成了以下工作：
　　 1．分析并總結(jié)音樂(lè)分類(lèi)中的重點(diǎn)問(wèn)題和已有方法的優(yōu)點(diǎn)和不足；
　　 2．提出了CTM與HMM相結(jié)合的音樂(lè)分類(lèi)方法，并使用DBSCAN（Densit

4、y-BasedSpatialClusteringofApplicationswithNoise）聚類(lèi)算法確定CTM模型的主題數(shù)，優(yōu)化CTM模型，以達(dá)到在降低數(shù)據(jù)維數(shù)的同時(shí)提高音樂(lè)分類(lèi)系統(tǒng)整體性能的目的；
　　 3．對(duì)CTM模型進(jìn)行改進(jìn)，使其具有動(dòng)態(tài)時(shí)間性，提出了動(dòng)態(tài)相關(guān)主題模型（DynamicCorrelatedTopicModel，DCTM），并將DCTM模型與HMM相結(jié)合對(duì)音樂(lè)分類(lèi)，通過(guò)DCTM模型對(duì)音樂(lè)的動(dòng)態(tài)建模，從而提高