一種樂(lè)器信號(hào)的分類方法
【專利摘要】一種樂(lè)器信號(hào)的分類方法，屬于電子信息【技術(shù)領(lǐng)域】，包括相空間重構(gòu)模塊，主成分分析模塊，特征提取模塊和柔性神經(jīng)樹模塊。特征在于實(shí)施步驟是對(duì)不同樂(lè)器樣本信號(hào)產(chǎn)生的時(shí)間序列進(jìn)行相空間重構(gòu)，通過(guò)主成分分析去除冗余信息，達(dá)到降維目的，再通過(guò)分析各種樂(lè)器特性，采用概率密度函數(shù)來(lái)刻畫各個(gè)樂(lè)器在相空間中的差異，最后，采用柔性神經(jīng)樹模型作為分類器來(lái)進(jìn)行分類，它能夠有效的解決人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的高度依賴性問(wèn)題,可以使單個(gè)樂(lè)器的分類準(zhǔn)確率最高達(dá)到了98.7％。
【專利說(shuō)明】一種樂(lè)器信號(hào)的分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于電子信息【技術(shù)領(lǐng)域】，具體涉及一種樂(lè)器信號(hào)的分類方法。
【背景技術(shù)】
[0002]音樂(lè)是人們生活中不可或缺的部分，然而，我們了解音樂(lè)信息的方式只能通過(guò)實(shí)時(shí)試聽，從中獲取自己感興趣的內(nèi)容。隨著科技的發(fā)展，人們能夠接觸到的信息也在飛速增長(zhǎng)，因此，在海量的數(shù)據(jù)中通過(guò)實(shí)時(shí)的試聽來(lái)獲得自己感興趣的音樂(lè)實(shí)屬不易。近年來(lái)，音樂(lè)數(shù)據(jù)分析和檢索已成為國(guó)內(nèi)外研究熱點(diǎn)。
[0003]大多數(shù)的音樂(lè)依賴樂(lè)器的演奏來(lái)表達(dá)，同一首曲目用不同的樂(lè)器演奏，也會(huì)給人們的聽覺(jué)帶來(lái)不同的享受。在計(jì)算機(jī)識(shí)別領(lǐng)域，隨著信號(hào)分析和數(shù)據(jù)挖掘技術(shù)的不斷發(fā)展，時(shí)頻分析、神經(jīng)網(wǎng)絡(luò)等多種相互交叉的技術(shù)都逐漸應(yīng)用到樂(lè)器分類當(dāng)中。
[0004]有效的特征提取和分類器選擇一直是樂(lè)器分類中的關(guān)鍵步驟。Mel倒譜系數(shù)特征通常被應(yīng)用在語(yǔ)音信號(hào)領(lǐng)域，但在音樂(lè)流派和樂(lè)器信號(hào)的分類中也大放異彩。MPEG-7作為以音頻特征提取和描述為目的的標(biāo)準(zhǔn)化框架，在音樂(lè)信號(hào)的特征提取中必不可少，尤其是對(duì)相似的音樂(lè)信號(hào)效果更佳。除了眾多的音頻特性,廣泛的分類器在音頻分類中也得到了深入研究，比如神經(jīng)網(wǎng)絡(luò)、高斯混合模型、隱馬爾可夫模型、貝葉斯決策分類器和支持向量機(jī)等。研究者中有人通過(guò)高斯建模利用單通道語(yǔ)音分離法使兩個(gè)或兩個(gè)以上的樂(lè)器分離得到可能，有人使用調(diào)幅-調(diào)頻調(diào)制特性對(duì)樂(lè)器信號(hào)進(jìn)行分析和識(shí)別(其準(zhǔn)確率可以達(dá)到70%),也有人使用Mel倒譜系數(shù)特征，恒q變換和自相關(guān)函數(shù)來(lái)進(jìn)行特征提取，結(jié)合貝葉斯決策分類器使識(shí)別準(zhǔn)確率達(dá)到79%-84%。但在已有的研究成果中，一些音頻信號(hào)的分類準(zhǔn)確率普遍偏低，說(shuō)明上述的音頻特性并沒(méi)有很好地刻畫出所有信號(hào)之間的差異，且大部分分類器的參數(shù)選取及操作過(guò)程存在復(fù)雜繁瑣的缺點(diǎn)。

【發(fā)明內(nèi)容】

[0005]本發(fā)明目的是提供一種樂(lè)器信號(hào)的分類方法，可有效地克服現(xiàn)有技術(shù)中存在的缺點(diǎn)。
[0006]本發(fā)明是這樣實(shí)現(xiàn)的，通過(guò)采用包括相空間重構(gòu)模塊、主成分分析模塊、特征提取模塊和柔性神經(jīng)樹模塊對(duì)各種樂(lè)器信號(hào)進(jìn)行特征提取，然后經(jīng)過(guò)分類器進(jìn)行分類，其特征在于實(shí)施步驟是:
[0007]第一步、將采集到的樂(lè)器樣本信號(hào)進(jìn)行相空間重構(gòu)，主要確定樣本信號(hào)的延遲時(shí)間和嵌入維數(shù)，包括下列步驟:
[0008]設(shè)某個(gè)樂(lè)器信號(hào)樣本的一維時(shí)間序列為X=(Xl，X2,..., χκ)τ,延遲時(shí)間設(shè)為τ，建立一個(gè)m維的嵌入空間Y，將X映射到該嵌入空間中，則重構(gòu)的相空間的向量為:
【權(quán)利要求】
1.一種樂(lè)器信號(hào)的分類方法，通過(guò)采用包括相空間重構(gòu)模塊、主成分分析模塊、特征提取模塊和柔性神經(jīng)樹模塊對(duì)各種樂(lè)器信號(hào)進(jìn)行特征提取，然后經(jīng)過(guò)分類器進(jìn)行分類，其特征在于實(shí)施步驟是: 第一步、將采集到的樂(lè)器樣本信號(hào)進(jìn)行相空間重構(gòu)，主要確定樣本信號(hào)的延遲時(shí)間和嵌入維數(shù)，包括下列步驟: 設(shè)某個(gè)樂(lè)器信號(hào)樣本的一維時(shí)間序列為X=(Xl，X2,..., xK)T，延遲時(shí)間設(shè)為τ，建立一個(gè)m維的嵌入空間Y，將X映射到該嵌入空間中，則重構(gòu)的相空間的向量為:
【文檔編號(hào)】G10L15/08GK103761965SQ201410008533
【公開日】2014年4月30日 申請(qǐng)日期:2014年1月9日 優(yōu)先權(quán)日:2014年1月9日
【發(fā)明者】郭一娜, 王志社, 郅逍遙, 王曉梅, 李臨生 申請(qǐng)人:太原科技大學(xué)