基于CRFs和MPCP特征的和弦识别研究

和弦识别是音乐调式分析和自动标注的基础,同时在分析音乐的结构和旋律方面有着非常重要的作用。结合音乐理论和信号处理知识,提出一种基于MPCP(Mel Pitch Class Profile)特征和CRFs(Conditional Random Fields)模型的和弦识别方法。利用短时傅里叶变换(STFT)对音乐信号进行时频变换,定义了一种新的MPCP特征,最后用CRFs对和弦进行识别。实验结果表明,提出的方法在识别率上优于其他方法,具有一定的潜力。

基于SVM和增强型PCP特征的和弦识别

和弦识别是自动音乐标注的基础,在歌曲翻唱识别、音乐分割及音频匹配等领域具有重要作用。针对不同乐器之间相同和弦识别率较低的问题,提出一种基于瞬时频率提取音级轮廓(PCP)特征的改进算法。该算法结合音高频率倒谱系数,将增强型PCP特征作为新的和弦识别特征,把音频信号输入到节拍跟踪器,依据动态规划算法提取信号的节拍信息,计算音频信号每一个节拍内的增强型PCP特征,采用结构化支持向量机分类方法实现对音乐和弦的识别。实验结果表明,与传统PCP特征相比,采用增强型PCP特征的和弦识别率提高了2.5%～6.7%。

基于鲁棒音阶特征和测度学习SVM的音乐和弦识别

和弦识别是音乐信息检索领域重要的研究内容之一,在信息处理、音乐结构分析以及推荐系统等方面具有重要的作用。为了降低人声对和弦进程的影响且恢复和弦所对应的谐波信息,文章分别对频谱中和弦所对应的谐波信息和人声信息进行建模,构建双目标优化问题,对和弦所对应的谐波信息进行有效重建,同时去除人声;其次,对谐波信息进行降维处理得到鲁棒性的音阶轮廓特征;最后为了提高支持向量机性能,文章采用测度学习的方法得到马氏距离,并使用马氏距离替换支持向量机的高斯核函数的欧氏距离,使得支持向量机的判别函数包含有数据的空间分布信息。最终实验结果表明,同基于现今流行的和弦识别算法相比,提出的和弦识别算法识别正确率提高3.5%~12.2%。

基于稀疏表示分类器的和弦识别研究

和弦识别作为音乐信息标注的基础,在分析音乐结构和旋律方面具有非常重要的作用。结合音乐理论知识,提出一种基于稀疏表示分类器的和弦识别方法。与传统的基于帧的识别方法不同,以节拍作为和弦变化的最小时间间隔,利用CQT(Constant-Q Transform)变换对音乐信号进行时频分析,提取PCP(PitchClass Profile)特征,采用稀疏表示分类器(Sparse Representation-based Classification,SRC)进行和弦识别。实验结果表明,提出的特征和识别方法在识别率上均高于传统的方法。

基于PCP特征的和弦识别研究与探讨

讨论了音乐识别领域中和弦的四种不同识别方法,给出了基于PCP特征的和弦识别算法.使用PCP作为和弦的特征作为输入送至隐马尔可夫模型中训练,利用Baum-Welch算法估计模型参数,通过Viterbi算法得到正确和弦.通过实验获得了76%的识别率,验证了该算法的可行性.