改进音高轮廓创建和选择的旋律提取算法

针对复调音乐中不同声源的相互干扰而导致同一声源音高序列的不连续,从而降低音高估计精度的问题,提出改进音高轮廓创建和选择的旋律提取算法。算法首先计算时频谱中每一点的音高显著性,并提出基于听觉流线索和音高显著性的连续性创建音高轮廓;为了进一步选择旋律音高轮廓,随后提出根据伴奏的重复特性去除非旋律音高轮廓,主要采用动态时间规整算法计算旋律和非旋律音高轮廓间的相似度;最后,提出利用相邻音高轮廓的长时关系检测旋律音高轮廓中的倍频错误,并平滑旋律音高轮廓形成旋律音高线。在数据集ORCHSET上进行仿真实验,结果表明所提出的改进算法比改进前提高了2.86%的音高估计精度和3.32%的总精度,可有效解决音高估计问题。

基于内容的音乐检索研究

对音乐的特征表示进行了详细的阐述,详细介绍了乐曲相似性度量方法,并字符串编码方法对音乐特征进行编码,然后使用蛋白质序列局部比对方法对2 239首中国乐曲和3 960首西方乐曲的音乐库进行大量的检索实验,获取了大量的实验数据,对实验结果进行分析,并取得了较好的检索性能。最后针对音乐检索过程中的每次比对都相互无关的特点,具有可以很好地进行并行化特性,对算法进行并行化,实现在4台高档微机构成的群集上进行了并行检索实验,其检索时间约为串行检索时间的1/4,有很高的加速比。

一种提高哼唱匹配效果的新算法

在基于改进离散余弦变换的哼唱检索系统中,采用音高轮廓表示旋律,取原始歌曲中的一段为哼唱片段,使用字符串匹配法,分别在采样率为8kHz和44.1kHz的情况下进行匹配,分析了分帧起始位置对匹配效果的影响,并就此问题提出新算法。实验结果表明了该算法的有效性。

一个基于哼唱的音乐检索系统

本文在分析了音乐哼唱检索系统原理结构的基础上,采用头尾浮动的DTW匹配算法,设计了一个通过哼唱旋律从音乐数据库中搜索出所需歌曲的哼唱检索系统。提出了一种混合匹配的方法。

基于信息检索及k均值聚类的音乐个性化推荐算法

为追求更高的推荐质量与更快的推荐效率,以音乐资源为研究目标,构建了一种结合MIR与k-means标签聚类的个性化推荐算法。选取音高变化与轮廓作为系统处理数据,利用输入、预处理、特征提取、相似度匹配和输出模块架构音乐信息检索系统,依据用户与资源的选择关系形成多模网络,通过延伸、局域范围界定以及连接优先化阶段组建检索系统的动态多维网络模型,采用k-means标签聚类搜索邻域用户,获取最近邻用户集,将解得的综合特征值设定成初始聚类中心,根据排序后的推荐资源预测结果,实现个性化推荐。针对阿里天池音乐数据开展仿真实验,采用平均绝对误差、准确率和召回率等指标验证算法性能,经实验数据比对后发现,本文算法准确率较为理想,误差较小,具备比较优越的推荐有效性。