基于改进深度学习算法的乐器音色识别

为保持乐器音色时间序列基础上实现乐器音色的准确识别,提出基于改进深度学习算法的乐器音色识别新方法。该方法首先采用基于梅尔滤波器组能量对数和梅尔频率倒谱系数的一维卷积神经网络提取乐器音色特征;其次,将乐器音色特征输入基于长短期记忆和深度神经网络的乐器音色分类器进行乐器音色识别;最后,对来自5个乐器声音数据库的乐器音色进行了仿真测试。对于5个数据库中乐器音色的识别测试结果表明,该乐器音色识别比基于卷积神经网络的乐器音色识别方法、基于卷积神经网络与深度置信网络的乐器音色识别方法分别提高了2.49%和2.02%。

面向混合乐器音乐分析的稀疏特征提取方法

为了解决混合乐器音乐数据的成分识别与解析研究中,现有方法过度依赖数据标签,且往往基于单纯频域或物理特征,与乐器固有性质关联不明显、对复杂成分的敏感度不足的问题,提出了一种基于稀疏分解和多种乐器成分字典的稀疏特征提取方法,通过对稀疏系数向量进行深入分析,得到可以独立使用,具有高可解释性的稀疏音乐特征。实验结果证明,这种特征能够直观地反映乐器成分组成与音乐情绪的变化,在混合乐器成分分析和其他各类时变信号分析领域具有显著的应用价值。

数字乐谱中嵌入MIDI信息的盲水印算法

提出一种基于光学乐谱识别(Optical Music Recognition,OMR)技术的适合于二值乐谱图像中嵌入其相应MIDI(Musical Instrument Digital Interface)信息的盲水印算法,可实现数字乐谱信息和MIDI信息的重建.实验结果表明,此算法不会对乐谱识别产生任何影响,且有利于数字音乐乐谱和数字音序的完整性审计和同步传播.

基于声学特征的乐器识别综述

在机器听觉领域中,语音信号处理与识别早已成为一个传统的研究热点;随着信息科学与技术的迅速发展,音频与音乐信号分析也逐渐成为一个新的研究热点。乐器识别是音乐分析的一个重要应用,其主要的研究方向是基于声学特征的识别,近年来,在该领域有众多研究成果出现。文章对十多年来在基于声学特征的乐器识别领域所取得的研究成果进行综述,总结乐器识别技术常用的声学特征和识别方法。

基于听觉仿生模型的乐器识别

提出了一个用于乐器识别的听觉仿生系统.该系统基于人类听觉系统中对声源识别起关键作用的耳蜗基底膜、内毛细胞、耳蜗核等部位的生理学功能设计出听觉仿生系统,并对乐器特征进行了提取,进而建立模拟听皮层功能的自组织特征映射神经网络,对构建的由7种乐器243个独奏乐曲样本组成的乐器数据库进行分类识别,乐器识别正确率在75%以上.

乐器识别中频谱特征与聚合策略性能评估

乐器识别领域中,传统降采样或全局映射方法得到的特征对输入表达不够准确且判别能力不足。为此借鉴图像领域聚合局部特征的思想,提出一种结合频谱特征和图像领域特征聚合策略的方法。考虑涉及中国传统乐器的研究较少,建立了包含12种中国传统乐器的独奏音乐数据集。为适应频谱图输入,对ResNet34的变体网络模型进行了修改,在建立的数据集上分别针对乐器识别和验证任务对不同特征和聚合策略的9种组合模型进行了性能对比。实验结果表明,基于短时幅度谱和GhostVLAD的组合模型,在乐器识别任务中达到93.3%的准确率,优于其他模型,且收敛速度最快。

音乐信息检索下的乐器识别综述

高效精准的乐器识别技术可以有效地推动声源分离、音乐识谱、音乐流派分类等研究的深入发展,可广泛应用于播放列表生成、声学环境分类、乐器智能教学和交互式多媒体等众多领域。近年来,随着乐器识别研究的不断推进,乐器识别系统在性能上有了大幅提高,但依旧存在着部分乐器难以识别、乐器音频特征提取较为困难、复音乐器识别精准度较低等诸多问题,如何借助人工智能技术对乐器进行高效精准的识别成为当前研究的热点和难点。针对当前研究现状,从乐器识别常用音频特征、乐器识别模型及方法和常用数据集三个方面进行综述,并对当前研究中存在的局限性和未来发展趋势进行总结,为乐器识别研究提供一定的借鉴参考。

基于人工智能的乐器识别研究综述

基于人工智能的乐器识别是音频识别和处理中的重要一环,在近20年来的研究中取得了丰硕的成果,也面临着一些问题.鉴于目前国内的相关研究较少,重点介绍了国际乐器识别领域的研究热点,阐述了应用于乐器识别的特征提取、数据资源、几类常用的数据处理原理及模型.在介绍国际上乐器识别领域的主要成果时,重点阐述了基于机器学习和深度学习的人工智能技术在复调音乐乐器识别和标注中的应用.本综述对于我国开展相应的研究可以提供一些经验和参考.

基于ModelArts的乐器音色在线识别系统

ModelArts是华为开发的人工智能平台,能够提供支撑用户从数据到应用的开发管道,包含数据预处理、机器学习模型搭建、模型部署、在线模型验证等功能。通过使用ModelArts自动学习构建训练模型,基于收集到的大提琴、小提琴、钢琴、手风琴、古筝、琵琶共6种乐器的声音的训练集,对其进行训练并部署,设计了基于ModelArts的乐器音色在线识别系统。通过对不同乐器的声音进行识别,结果显示所设计的系统识别准确率达99.4%,可以实现对乐器的音色进行实时在线精准识别。

大学生对中国民族器乐认知度的研究——以南京6所高校大学生为例

对南京市6所高校的大学生进行关于中国民族器乐认知度的问卷调查,分析大学生对中国民族器乐的认知现状及其影响因素,提出了加强学校民族器乐课程建设、发展多元化的民族器乐、提升民族器乐的传播力度等促进大学生更好了解中国民族器乐及本土音乐文化的对策与建议。

基于声学特征的乐器研究

论文基于声学特征的乐器研究,将从乐器的基础知识入手,结合特征抽取研究,对乐器音频信号的声学特征展开论述。最后,提出乐器分类的具体方法。希望此研究能为音频与音乐信号研究分析提供参考性建议。

基于曲式和情感识别的音乐动画CAD系统

本文介绍了一个根据音乐的曲式和情感识别的音乐动画CAD系统。该系统上要由四部分组成。首先对乐曲的曲式特征进行识别从而将整首乐曲分成若干个乐段;然后分别对每一个乐段的情感内涵进行识别;第三,根据动画的物理模型建立基本表演程序库;最后,通过对各乐段的情感与基本表演程序库中的基本表演程序进行匹配而生成音乐动画。我们以一个音乐喷泉为动画模型对该方法进行了验证,结果是相当满意的。

基于谐波结构的民族乐器音色特征提取

针对民族乐器音色特征提取准确率问题,提出谐波特征提取结合支持向量机的音色分类识别方法。其中,考虑到谐波结构对音色的重要性,提出离散谐波变换的音色谐波提取方法,以此构建音色表达谱;然后算融合LPCC、MPCC等特征作为SVM的输入,最终实现不同民族乐器的分类识别。结果表明,在识别准确率上,组合特征的识别率明显高于单一特征输入;在单音色识别上,本方法在96%左右,高于KNN等其他方法;在音乐片段识别方面,对全部乐器的识别准确率和针对音乐片段数据库的测度平均分别提高了7.3%和2.23%,识别效果更好。