RBF神经网络和HMM用于音乐识别的算法研究

摘要

音乐信号处理是信号处理领域中的重要组成部分。为了能让计算机与人类能够用音乐自由的沟通，有关计算机音乐处理的研究，意义日益凸显。音乐的计算机自动识别是新兴的交叉学科，其研究涉及物理学、信号处理、人机交互、音乐理论等诸多学科知识。本文研究的音乐识别正是将计算机多媒体技术、信号处理与模式识别的相关知识和技术同音乐理论相结合，用计算机模拟人对音乐认知和分析的过程。
　　 本文首先介绍了计算机音乐的发展，并对基本乐理及音乐信号的特性进行了简单的描述。围绕音乐相关理论，论文对比了音乐信号与语音信号的特性，选取MFCC(Mel-Frequency Cepstral Coefficients)作为单音信号的特征，并对特征矢量维数的选择进行了讨论，利用RBF神经网络对钢琴88个单音进行识别，实验取得了100[％]的识别结果。实验结果表明所选特征对识别钢琴单音信号是有效的。
　　 本文研究了在西方音乐和弦识别中使用频率较高的音级轮廓(Pitch Class Profile简称PCP)特征及其计算方法，给出了具体的计算公式。论文基于HMM构建了音乐和弦识别系统，定义了36个状态，每个状态代表一类和弦；通过一个12维的多元高斯函数拟合观察向量的概率分布，该模型分别由高斯函数的均值向量和和协方差向量来定义。借助Chris Harte制作的标签文件训练得到有监督的HMM。识别过程通过Viterbi算法，对输入信号依照极大似然法来寻找最佳路径，即最佳的和弦序列。为了克服系统处理快节奏音乐时出现的如下问题：识别空和弦时系统常发生混淆，采用了得到很多学者认可的节拍同步分析算法。实验以帧为单位对三首不同音乐的和弦进行了识别，平均识别率达到76.81[％]。最后论文对实验过程及结果进行了细致的分析和讨论。