基于内容的音乐流派自动分类系统的研究与实现

摘要

随着互联网和多媒体技术的迅猛发展，在线音乐服务已经成为面向大众消费者最重要的互联网在线服务之一。互联网上的音乐曲库规模已经极其庞大，各大在线曲库中不乏曲目规模上百万者，这些曲库的规模还在迅速扩大中。随之而来的一个重要又紧迫的需求是自动化标注并合理组织与分类海量的数字化音乐曲目，以便消费者根据个人喜好高效便捷地从海量音乐曲库中检索自己感兴趣的音乐曲目。近年来音乐信息检索(MusicInformation Retrieval，MIR)已经发展为一个令人瞩目的新兴研究领域，其中基于内容的音乐流派自动分类是一个重要的音乐自动标注任务。
　　本研究设计并实现了一个基于内容的音乐流派自动分类系统。作者根据音乐在时间上的流动特点，结合卷积神经网络和长短时记忆网络设计了一种特殊结构的基于音乐梅尔频谱的深度学习分类器，并在GTZAN数据集上验证了该网络结构的有效性;该深度学习分类器的另一个优点是其可以方便地对音乐进行实时处理;为了进一步提高该深度学习分类器的分类准确率，作者对梅尔频谱进行了和声打击分离，并引入集成学习技术，最终获得了超高的分类准确率;为了指导分类系统按照给定目标音乐流派标签进行音乐检索，本研究充分探索了分类器在各种分类概率阈值设定下的预测性能。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景

1．2 音乐流派自动分类的研究现状及课题意义

1．3 课题的研究内容和篇章结构

1．3．1 课题主要研究内容

1．3．2 论文篇章组织结构

第二章 相关技术概述

2．1 音频数据的表征

2．1．1 经典方法中常见的音频特征

2．1．2 梅尔倒谱系数(MFCC)

2．2 深度学习方法

2．2．1 多层网络训练

2．2．2 局部感受域

2．2．3 共享权值和偏置

2．2．4 池化层

2．2．5 长短时记忆(LSTM)

2．3 本章小结

第三章 模型结构设计与实现

3．1 实验数据集

3．2 特征提取

3．2．1 频谱图

3．3 模型结构设计

3．4 基于和声打击分离的集成学习分类器

3．4．1 和声打击分离

3．4．2 集成学习分类器

3．5 本章小结

第四章 性能验证与提升

4．1 网络结构有效性验证

4．1．1 深度学习分类器的性能

4．1．2 深度学习分类器的混淆矩阵

4．2 集成分类器性能分析

4．2．1 集成分类器的分类准确率

4．2．2 集成分类器的混淆矩阵

4．2．3 集成分类器的P／R曲线

4．2．4 集成分类器的ROC曲线

4．3 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

作者和导师简介