網(wǎng)絡(luò)多媒體音頻數(shù)量與日俱增,如何能夠高效地檢索出所需目標(biāo),現(xiàn)已成為音樂信息檢索技術(shù)的一個(gè)關(guān)鍵性問題,歌曲匹配作為音樂信息檢索的一個(gè)子任務(wù),也越來越受到人們的重視,近年來,深度學(xué)習(xí)方法的興起促進(jìn)了人工智能的發(fā)展,也為音樂檢索提供了一個(gè)新的思路。深度學(xué)習(xí)技術(shù)在語音信號處理等領(lǐng)域取得了一系列成功。本文借鑒深度學(xué)習(xí)在語音信號處理方面的研究成果,在音樂信息檢索與深度學(xué)習(xí)理論相結(jié)合的基礎(chǔ)之上針對如何更好的利用深度學(xué)習(xí)來研究更加適用于音樂信息檢索這一問題的方法主要研究內(nèi)容有:1.提取了 WAVE音樂庫中標(biāo)準(zhǔn)的音高信息。在綜合考慮算法精度與時(shí)間復(fù)雜度后本文采用了新的方法BP神經(jīng)網(wǎng)絡(luò)對音樂信號音符切分及清濁音區(qū)分,在此基礎(chǔ)上使用倒譜分析進(jìn)行基音周期的估計(jì)。2.建立了以音符為基礎(chǔ)的HMM模型,進(jìn)行了模型訓(xùn)練與識別,通過HMM算法實(shí)現(xiàn)了音樂信息的檢索。3.在限制玻爾茲曼機(jī)的基礎(chǔ)上介紹了卷積深度置信網(wǎng)絡(luò)模型,并將卷積深度置信網(wǎng)絡(luò)算法應(yīng)用到音樂信息檢索中。首先通過非監(jiān)督貪婪逐層算法進(jìn)行了預(yù)訓(xùn)練,然后,通過有監(jiān)督的網(wǎng)絡(luò)訓(xùn)練方法對網(wǎng)絡(luò)參數(shù)進(jìn)行了微調(diào),通過調(diào)整網(wǎng)絡(luò)參數(shù)提高了模型的識別能力。通過實(shí)驗(yàn)得出歌曲樣本長度為3...

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１分幀圖??Ｆｉｇ．?２．１?Ｔｈｅ?ｄｉａｇｒａｍ?ｏｆ?ｆｒａｍｅ??

以是交疊的，也可以是連續(xù)的，兩個(gè)相鄰幀之間可以有交疊，重疊的這一部分??我們稱之為幀移。幀移長度一般會取幀長的１／３到１／２，這個(gè)取值具體要看實(shí)際??應(yīng)用。分幀中幀長和幀移如圖２．１。分幀一般與加窗［４６］—起使用。對于每一幀數(shù)??據(jù)，幀長取Ｎ，然后將窗函數(shù)與原來的輸入信號彳《）....

圖２．２端點(diǎn)檢測流程??Ｆｉｇ．?２．２?Ｔｈｅ?ｐｒｏｃｅｓｓ?ｏｆ?ｅｎｄｐｏｉｎｔ?ｄｅｔｅｃｔｉｏｎ??

過了高門限，就能確信進(jìn)入語音段。處于語音段時(shí)，若兩個(gè)參數(shù)的數(shù)值降低到??了低門限以下，而且總的計(jì)時(shí)長度小于最短時(shí)間門限，則是一段噪音，然后掃??描以后的語音數(shù)據(jù)。否則，標(biāo)記好結(jié)束端點(diǎn)，并返回。圖２．２所示為端點(diǎn)檢測流??程圖：??設(shè)置各初始值????計(jì)算短義量、?Ｎ???調(diào)雜１丨....

圖２．４人工神經(jīng)元模型??Ｆｉ．?２．４?Ａｒｔｉｆｉｃｉａｌ?ｎｅｕｒａｌ?ｍｏｄｅｌ??

?音頻特征提取??圖２．３是一段哼唱歌曲的短時(shí)能量與過零率結(jié)果圖??Ｗａｖｅ?ｆｏｒｍ??１?ｉ?Ｉ?？?ｉ?ｉ?ｉ?ｒ??■ｇ??｜?０?一?卜＿?■丨?ｎ?￣￣＾一????＜??１?Ｉ?Ｉ?Ｉ????ｉ???ｉ?ｉ??０．５?１?１．５?２?２．５??Ｓｈｏｒｔ－ｔｉｍｅ?ｅ....

圖２．３短時(shí)能量與過零率結(jié)果圖??Ｆｉｇ．?２．３?Ｔｈｅ?ｒｅｓｕｌｔ?ｄｉａｇｒａｍ?ｏｆ?ｓｈｏｒｔ－ｔｉｍｅ?ｅｎｅｒｇｙ?ａｎｄ?ｚｅｒｏ?ｃｒｏｓｓｉｎｇ?ｒａｔｅ??

?音頻特征提取??圖２．３是一段哼唱歌曲的短時(shí)能量與過零率結(jié)果圖??Ｗａｖｅ?ｆｏｒｍ??１?ｉ?Ｉ?？?ｉ?ｉ?ｉ?ｒ??■ｇ??｜?０?一?卜＿?■丨?ｎ?￣￣＾一????＜??１?Ｉ?Ｉ?Ｉ????ｉ???ｉ?ｉ??０．５?１?１．５?２?２．５??Ｓｈｏｒｔ－ｔｉｍｅ?ｅ....

本文編號：3930448