-
题名中国民族乐器的特征值提取和分类
被引量：5
- 1
-
-
作者
沈骏
胡荷芬
-
机构
上海师范大学信息与机电工程学院
-
出处
《计算机与数字工程》
2012年第9期119-121,共3页
-
基金
上海市教委项目"中国民族乐器特征值提取与自动识别研究"(编号:SK201131)资助
-
文摘
文章处理的是中国民族乐器的识别分类问题。提出了一种基于合适的音频特征值选择方法,该方法在基于MPEG_7标准的声学特征,在特征值的时间特性上进行改造,并加入改进后的特征值。从提取的音频特征值数据集选择K-最近邻算法。特别是对没有加入新特征值和加入新特征值后生成分类器模型的性能进行了比较。实验结果证明新特征值的加入提高了分类器的F1度量值。
-
关键词
乐器识别
音色
MPEG-7
音频特征值提取
K-最近邻
-
Keywords
musical instrument identification
timbre
MPEG-7
audio feature extraction
KNN
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于声学特征的乐器识别综述
被引量：3
- 2
-
-
作者
邓见光
潘晓衡
林玉志
-
机构
东莞理工学院工程技术研究院
华南理工大学计算机科学与工程学院
-
出处
《东莞理工学院学报》
2012年第3期58-64,共7页
-
基金
2009年NSFC-广东省联合基金重点项目:三维戏曲动画合成技术研究(U0935003)
-
文摘
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。
-
关键词
乐器识别
特征抽取
模式识别
分类
-
Keywords
musical instrument identification
feature extraction
pattern recognition
classificatio
-
分类号
O14
[理学—数学]
-
-
题名基于改进卷积神经网络与听觉谱图的乐器识别
被引量：3
- 3
-
-
作者
王飞
于凤芹
-
机构
江南大学物联网工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2019年第1期199-205,共7页
-
基金
国家自然科学基金(61703185)
-
文摘
针对传统乐器识别需要音乐的低级声频特征及识别性能依赖特征选取的问题,利用接近人耳感知且低冗余度的听觉谱图作为5层深度卷积网络的输入,逐层抽象出音色的高级时频表示用于乐器识别。为有效捕获听觉谱图中的时频信息,将卷积网络第1层矩形卷积核改进为频率、时间轴上的多尺度卷积核。在IOWA乐器库上进行的仿真实验结果表明,该神经网能获得96. 95%的识别准确率,优于使用单一卷积核的神经网,在相同的网络结构下,基于听觉谱图得到的识别准确率较基于梅尔频率倒谱系数(MFCC)、语谱图分别高出9. 11%、3. 54%,且对打击乐器与同族乐器的错分率均较小。
-
关键词
听觉谱图
卷积神经网络
卷积核
时频特征
乐器识别
-
Keywords
auditory spectrum
Convolutional Neural Network(CNN)
convolution kernel
time-frequency feature
musical instrument identification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名乐器声学品质的幕后鉴定方法
被引量：2
- 4
-
-
作者
梁孟元
-
出处
《演艺设备与科技》
2008年第5期62-63,共2页
-
文摘
全面介绍了进行乐器声学品质幕后鉴定所需注意的问题。
-
关键词
乐器
声学品质
鉴定环境
鉴定内容
鉴定意见
-
Keywords
musical instrument
sound quality
identification surrounding
identification content
result and suggestion
-
分类号
J611
[艺术—音乐]
-
-
题名结合多尺度时频调制与多线性主成分分析的乐器识别
被引量：2
- 5
-
-
作者
王飞
于凤芹
-
机构
江南大学物联网工程学院
-
出处
《计算机应用》
CSCD
北大核心
2018年第3期891-894,910,共5页
-
文摘
针对目前时域频域特征、倒谱特征、稀疏特征、概率特征对同族乐器错分率高且对打击乐器识别不佳的问题,提出一种提取时频信息且低冗余度的模型用于乐器识别。首先利用耳蜗模型对乐音进行谐波分解,生成接近人耳感知且包含时频信息的听觉谱图(AS);随后利用多尺度滤波器对听觉谱图多尺度时频调制(MTFM)以观测时频的变化;最后利用多线性主成分分析(MPCA)对调制输出在保留数据内在相关的前提下降维,并使用支持向量机(SVM)分类。仿真实验表明,该方法在IOWA数据库上取得92.74%的正确率,对打击乐器与同族乐器的错分率分别为3%与9.12%,均优于上述特征。相比主成分分析(PCA)降维,MPCA提高识别准确率6.43%。因此,该模型适用于对同族乐器与打击乐器的识别。
-
关键词
多尺度时频调制
多线性主成分分析
听觉谱图
支持向量机
乐器识别
-
Keywords
Multiscale Time-Frequency Modulation （MTFM）
Multilinear Principal Component Analysis （MPCA）
Auditory Spectrum （AS）
Support Vector Machine （SVM）
musical instrument identification
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
