试析基于内容的音频检索研究

《试析基于内容的音频检索研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、南京理工大学硕士学位论文基于内容的音频检索研究姓名：邹益申请学位级别：硕士专业：计算机应用技术指导教师：唐振民20070701硕士论文基于内容的音频检索研究摘要随着网络技术和多媒体技术的迅速发展，大量的多媒体信息都可以从网上获得。音频是多媒体中的一种重要媒体。由于音频数据量的快速增长，如何自动地对这些内容进行管理就成为一个突出的问题。特别对于身边的种类繁多的音乐数据，人们要求有快速高效的方法对它们进行分类管理(根据不同风格或演唱者等)，这需要有效的自动分类技术对音频数据进行整理，以便于检索和相关的分析处理。本文对基于内容的音乐分类进行研究。目

2、前音乐分类的研究主要集中在音乐特征提取和分类两方面。音乐特征包括时域的短时能量、短时过零率等，频域的带宽、谱质心等，还有基于听觉感受的Mel倒谱系数(MrCC)等。许多音乐特征都可用于音乐分类。而分类算法可利用模式分类中现存的大量高效算法，例如高斯混合模型(GMM)、神经网络(N№、支持向量机(sⅥ旧、隐马尔可夫模型(HMM)等。本文根据上述的研究，采用基于Mel倒谱系数特征的隐马尔可夫模型对音乐进行分类。在音乐特征提取方面，以感知特征和Mel倒谱系数组成特征向量；在音乐分类方面，以隐马尔可夫模型作为分类器，对音乐进行聚类和分类。通过有监督的

3、学习方式进行聚类，分类时将测试样本归入似然值最大的类别，对同一音频抽取若干样本，对样本识别结果采用投票法，判定该音频的音乐类别，使分类的准确率得到进一步的提高。根据上述方法进行了仿真实验，并对实验结果进行了分析。本文将音频数据分为5类，对4种分类器的分类性能进行了比较，并对有干扰的模型进行了分类实验。实验结果表明HMM模型的分类性能还是有一定优势的，并有较强的抗干扰性。音频分类技术是音频检索以及其他音频处理的重要辅助手段。通过基于内容的音乐分类之后，为进一步的音乐检索和相关的分析处理提供了便利。因此，在基于内容的音乐检索研究中，对音乐的分类研

4、究是一项非常重要而有意义的工作。关键词：基于内容的音乐分类；特征提取；Mel倒谱系数；模式识别；隐马尔可夫模型硕士论文基于内容的音频检索研究AbstractWithrapiddevelopmentofnetworktechnologyandmultimediatechnology,alargenumberofmultimediainformationcanbeobtainedfromtheInteract．Audioisanimportantpartofthemultimedia．Asrapidincreaseinaudiodata,howt

5、oautomaticallymanagethesedatahasbecomeaprominentissue．Especiallytothewidevarietyofmusicdata,peopledemandarapidandefficientmethodforthemanagementoftheirclassification(accordingtodifferentstylesorsingers，ctc．)．Thisrequiresanefficientautomaticclassificationtechnologytocollatea

6、udiodata,anditcanserveaudiosearchorrelatedanalysis．Inthisdissertation,wepresentastudyoncontent-basedmusicclassification．Currentlymostresearchofmusicclassificationfocusonmusicfeatureextractionandclassification．Musicfeaturesincludetime—domainfeatures，suchasshort-termenergy,sh

7、ort-termzerorotes，frequency-domainfeatures，suchasbandwidth,spcctnnncenter,andMel-frequencycepstralcoefficients(MrCC)basedontheexperienceofhearing．Manyfeaturesofmusiccabbeusedformusicclassification．Andclassificationalgorithmscanusetheexistingclassificationmodelofalargenumber

8、ofefficientalgorithms，forexample，GaussianMixtureModel(OMM)，NeuralNetworks(M田，Suppo