基于單音的西洋樂器音色識別方法研究.pdf

1、作為音樂信息檢索領(lǐng)域內(nèi)的重要分支，樂器識別的關(guān)鍵在于音色信息的提取?；跇菲饕羯纬蓹C制，樂器音色的穩(wěn)定成分主要表現(xiàn)為樂音不同頻率成份的時間演變。傳統(tǒng)上，音色信息的表達是通過人工設(shè)計的音色特征，因此樂器音色主要表現(xiàn)為音色特征時間序列的演變。本文的研究工作側(cè)重于西洋樂器單音的音色識別。
　　首先，本文將經(jīng)過特征選擇與降維的音色特征組合，按多種方式作為淺層分類器的輸入來實現(xiàn)樂器音色識別。其中，高斯混合模型與通用背景模型將樂器音色信息建

2、模成概率分布，隱馬爾可夫模型將樂器音色信息建模成隱狀態(tài)概率分布與轉(zhuǎn)移概率。無論哪一種分類器，基于信息增益(Information Gain，IG)原則的特征選擇方法都表現(xiàn)出相對優(yōu)越的性能。通用背景模型優(yōu)于其他兩類分類器，取得了92.3％的整體準確率。另外，本文將音色特征時間序列的時間整合作為支持向量機的輸入來實現(xiàn)樂器音色識別。對于不同的音色特征，時間整合的組合特征，即統(tǒng)計量與多變量自回歸的組合特征(Combination of Mult

3、ivariate Auto Regression，CMAR)，相對于單純的多變量自回歸的特征(Multivariate Auto Regression，MAR)表現(xiàn)出一定的優(yōu)勢。同時，基于梅爾頻率倒譜系數(shù)(Mel-Frequency Cepstral Coefficient，MFCC)的時間整合組合特征取得相對明顯優(yōu)勢。此現(xiàn)象源于人工設(shè)計音色特征的缺陷。對于MFCC時間整合的組合特征而言，同樣取得了92.3％的整體準確率。同時，兩方案都

4、表現(xiàn)出管樂器的識別性能不如弦樂器的特點。
　　其次，本文將包含音色特征序列的時間整合特征，作為深度分類器的輸入來實現(xiàn)樂器音色識別。相對于支持向量機，深度分類器極大地緩解了管樂器識別效果的不足。同時，深度分類器也提高了樂器識別的整體性能且抑制了樂器間以及樂器家族間的混淆。與支持向量機類似，CMAR特征相對于單純的MAR特征表現(xiàn)出一定優(yōu)勢，且MFCC取得相對明顯優(yōu)勢。無論何種音色特征，基于t-分布隨機領(lǐng)域嵌入(t-Distribute

5、d Stochastic Neighbor Embedding，t-SNE)的聚集效果表現(xiàn)為:(1)隨著深度分類器模型層數(shù)的增加，不同樂器對應(yīng)的二維矢量特征呈現(xiàn)類內(nèi)聚集以及類間分離的趨勢;(2)對于CMAR而言，各層聚集效果相對要好。同時，聚集的效果與樂器識別測度的分析結(jié)果保持一致。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)實現(xiàn)了99.57％的最高整體準確率;深度神經(jīng)網(wǎng)絡(luò)(Deep Neural N

6、etwork，DNN)則為99.02％。深度分類器通過逐層的非線性變換實現(xiàn)了對人工設(shè)計音色特征的提煉。雖然提煉后的音色特征的音色屬性區(qū)分度更好，但深度模型并沒有完全突破人工設(shè)計音色特征的壁壘。
　　最后，本文通過深度卷積自編碼器(Deep Convolutional Auto Encode，DCAE)從樂音時間波形中直接提取時域音色特征，并通過CNN與DNN的分類識別測度及t-SNE聚類來評價時域音色特征。從評價結(jié)果來看，無監(jiān)督訓(xùn)