论文部分内容阅读
随着数字音乐在网络中的不断发展，不仅使得广大的音乐爱好者可以通过计算机自动获取所喜爱的音乐，而且引起了计算机科学家及工程技术人员对自动音乐信息检索的极大研究兴趣。然而，目前已有的方法和技术仍然难以建立真实的满足人们实际需要的音乐信息检索系统。其中需要解决的一个关键问题是音乐自动分类。作为音乐信息检索的基础，音乐分类已经成为研究的热点。自上世纪90年代以来，该领域的研究工作取得了很大的进展，已经有一些模式识别方法被成功应用于音乐分类中，如：支持向量机（Support Vector Machine, SVM）、隐马尔可夫模型（Hidden Markov Model, HMM）、神经网络（Neural Network, NN）等方法，并取得了一些成功的结果。然而，这些方法在构建分类系统时通常需要大量的高维训练样本。这就增加了系统训练的复杂性，同时也降低了预测的准确率。近年来，已有研究人员将LDA(Latent Dirichlet Allocation, LDA)这一主题模型应用在音频信息处理中，对音频信息进行基于主题的建模。为了克服LDA模型不能调控主题之间相关性的缺点，Blei等人又提出了相关主题模型（Correlated Topic Model,CTM）。在此基础上，本文对基于CTM模型的音乐分类方法进行研究，主要完成了以下工作：1.分析并总结音乐分类中的重点问题和已有方法的优点和不足；2.提出了CTM与HMM相结合的音乐分类方法，并使用DBSCAN（Density-Based Spatial Clustering ofApplications with Noise）聚类算法确定CTM模型的主题数，优化CTM模型，以达到在降低数据维数的同时提高音乐分类系统整体性能的目的；3.对CTM模型进行改进，使其具有动态时间性，提出了动态相关主题模型（Dynamic Correlated Topic Model, DCTM），并将DCTM模型与HMM相结合对音乐分类，通过DCTM模型对音乐的动态建模，从而提高音乐分类系统性能；4.使用公共数据集验证所提方法的有效性，并基于所提出的理论方法构建音乐分类实验系统。最后，对所做的工作进行了总结，并对以后将要研究的内容进行了展望。