基于分形维数的音乐自动分类方法

《基于分形维数的音乐自动分类方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于分形维数的音乐自动分类方法摘要：音乐的自动分类是现代检索技术的一个研究内容，也是音乐可视化研究中亟待解决的问题。近年来，音乐的分形性质已得到了广泛的研究。本文是从分形的角度对音乐的自动分类问题进行研究，提出了一种基于分形维数的音乐自动分类方法：通过对不同风格音乐的分形维数的计算与比较，确定音乐分类的范围指标，然后利用此指标作为依据对音乐进行自动分类。本文通过实验证明此方法具有使用简单、高效和高准确率的特点。关键词：分形技术；分形维数；音乐自动分类【abstract】musicautomaticclassificationisonedomainofstudyinmodernsearcht

2、echnology,andalsotheproblemsurgentlytobesolvedinmusicvisualization.inrecentyears,thefractalnatureofthemusichasbeenwidelystudied.thisarticlewhichresearchesintomusicautomaticclassificationfromthefractalpoint,proposesanewmethodologyofmusicautomaticclassificationbasedonfractaldimension:determinetheind

3、icatorofthescopeofmusicclassificationfromcalculatingandcomparingthefractaldimensionsofdifferentmusicstyles,thendomusicclassificationwiththisindicator.inthisarticle,itisprovedbyexperimentsthatthismethodisefficient,simpletouseandwithhighaccuracy.【keywords】fractaltechnology;fractaldimension;musicauto

4、maticclassification0引言随着计算机技术和通信技术的飞速发展，各式各样的信息急速的增长，人们也时时刻刻的能接触到大量多媒体形式的内容，如图像、音频、视频等。但是随着数据量的快速增长，如何自动对这类内容进行快速管理就成为了一个亟待解决的问题。特别是对身边大量的音乐信息，人们需要快速高效的方法对它们进行分类和管理，以便更好的应用在音乐推荐、ktv点唱及在线选歌等诸多领域中。伴随着语音识别技术的火热发展，许多其它领域的方法被应用到音乐分类领域之中。然而，由于音乐的多样性和不确定性，基本上所有的方法与大规模的实际应用都还有不小的距离。目前绝大多数音频分类算法集中在两方面——音频的

5、特征提取以及根据音频特征进行分类。现有的音频特征算法有：短时过零率、时域的短时能量、谱质心分析、频域带宽等，还有基于听觉感受的mfcc(mel-frequencycepstralcoefficients)梅尔倒频谱系数等。另一方面，分类算法可利用模式识别和模式分类中已知算法，如cmm(gaussianmixturemodel)高斯混合模型[1]、nn(neuralnetwork)神经网络、hmm(hiddenmarkovmodel)隐马尔可夫模型[2-6]等。本文是从一个全新的角度，即分形的角度对音乐的自动分类问题进行研究，提出了一种基于分形维数的音乐自动分类方法：通过对不同风格音乐的分形

6、维数的计算与比较，确定音乐分类的范围指标，然后利用此指标作为依据对音乐进行自动分类。实验证明此方法使用简单，并具有较高的分类精度。1音乐与分形古典音乐最低，嘻哈音乐最高。且本方法对于乡村音乐的区分度准确率最高，嘻哈音乐次之，古典音乐最低。在古典音乐的测试中，绝大部分分类错误的音乐都分类在了乡村音乐中，只有少部分音乐分在了嘻哈音乐中。同样的在嘻哈音乐的测试中绝大部分分类错误的音乐都分类在了乡村音乐中，只有极少部分音乐分在了古典音乐中。再综合三类音乐的分形维数递增，这就可以说明此三种音乐的分类想要跨越中间音乐类型不是很容易。本方法对三种音乐类型的分类结果准确率较高，且本身方法简便，实现程序运算

7、速度快，可以实现音乐的快速自动分类。4结论本文提出利用音乐的分形维数作为音乐的特征进行音乐分类的方法，并着重将整首音乐进行统一处理的研究思路，其优势在于只用一维特征就能区分音乐的不同类型，即分形刻画了音乐的内在特征——部分与整体的相似性。该方法具有应用简单、分类准确度高、速度快等优点。然而，该方法对音乐的分类还存在不足，如分类不够精细，部分音乐的维数很接近等。所以在以后的工作中要对除振幅外的其他音乐特征进行进一步研究，再