本文關(guān)鍵詞：基于音頻和歌詞的音樂情感分類研究

  更多相關(guān)文章： 音樂情感分類 CHI特征選擇算法 LSA 多模態(tài)融合 LFSM

【摘要】：音樂的爆炸式增長和巨大數(shù)量使得我們的時代成為真正的數(shù)字音樂時代,同時,如何有效地管理音樂也成為一個值得關(guān)注的問題。情感是音樂最本質(zhì)的特征,也是人們的心理感受,如何使計算機(jī)能夠自動識別出音樂中的情感信息,對促進(jìn)人工智能領(lǐng)域的發(fā)展具有非常重大的意義。針對音樂情感分類的問題,為了彌補(bǔ)僅利用音頻特征進(jìn)行音樂情感分類的單一模態(tài)分類方法的不足,本文采用了結(jié)合音頻和歌詞的多模態(tài)音樂情感分類的方法。本文圍繞音樂情感模型和分類模型的選取以及音樂特征的分析和處理展開,主要研究了如何利用歌詞以及如何結(jié)合音頻和歌詞對音樂進(jìn)行情感分類,并將多模態(tài)和單模態(tài)音樂情感分類性能進(jìn)行了對比。在基于歌詞的音樂情感分類中,在傳統(tǒng)的CHI特征選擇方法的基礎(chǔ)上引入了頻度、集中度和分散度三個參數(shù)對CHI統(tǒng)計值進(jìn)行調(diào)節(jié),提出了改進(jìn)的CHI特征選擇方法。特征選擇之后,利用TFIDF方法計算權(quán)重,然后利用LSA對歌詞進(jìn)行二次降維。實(shí)驗數(shù)據(jù)顯示,在對歌詞進(jìn)行情感分類過程中,傳統(tǒng)的CHI特征選擇方法的準(zhǔn)確率為58.20%,改進(jìn)的CHI特征選擇方法的準(zhǔn)確率為67.21%,結(jié)合LSA和改進(jìn)的CHI特征選擇方法的準(zhǔn)確率為69.68%。由此可見,第三種方法的準(zhǔn)確率更高且維數(shù)更低。在基于音頻和歌詞的多模態(tài)音樂情感分類中,針對多模態(tài)融合問題,本文對傳統(tǒng)的LFSM融合方法進(jìn)行了改進(jìn),并通過實(shí)驗對多種融合方法進(jìn)行了比較,實(shí)驗結(jié)果表明,改進(jìn)的LFSM融合方法的分類效果最佳,達(dá)到84.43%,驗證了該方法的可行性和有效性。
【關(guān)鍵詞】：音樂情感分類 CHI特征選擇算法 LSA 多模態(tài)融合 LFSM
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN912.3
【目錄】：

• 摘要4-5
• ABSTRACT5-8
• 第一章 緒論8-13
• 1.1 研究背景及意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.3 本文研究內(nèi)容11
• 1.4 本文組織結(jié)構(gòu)11-13
• 第二章 音樂情感理論與情感模型13-20
• 2.1 引言13
• 2.2 情感心理模型13-16
• 2.2.1 離散形式的情感模型13-15
• 2.2.2 維度形式的情感模型15-16
• 2.3 情感認(rèn)知模型16-19
• 2.3.1 樸素貝葉斯分類器(NBC)16-17
• 2.3.2 決策樹17
• 2.3.3 k-近鄰(KNN)17-18
• 2.3.4 人工神經(jīng)網(wǎng)絡(luò)(ANN)18
• 2.3.5 支持向量機(jī)(SVM)18-19
• 2.4 本章小結(jié)19-20
• 第三章 音樂特征分析20-33
• 3.1 引言20
• 3.2 基于音頻的音樂特征分析20-27
• 3.2.1 音樂的基本要素20-21
• 3.2.2 音樂的時域特征21-23
• 3.2.3 音樂的頻域特征23-24
• 3.2.4 音樂的倒譜特征24-27
• 3.3 基于歌詞的音樂特征分析27-32
• 3.3.1 歌詞的向量空間模型(VSM)表示27-28
• 3.3.2 CHI特征選擇方法28-30
• 3.3.3 改進(jìn)的CHI特征選擇方法30-31
• 3.3.4 潛在語義分析(LSA)31-32
• 3.4 本章小結(jié)32-33
• 第四章 基于SVM的多模態(tài)音樂情感分類33-47
• 4.1 引言33
• 4.2 支持向量機(jī)(SVM)33-42
• 4.2.1 最優(yōu)分類超平面34-35
• 4.2.2 線性支持向量機(jī)35-39
• 4.2.3 非線性支持向量機(jī)39-40
• 4.2.4 核函數(shù)及參數(shù)選擇40-41
• 4.2.5 支持向量機(jī)多分類方法41-42
• 4.3 多模態(tài)融合方法42-46
• 4.3.1 特征級聯(lián)早融合法(EFFC)43-44
• 4.3.2 線性結(jié)合晚融合法(LFLC_4)44
• 4.3.3 子任務(wù)結(jié)合晚融合法(LFSM)44-45
• 4.3.4 改進(jìn)的LFSM融合法45-46
• 4.4 本章小結(jié)46-47
• 第五章 多模態(tài)音樂情感分類系統(tǒng)的實(shí)現(xiàn)47-57
• 5.1 系統(tǒng)整體框架47-48
• 5.2 模塊設(shè)計48-51
• 5.2.1 音樂庫的建立48
• 5.2.2 預(yù)處理48-49
• 5.2.3 音樂特征分析49-51
• 5.2.4 分類模型51
• 5.2.5 分類評價指標(biāo)51
• 5.3 實(shí)驗結(jié)果與分析51-56
• 5.3.1 基于音頻的音樂情感分類(Audio-Only)51-52
• 5.3.2 基于歌詞的音樂情感分類(Lyric-Only)52-54
• 5.3.3 基于音頻和歌詞的多模態(tài)的音樂情感分類(Audio+Lyric)54-55
• 5.3.4 多模態(tài)融合方法的比較55-56
• 5.4 本章小結(jié)56-57
• 第六章 總結(jié)與展望57-59
• 6.1 本文總結(jié)57-58
• 6.2 未來工作展望58-59
• 參考文獻(xiàn)59-62
• 附錄 攻讀碩士學(xué)位期間撰寫的論文62-63
• 致謝63

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前7條

1 蔣盛益;李霞;李碧;王連喜;;音樂情感自動分析研究[J];計算機(jī)工程與設(shè)計;2010年18期

2 徐欣;周運(yùn);邵曦;;基于音樂情感特征提取的音樂檢索分析[J];信息通信;2011年05期

3 張玉英;孫旭光;馬睿;;基于音樂情感的音樂噴泉CAD系統(tǒng)[J];科技創(chuàng)新導(dǎo)報;2012年11期

4 梁曉雯;閔友鋼;;音樂情感分類技術(shù)在媒體資產(chǎn)管理中的應(yīng)用[J];廣播與電視技術(shù);2009年01期

5 莊周;孟子厚;;混響對音樂情感感知的影響[J];演藝科技;2012年08期

6 袁文彬;;論舞蹈作品中肢體語言和音樂情感的關(guān)系[J];藝術(shù)科技;2014年05期

7 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 王愈;蔡銳;蔡蓮紅;;音樂情感分類中關(guān)鍵問題的研究[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

2 孫守遷;王鑫;劉濤;湯永川;;音樂情感的語言值計算模型研究[A];2006年首屆ICT大會信息、知識、智能及其轉(zhuǎn)換理論第一次高峰論壇會議論文集[C];2006年

3 王靜;朱慕華;胡明涵;;部分監(jiān)督的音樂情感分類[A];中國計算語言學(xué)研究前沿進(jìn)展（2009-2011）[C];2011年

4 張娜;孫峗;毛峽;;音樂情感特征分析[A];第一屆中國情感計算及智能交互學(xué)術(shù)會議論文集[C];2003年

5 肖利俠;;民樂華彩(一)[A];第三屆中小學(xué)教師教學(xué)設(shè)計展論文集[C];2013年

6 劉怡;高s，

本文編號：926626