本文關(guān)鍵詞： 鋼琴音樂信號 時頻分析 起始點檢測 基頻檢測 多基頻檢測　出處：《南京理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著人們的生活水平日益提高,越來越多的人走進音樂課堂,通過學(xué)習(xí)一門樂器來提升氣質(zhì)和修養(yǎng)。然而初學(xué)者在學(xué)習(xí)鋼琴時需要花費大量時間在糾錯上,這使得學(xué)生的課堂學(xué)習(xí)效率低下,教師的輔導(dǎo)工作繁重。本文對鋼琴音樂信號的檢測技術(shù)進行研究,旨在對鋼琴演奏音樂信號特征分析,結(jié)合先驗樂譜信息,對音樂信號進行音符檢測和識別。主要工作如下:1)研究了時頻分析技術(shù)在鋼琴音樂信號中的應(yīng)用。仿真分析了基于短時傅里葉變換、連續(xù)小波變換和Hilbert-Huang變換的音樂信號時頻圖,重點討論了窗函數(shù)的形狀和窗長對STFT時頻分析結(jié)果的影響,并進一步討論了二進小波分解和EMD分解的方法,為音樂檢測技術(shù)的研究打下了基礎(chǔ)。2)討論了音符起始點檢測。以音樂信號的短時能量、高頻內(nèi)容(HFC)、短時頻帶方差和頻譜差值等參數(shù)為信號特征,結(jié)合單音音樂和多音音樂仿真分析了基于不同信號特征音符起始點檢測性能。仿真結(jié)果表明HFC更有利于鋼琴音樂的音符起始點檢測。3)討論了單音音樂的基頻檢測方法。針對短時自相關(guān)、小波分析和諧波峰值法等單基頻檢測算法只適用于一定頻率范圍的局限,提出了一種基于頻譜峰值排序的檢測方法。仿真表明頻譜峰值排序法可以實現(xiàn)全頻帶的基頻檢測。4)針對音樂信號的多基頻檢測,基于信號分解的思想,提出了基于子帶分解與FFT聯(lián)合檢測多基頻的方法。首先將頻譜峰值排序法延伸到多基頻檢測領(lǐng)域,實現(xiàn)了高、低兩通道處理;其次針對現(xiàn)階段小波變換只能檢測單基頻的局限,探討了二進小波變換和FFT聯(lián)合的檢測方法,實現(xiàn)了在二進制頻帶下的多基頻檢測;然后根據(jù)EMD自適應(yīng)分解的特性完成了 EMD與FFT聯(lián)合檢測。仿真結(jié)果表明EMD與FFT聯(lián)合能實現(xiàn)多基頻的精確檢測。最后結(jié)合樂譜完成了整首樂曲的檢測識別,檢測結(jié)果表明本文的鋼琴音樂信號的檢測方法具有較好的檢測效果。
[Abstract]:With the increasing improvement of people's living standards, more and more people enter the music classroom to improve their temperament and accomplishment by learning a musical instrument. However, beginners spend a lot of time on correcting mistakes when learning the piano. This makes students' classroom learning inefficient and teachers' guidance work arduous. This paper studies the detection technology of piano music signal aiming at analyzing the characteristics of piano playing music signal and combining the information of a transcendental music score. The main work is as follows: 1) the application of time-frequency analysis technology in piano music signal is studied. The simulation analysis is based on short-time Fourier transform. The time-frequency diagram of music signal based on continuous wavelet transform and Hilbert-Huang transform is discussed. The influence of window shape and window length on STFT time-frequency analysis results is discussed. Furthermore, the methods of dyadic wavelet decomposition and EMD decomposition are discussed, which lays a foundation for the study of music detection technology. The high frequency content of HFC is characterized by some parameters, such as the variance of short time frequency band and the difference of frequency spectrum. The performance of detecting the starting point of notes based on different signal features is analyzed by combining the simulation of single tone music and multi-tone music, and the simulation results show that HFC is more advantageous to the detection of the starting point of piano music. 3). This paper discusses the fundamental frequency detection method of single tone music, aiming at short time autocorrelation. Wavelet analysis and harmonic peak detection algorithm are only suitable for the limitation of a certain frequency range. A detection method based on spectrum peak sorting is proposed. The simulation results show that the spectrum peak sorting method can realize the fundamental frequency detection of the whole frequency band. 4) for the music signal multi-fundamental frequency detection, based on the idea of signal decomposition. In this paper, a method based on sub-band decomposition and FFT is proposed to detect multi-fundamental frequency. Firstly, the method of spectrum peak ranking is extended to the field of multi-fundamental frequency detection, which realizes high and low two-channel processing. Secondly, aiming at the limitation that wavelet transform can only detect single fundamental frequency at present, the combined detection method of binary wavelet transform and FFT is discussed, and the multi-fundamental frequency detection in binary frequency band is realized. Then, according to the characteristic of EMD adaptive decomposition, EMD and FFT joint detection. The simulation results show that the combination of EMD and FFT can achieve the accurate detection of multi-fundamental frequency. Finally, the detection and recognition of the whole piece of music is completed in combination with music score. The results show that the detection method of piano music signal in this paper has better detection effect.
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：J624.1

【相似文獻】

相關(guān)期刊論文 前1條

1 李榮;;藝科奇聞趣事[J];藝術(shù)科技;2007年04期

相關(guān)會議論文 前1條

1 蔡毅;鄭能恒;李霞;;基于NMF的語音和音樂信號半盲分離算法[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

相關(guān)重要報紙文章 前1條

1 金燕;噴泉電腦控制系統(tǒng)及控制方式（上）[N];中國花卉報;2003年

相關(guān)博士學(xué)位論文 前1條

1 關(guān)欣;音樂信號自動分類相關(guān)算法研究[D];天津大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 李秀珍;鋼琴音樂信號的檢測技術(shù)研究[D];南京理工大學(xué);2017年

2 田洪偉;獨立成分分析在音樂信號處理中的應(yīng)用[D];天津大學(xué);2009年

3 王東輝;基于單片機的音樂信號處理系統(tǒng)研究[D];鄭州大學(xué);2009年

4 劉利霞;鋼琴音樂去混響技術(shù)的研究[D];西南交通大學(xué);2013年

5 翟鵬;基于非負(fù)矩陣分解的單通道音樂分離研究[D];西南交通大學(xué);2013年

6 李炳男;RBF神經(jīng)網(wǎng)絡(luò)和HMM用于音樂識別的算法研究[D];太原理工大學(xué);2009年

7 張博揚;基于節(jié)拍檢測的和弦識別研究[D];太原理工大學(xué);2010年

8 孫健;音樂信號節(jié)奏信息實時獲取技術(shù)研究與系統(tǒng)實現(xiàn)[D];大連理工大學(xué);2011年

9 梁文彬;嵌入式音樂識別系統(tǒng)研究及實現(xiàn)[D];湖南大學(xué);2008年

10 劉偉;音樂音符識別的方法[D];吉林大學(xué);2008年

，

本文編號：1483447