多模态音乐时代分类方法研究与应用.pdfVIP

语义特征

摘要：

不同时代的音乐特征具有鲜明的时代特色，由于社会文化的发展，流行音乐日趋多

元化，造成类别混乱，难以划分等诸多不足。本文采用循序渐进、综合加权的方法对流

行音乐的时代给出多模型优势互补的分类方法。

模型考虑各个时代音乐的声学、主旋律、标签和语义特征。用Audition等软件处理

音乐获取数据，在利用神经网络等方法进行数据处理，最终对音乐进行时代划分。

第一针对声学特征，先利用软件处理音乐，然后运用神经网络结构给出误差反传训

练算法的分类器，最后对分类器进行训练和不同时代的音乐划分。

第二针对旋律特征，以MIDI乐曲为数据源提取出乐曲的旋律，然后对旋律数字化，

通过经验公式对音乐进行旋律重合匹配，得出不同时代音乐的旋律，最后利用分类器进

行不同时代的音乐划分。

第三针对标签特征，从last.fm音乐网站上利用Audioscrobbler抽取音乐标签，通过

反文档频率和LSA方法对标签向量进行降维预处理，最后使用LDA模型处理降维后的

向量,将标签属于每个时代的概率转换为对应的音乐属于每个时代的概率。

第四针对语义特征，基于语义音乐分类模型，使用音乐名称和艺术家姓名这些与音

乐有关的语义信息，通过搜索网络资源，计算音乐与不同音乐之间的联系紧密度并以此

为依据进行音乐的时代分类，最后利用分类器进行不同时代的音乐划分。

最终将基于四种特点所求得的分类结果进行加权结合,得到流行时代音乐分类的最

优解。由于没有一种模型能应对所有情况，只有扩大其优点，针对性解决，优势互补才

能达到理想的分类效果，本文在模型的优化中将多种模型综合，提出了多模态音乐时代

分类方法，使分类更加自然、合理、准确。

参赛队号:2183

参赛密码

（由组委会填写）

所选题目:B题

Themodeltakesintoaccounteacheramusicacoustics,themaintheme,tagsand

semanticfeatures.Auditionsoftwareprocessingmusicdataintheuseofneuralnetworksand

othermethodsfordataprocessing,thefinaleraofmusicdivision.

Firstfortheacousticcharacteristicsofthefirstuseofthesoftwaretohandlethemusic,

andtheuseofneuralnetworkstructuregivestheerrorbackpropagationtrainingTraining

algorithmclassifier,lastclassifiertrainingandmusicdivisionofadifferentera.

Formelodyfeatures,MIDIsongdatasourcestoextractthemelody,themelodyandthen

digitized,Bytheempiricalformulaofmusicmelodycoincidencematch,cometothemelody

ofadifferentera,thefinalclassifierdifferenteramusicdivision.

Thirdforthelabelfeatures,fromlast.fmmusicsitesusingtheAudioscrobblerextraction

Musiclabeltagvectorbytheinversedocume