一种乐器信号的分类方法
【专利摘要】一种乐器信号的分类方法，属于电子信息【技术领域】，包括相空间重构模块，主成分分析模块，特征提取模块和柔性神经树模块。特征在于实施步骤是对不同乐器样本信号产生的时间序列进行相空间重构，通过主成分分析去除冗余信息，达到降维目的，再通过分析各种乐器特性，采用概率密度函数来刻画各个乐器在相空间中的差异，最后，采用柔性神经树模型作为分类器来进行分类，它能够有效的解决人工神经网络结构的高度依赖性问题,可以使单个乐器的分类准确率最高达到了98.7％。
【专利说明】一种乐器信号的分类方法
【技术领域】
[0001]本发明属于电子信息【技术领域】，具体涉及一种乐器信号的分类方法。
【背景技术】
[0002]音乐是人们生活中不可或缺的部分，然而，我们了解音乐信息的方式只能通过实时试听，从中获取自己感兴趣的内容。随着科技的发展，人们能够接触到的信息也在飞速增长，因此，在海量的数据中通过实时的试听来获得自己感兴趣的音乐实属不易。近年来，音乐数据分析和检索已成为国内外研究热点。
[0003]大多数的音乐依赖乐器的演奏来表达，同一首曲目用不同的乐器演奏，也会给人们的听觉带来不同的享受。在计算机识别领域，随着信号分析和数据挖掘技术的不断发展，时频分析、神经网络等多种相互交叉的技术都逐渐应用到乐器分类当中。
[0004]有效的特征提取和分类器选择一直是乐器分类中的关键步骤。Mel倒谱系数特征通常被应用在语音信号领域，但在音乐流派和乐器信号的分类中也大放异彩。MPEG-7作为以音频特征提取和描述为目的的标准化框架，在音乐信号的特征提取中必不可少，尤其是对相似的音乐信号效果更佳。除了众多的音频特性,广泛的分类器在音频分类中也得到了深入研究，比如神经网络、高斯混合模型、隐马尔可夫模型、贝叶斯决策分类器和支持向量机等。研究者中有人通过高斯建模利用单通道语音分离法使两个或两个以上的乐器分离得到可能，有人使用调幅-调频调制特性对乐器信号进行分析和识别(其准确率可以达到70%),也有人使用Mel倒谱系数特征，恒q变换和自相关函数来进行特征提取，结合贝叶斯决策分类器使识别准确率达到79%-84%。但在已有的研究成果中，一些音频信号的分类准确率普遍偏低，说明上述的音频特性并没有很好地刻画出所有信号之间的差异，且大部分分类器的参数选取及操作过程存在复杂繁琐的缺点。
【发明内容】
[0005]本发明目的是提供一种乐器信号的分类方法，可有效地克服现有技术中存在的缺点。
[0006]本发明是这样实现的，通过采用包括相空间重构模块、主成分分析模块、特征提取模块和柔性神经树模块对各种乐器信号进行特征提取，然后经过分类器进行分类，其特征在于实施步骤是:
[0007]第一步、将采集到的乐器样本信号进行相空间重构，主要确定样本信号的延迟时间和嵌入维数，包括下列步骤:
[0008]设某个乐器信号样本的一维时间序列为X=(Xl，X2,..., χκ)τ,延迟时间设为τ，建立一个m维的嵌入空间Y，将X映射到该嵌入空间中，则重构的相空间的向量为:
【权利要求】
1.一种乐器信号的分类方法，通过采用包括相空间重构模块、主成分分析模块、特征提取模块和柔性神经树模块对各种乐器信号进行特征提取，然后经过分类器进行分类，其特征在于实施步骤是: 第一步、将采集到的乐器样本信号进行相空间重构，主要确定样本信号的延迟时间和嵌入维数，包括下列步骤: 设某个乐器信号样本的一维时间序列为X=(Xl，X2,..., xK)T，延迟时间设为τ，建立一个m维的嵌入空间Y，将X映射到该嵌入空间中，则重构的相空间的向量为:
【文档编号】G10L15/08GK103761965SQ201410008533
【公开日】2014年4月30日 申请日期:2014年1月9日 优先权日:2014年1月9日
【发明者】郭一娜, 王志社, 郅逍遥, 王晓梅, 李临生 申请人:太原科技大学