基于分形維數(shù)的音樂(lè)自動(dòng)分類方法摘要：音樂(lè)的自動(dòng)分類是現(xiàn)代檢索技術(shù)的一個(gè)研究?jī)?nèi)容，也是音樂(lè)可視化研究中亟待解決的問(wèn)題。近年來(lái)，音樂(lè)的分形性質(zhì)已得到了廣泛的研究。本文是從分形的角度對(duì)音樂(lè)的自動(dòng)分類問(wèn)題進(jìn)行研究，提出了一種基于分形維數(shù)的音樂(lè)自動(dòng)分類方法：通過(guò)對(duì)不同風(fēng)格音樂(lè)的分形維數(shù)的計(jì)算與比較，確定音樂(lè)分類的范圍指標(biāo)，然后利用此指標(biāo)作為依據(jù)對(duì)音樂(lè)進(jìn)行自動(dòng)分類。本文通過(guò)實(shí)驗(yàn)證明此方法具有使用簡(jiǎn)單、高效和高準(zhǔn)確率的特點(diǎn)。關(guān)鍵詞：分形技術(shù)；分形維數(shù)；音樂(lè)自動(dòng)分類abstract】musicautomaticclassificationisonedomainofstudyinmodernsearchtechnology,andalsotheproblemsurgentlytobesolvedinmusicvisualization.inrecentyears,thefractalnatureofthemusichasbeenwidelystudied.thisarticlewhichresearchesintomusicautomaticclassificationfromthefractalpoint,proposesanewmethodologyofmusicautomaticclassificationbasedonfractaldimension:determinetheindicatorofthescopeofmusicclassificationfromcalculatingandcomparingthefractaldimensionsofdifferentmusicstyles,hisarticle,itisprovedbyexperimentsthatthismethodisefficient,simpletouseandwithhighaccuracy.keywords】fractaltechnology;fractaldimension;musicautomaticclassification0引言隨著計(jì)算機(jī)技術(shù)和通信技術(shù)的飛速發(fā)展，各式各樣的信息急速的增長(zhǎng)，人們也時(shí)時(shí)刻刻的能接觸到大量多媒體形式的內(nèi)容，如圖像、音頻、視頻等。但是隨著數(shù)據(jù)量的快速增長(zhǎng)，如何自動(dòng)對(duì)這類內(nèi)容進(jìn)行快速管理就成為了一個(gè)亟待解決的問(wèn)題。特別是對(duì)身邊大量的音樂(lè)信息，人們需要快速高效的方法對(duì)它們進(jìn)行分類和管理，以便更好的應(yīng)用在音樂(lè)推薦、ktv點(diǎn)唱及在線選歌等諸多領(lǐng)域中。伴隨著語(yǔ)音識(shí)別技術(shù)的火熱發(fā)展，許多其它領(lǐng)域的方法被應(yīng)用到音樂(lè)分類領(lǐng)域之中。然而，由于音樂(lè)的多樣性和不確定性，基本上所有的方法與大規(guī)模的實(shí)際應(yīng)用都還有不小的距離。目前絕大多數(shù)音頻分類算法集中在兩方面——音頻的特征提取以及根據(jù)音頻特征進(jìn)行分類?，F(xiàn)有的音頻特征算法有：短時(shí)過(guò)零率、時(shí)域的短時(shí)能量、譜質(zhì)心分析、頻域帶寬等，還有基于聽(tīng)覺(jué)感受的mfcc(mel-frequencycepstralcoefficients)梅爾倒頻譜系數(shù)等。另一方面，分類算法可利用模式識(shí)別和模式分類中已知算法，如cmm(gaussianmixturemodel)高斯混合模型［1］、nn(neuralnetwork)神經(jīng)網(wǎng)絡(luò)、hmm(hiddenmarkovmodel)隱馬爾可夫模型[2-6]等。本文是從一個(gè)全新的角度，即分形的角度對(duì)音樂(lè)的自動(dòng)分類問(wèn)題進(jìn)行研究，提出了一種基于分形維數(shù)的音樂(lè)自動(dòng)分類方法：通過(guò)對(duì)不同風(fēng)格音樂(lè)的分形維數(shù)的計(jì)算與比較，確定音樂(lè)分類的范圍指標(biāo)，然后利用此指標(biāo)作為依據(jù)對(duì)音樂(lè)進(jìn)行自動(dòng)分類。實(shí)驗(yàn)證明此方法使用簡(jiǎn)單，并具有較高的分類精度。1音樂(lè)與分形古典音樂(lè)最低，嘻哈音樂(lè)最高。且本方法對(duì)于鄉(xiāng)村音樂(lè)的區(qū)分度準(zhǔn)確率最高，嘻哈音樂(lè)次之，古典音樂(lè)最低。在古典音樂(lè)的測(cè)試中，絕大部分分類錯(cuò)誤的音樂(lè)都分類在了鄉(xiāng)村音樂(lè)中，只有少部分音樂(lè)分在了嘻哈音樂(lè)中。同樣的在嘻哈音樂(lè)的測(cè)試中絕大部分分類錯(cuò)誤的音樂(lè)都分類在了鄉(xiāng)村音樂(lè)中，只有極少部分音樂(lè)分在了古典音樂(lè)中。再綜合三類音樂(lè)的分形維數(shù)遞增，這就可以說(shuō)明此三種音樂(lè)的分類想要跨越中間音樂(lè)類型不是很容易。本方法對(duì)三種音樂(lè)類型的分類結(jié)果準(zhǔn)確率較高，且本身方法簡(jiǎn)便，實(shí)現(xiàn)程序運(yùn)算速度快，可以實(shí)現(xiàn)音樂(lè)的快速自動(dòng)分類。4結(jié)論本文提出利用音樂(lè)的分形維數(shù)作為音樂(lè)的特征進(jìn)行音樂(lè)分類的方法，并著重將整首音樂(lè)進(jìn)行統(tǒng)一處理的研究思路，其優(yōu)勢(shì)在于只用一維特征就能區(qū)分音樂(lè)的不同類型，即分形刻畫(huà)了音樂(lè)的內(nèi)在特征——部分與整體的相似性。該方法具有應(yīng)用簡(jiǎn)單、分類準(zhǔn)確度高、速度快等優(yōu)點(diǎn)。然而，該方法對(duì)音樂(lè)的分類還存在不足，如分類不

一論文發(fā)衷專家一

一論文發(fā)衷專家一

中國(guó)學(xué)木期刊網(wǎng)夠精細(xì)，部分音樂(lè)的維數(shù)很接近等。所以在以后的工作中要對(duì)除振幅外的其他音樂(lè)特征進(jìn)行進(jìn)一步研究，再適當(dāng)結(jié)合其他分類方法的基礎(chǔ)上，充分利用多維向量來(lái)進(jìn)行音樂(lè)或音頻的分類，以便提高音樂(lè)分類的精細(xì)程度，達(dá)到更好的分類效果。參考文獻(xiàn)肖健華.智能模式識(shí)別方法[m].北京:華南理工大學(xué)出版社,2006.盧堅(jiān),陳毅松,孫正興.語(yǔ)音/音樂(lè)自動(dòng)分類中的特征分析.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2003,14(3):233-237.bailiang,laosongyang,chenjianyun,wulingda.featureanalysisandextractionforaudioautomaticclassification[a].systems,manandcybernetics[c],2005ieeeinternationalconferenceon,china,2005,1:767-772.j.ajmera,i.a.mccowan,h.bourlard.robusthmmbasedspeech/musicsegmentation.ieeeproc.icassp[c],orlando,usa.2002,5:297~300.l.r.rabiner.atutorialonhiddenmarkovmodelsandselectedapplicationinspeechrecognition[a].proc.ofieee,iss.2[c],1989,77:257-286.莊越挺,毛煒,吳飛.基于隱馬爾科夫鏈的廣播新聞分割分類[j]?計(jì)算機(jī)研究與發(fā)展，2002，9(9)：1057-1063.

[7]vossr.f,clarkej[7]vossr.f,clarkejnature,1975,258:317-318.nature,1975,258:317-318.[8]vossr.f,clarkej[8]vossr.f,clarkej”1/fnoise”inmusic:musicfrom1/fnoise[j].j.acoust1/fnoise[j].j.acoustsoc.am.1987,63(1):258-263trainac,jrtrainaa.fastfeaturesselectionusingfractaldimension[a].procofxvbraziliandataba