基于相關(guān)主題模型的音樂分類方法研究.pdf

1、隨著數(shù)字音樂在網(wǎng)絡(luò)中的不斷發(fā)展，不僅使得廣大的音樂愛好者可以通過計算機自動獲取所喜愛的音樂，而且引起了計算機科學家及工程技術(shù)人員對自動音樂信息檢索的極大研究興趣。然而，目前已有的方法和技術(shù)仍然難以建立真實的滿足人們實際需要的音樂信息檢索系統(tǒng)。其中需要解決的一個關(guān)鍵問題是音樂自動分類。作為音樂信息檢索的基礎(chǔ)，音樂分類已經(jīng)成為研究的熱點。
　　 自上世紀90年代以來，該領(lǐng)域的研究工作取得了很大的進展，已經(jīng)有一些模式識別方法被成功應(yīng)用

2、于音樂分類中，如：支持向量機(SupportVectorMachine，SVM)、隱馬爾可夫模型(HiddenMarkovModel，HMM)、神經(jīng)網(wǎng)絡(luò)（NeuralNetwork,NN）等方法，并取得了一些成功的結(jié)果。然而，這些方法在構(gòu)建分類系統(tǒng)時通常需要大量的高維訓練樣本。這就增加了系統(tǒng)訓練的復雜性，同時也降低了預測的準確率。
　　 近年來，已有研究人員將LDA(LatentDirichletAllocation，LDA)這

3、一主題模型應(yīng)用在音頻信息處理中，對音頻信息進行基于主題的建模。為了克服LDA模型不能調(diào)控主題之間相關(guān)性的缺點，Blei等人又提出了相關(guān)主題模型(CorrelatedTopicModel,CTM)。在此基礎(chǔ)上，本文對基于CTM模型的音樂分類方法進行研究，主要完成了以下工作：
　　 1．分析并總結(jié)音樂分類中的重點問題和已有方法的優(yōu)點和不足；
　　 2．提出了CTM與HMM相結(jié)合的音樂分類方法，并使用DBSCAN（Densit

4、y-BasedSpatialClusteringofApplicationswithNoise）聚類算法確定CTM模型的主題數(shù)，優(yōu)化CTM模型，以達到在降低數(shù)據(jù)維數(shù)的同時提高音樂分類系統(tǒng)整體性能的目的；
　　 3．對CTM模型進行改進，使其具有動態(tài)時間性，提出了動態(tài)相關(guān)主題模型（DynamicCorrelatedTopicModel，DCTM），并將DCTM模型與HMM相結(jié)合對音樂分類，通過DCTM模型對音樂的動態(tài)建模，從而提高