1.2 音乐数据的分类
在最近几年，音乐数据的自动化分类可以分为两种：一种是根据对音乐内容的分析来分类，比如：Lin等人编写的《利用显著性重复音符的分类方法》，Brecheisen等人的《分层流派分类》；另一种是尚未成熟的由贝叶斯定理中学习到运用神经网络来分类，如：Lin等人的《极端的学习机》，曼徳等人的《多事例学习》，程等人的《和弦自动识别》，以下就是对这些作品中方法的简单介绍。
A.利用显著性重复音符的分类方法
Lin利用具有显著性和重复性的音符为音乐分类。（这种音符称为SPR）。优美而有节奏的音符可以作为整个乐章的代表，频繁出现的旋律优美的或者有节奏的连续的系列被称为音乐节，它有长短的限制，出现的最小频率看作显著重复音符这是一种估计SPR对音乐分类作用的方法。为了对音乐数据进行分类，他们还把人类的感知和音乐理论收入到音乐数据，并用相同的方法与SPR相匹配。根据与SPR匹配的相似度确定等级，分三个阶段进行评分，相似度最高的得分最高并分到一个组。
B、分层流派分类
分层流派分类为大型音乐收藏提出了Brecheisen等[ 2 ] 。这种方法是基于从三个声学领域即音色，节奏和音调获得的特征向量。因此，每一首歌是由多个表示描述，其中每一个含有一组特征向量，所谓的多个实例，因为一个乐曲是由一组特征矢量的描述，分层实例减少采用。减少的描述后用于音乐作品与支持向量机（SVM ） [13]分层分类。两层分类过程（ 2LCP ）处理分层分类的问题。将SVM把2LCP训练和聚集的步骤分类。
C、极限学习机
 极限学习机（ELM）提出，用以以解决传统的神经网络[5]的问题。进行梯度下降上误差表面，众所周知反向传播学习算法较慢，尤其是当学习速率参数较小时，收敛的时间增加。另一方面，大的学习速度可以防止网络会聚。误差表面的算法易受局部最小值影响，其中学习停止，即使全局最小值低于本地。在实验中也是由ELM解决的问题，提高了神经网络的泛化能力。在[11]，Loh等人提出的ELM作为分类为音乐流派分类。分类系统的核心组件，包括音乐功能，这需要与ELM进行基准测试。零交叉率，能量，根均方，波峰因数，谱矩心，梅尔频率倒谱系数和特定响度感觉是在该研究中都有使用。
D、多实例学习
    多个实例学习算法分类中的数据监管不。 [12] ，曼德尔等人比较了多个实例学习MI -SVM算法[1] ，并通过嵌入式实例选择（ MILES ）多实例学习[3]分类10秒歌曲片段的任务。对标注的曲目，专辑和艺术家的水平，粒度分别进行分类。作者制定了一些与音乐相关学习任务，评估MI -SVM的信息和MILES算法。他们发现，是最准确的是 MI- SVM标签还原训练，其次是假设应用到所有实例，然后MILES袋标签的不成熟做法。
E、和弦识别
    和弦识别系统是由郑等人提出的[ 4 ] 。该系统结合了的N-gram模型和隐马尔可夫模型的框架。这种方法包括训练阶段和测试阶段。在训练阶段中，N克模型进行训练的地面实况和弦改编学习和弦有共同规则。在测试阶段，和弦序列是从输入音频解码，并使用预训练的模型估计具有最大似然率的弦。还有[2]提出了新的弦的特性，最长公共子序列和弦与和弦直方图，对于音乐的分析，管理和检索都很有用处。
现有的方法要么是公平准确的，要么是需要额外的试验的，以获得分类信息。在本文中，我们想提出一个基于内容的音乐分类方案，以提高精度。
音乐功能 - 注意，节奏，音高变化是音乐检索和分类重要的音乐内容。在本文中，我们提出了一个基于内容的音乐分类方案，以提高分类的准确性。我们的方法分析了音乐流派的音乐内容的功能，然后使用功能成分的高发生创造中心坐标为每个功能。两个方程，一个用于单功能和其它用于多个功能，被设计从中心的距离，以评估对音乐进行分类。音乐被分配给音乐流派与最短距离。在我们的实验研究表明分类的音符和音调的变化组合，可以达到85 ％的准确度对古典音乐的音乐。 jsp+mysql在线音乐点播系统的设计与实现(4):http://www.youerw.com/jisuanji/lunwen_22438.html