毕业论文移动版

音乐风格分类的研究音乐风格反映了音乐作品的总体基本特征，是音乐欣赏、分析、研究的基础，计算机音乐风格的自动分析，对音乐作品的检索、分类和研究，有极大的理论意义和实用价值[6]。对一首音乐进行音乐流派分类，我们可以将音乐分段，判断各个片段的特征风格，最后结合每个小片段的结果，来得到最后整个音乐的风格。78605

经过多年的研究，在音乐流派分类计算机分析领域，已取得了许多明显的进展，Tzanetakis等以音频的底层特征为基础，对10个风格流派分类，分类精度为60%，从而开创了这一新的研究领域，Jiang、Kosina、Grimaldi和McKinney等人，针对数个作品风格流派，获得了70%到90%的分类精度[6]。

我们从上面知道，音乐的分类辨识研究正在如火如荼的进行中，并取得了非常多的成就，与此同时，也暴露出了几个问题：（1）分类精度不高；（2）分类运算时间较长；（3）音乐本身的切割就是一个难题，音乐分片之后势必会影响整首音乐的分类，那就导致了音乐流派分类一定程度上依赖于分片方式，具有了一定的随机性。所以，我们有必要对音乐流派分类做进一步的研究，寻找一个更加优秀的算法。论文网

2基于内容的特征提取

基于内容的音频检索，首先需要的就是音频分类，而到目前为止，适用于音频分类的方法有很多[2]。成果比较多的方法还是对音频的特征提取和分类。这类方法通常是提取了时域或者频域当中的音频信号特征，频域中的特征需要先进行傅里叶变换。举两个例子：Scheirer的研究团队使用了4Hz能量、过零率（ZeroCrossRate）、频谱质心（SpectralCentroid）来把音频分成语音和音乐两类[4]；LieLu的研究团队使用了梅尔频率倒谱系数（MFCC）、过零率

（ZeroCrossRate）、频谱通量（SpectralFlux）和频谱质心（SpectralCentroid）等特征将音频数据划分成音乐、背景音乐、静音、纯语音和非纯语音5类[4]。这两个团队的实验成果都是非常优秀的，证明了机器学习算法在音频数据处理中的可行性。但是，依然有缺陷，为此，我们需要对音频特征提取和音乐分类做进一步的研究。