【技术实现步骤摘要】
基于深度神经网络的哼唱检索法
本专利技术属于数字信号处理领域，尤其涉及一种基于深度神经网络的哼唱检索法。
技术介绍
目前以哼唱搜索为主的研究包括了：音高追踪（PitchTracking）和辨识算法两个部分。1音高追踪（PitchTracking）计算音高的方法有很多，主要分为基于时域（TimeDomain）和频域（FrequencyDomain）两大类，其中时域的方法主要有自相关函数法（AutocorrelationFunction，ACF）、归一化平方差函数法（NormalizedSquaredDifferenceFunction，NSDF）、短时平均幅度差函数法（AverageMagnitudeDifferenceFunction，AMDF）、简易反向滤波跟踪法（SimplifiedInverseFilterTracking，SIFT），而频域方法主要包括调和乘积谱方法（HarmonicProductSpectrum，HPS）和倒频谱方法（Cepstrum）。2辨识算法动态时间规整（Dyn...
【技术保护点】
1.基于深度神经网络的哼唱检索法，其特征在于：具体内容如下：/n1 MIDI资料库音频资料解析/n资料库是由 MIDI 格式的音乐组成的，其经过解析后所得到的信息是 [音符 1 的音高，音符 1 的音长，音符 2 的音高，音符 2 的音长，……，音符 N 的音高，音符 N 的音长]，可以表示为[𝑛
【技术特征摘要】
1.基于深度神经网络的哼唱检索法，其特征在于：具体内容如下：
1MIDI资料库音频资料解析
资料库是由MIDI格式的音乐组成的，其经过解析后所得到的信息是[音符1的音高，音符1的音长，音符2的音高，音符2的音长，……，音符N的音高，音符N的音长]，可以表示为[𝑛1,𝑑1,𝑛2,𝑑2,…,𝑛𝑁,𝑑𝑁,]；如果两个相邻音符音高相同仍会视为两个独立的音符；
将音高音长的序列展开，再依据它们各自的音长加以展开,将音长数作为展开音高个数，采用将MIDI资料完全展开的方式处理，以便于后期动态时间规整算法的比较辨别；
2从用户哼唱歌曲中追踪高音并对深度神经网络进行训练
用户哼唱后所录制的wav档案，必须经由音高追踪系统计算出声音信号的音高，运用半音差（semitone）概念，半音差是音乐中音符表示的一种标准，其与频率有一定的转换关系，如公式（1-1）所示
半音差是为了后期的辨识系统进行比对所采用的统一标准，如60就是钢琴键当中的中央Do，也就是C4；在钢琴键上，包含黑键，每一个相邻的键就是相差一个半音，其音高差距称为半音差；举例来说，若是[60，64，67]就是[Do，Mi，So]，经由半音的组合，加上每个音符的音长不同，在两者之中加以变化，就可以组成各式各样的美妙的旋律；
用户的哼唱音频文件都是时长8秒的单声道音频，在放入深度神经网络中进行处理之前，需要做以下预处理：
首先，对音频数据进行以0.032秒为单位的无重叠的应用汉明窗(hanning)的加窗分帧，这样8秒的哼唱音频即会得到250个采样窗数据；
其次，把得到的每一帧数据分别进行快速傅里叶变换（FastFouriTransform，FFT），这样就得到了这一帧频谱（Spectrum），进而做对数运算以得到其对数谱（LogarithmicSpectrum），因为以0.032秒为窗长，故而此处得到的数据是在0到2000赫兹范围内以31.25赫兹为单位进行步进的65个采样数据；
再次，对得到的每帧的对数谱的65个数据进行归一化，将其归一到[-1,1]区间内以便于后期作为深度神经网络的输入数据；
最后，在按照以上方法操作后得到250组数据，为了降低每一组采样的不确定性带来的错误，将每相邻的5组数据进行整合，设五组数据分别为[𝑎1,…,𝑎65]，[𝑏1,…,𝑏65]，[𝑐1,…,𝑐65]，[𝑑1,…,𝑑65]，[𝑒1,…,𝑒65]，则按照对应位置穿插的方式进行整合后的数据为[𝑎1,𝑏1,𝑐1,𝑑1,𝑒1…,𝑎65,𝑏65,𝑐65,𝑑65,𝑒65]，这样就获得了246组325维的数据；
针对每一帧的数据，获了通过人工的方式进行标注的音高，音高的分布范围为[35,85]，即51个音高，再加...
【专利技术属性】
技术研发人员：王建荣，向坤，于健，喻梅，于瑞国，徐天一，赵满坤，高洁，薛寒钰，
申请(专利权)人：天津大学青岛海洋技术研究院，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。