一种音乐作品提取方法技术

本发明专利技术涉及一种音乐作品提取方法，所述方法包括以下步骤：将样本音乐根据不同乐器的参数进行小波包分解，并获得特征向量；将获得的特征向量进行降维处理，并减少不重要特征对重要特征及图形特征提取的干扰；基于特征向量通过BP神经网络对实际音乐进行乐器声音识别。本发明专利技术通过将样本音乐根据不同乐器的参数进行小波包分解，并获得特征向量；将获得的特征向量进行降维处理，并减少不重要特征对重要特征及图形特征提取的干扰；基于特征向量通过BP神经网络对实际音乐进行乐器声音识别；能够将音乐作品进行分层处理，解决了复杂的音乐作品提取困难的情况，同时可以在一段音乐中识别出不同乐曲的音乐，大大提高了识别音乐乐器的效率。率。率。

【技术实现步骤摘要】
一种音乐作品提取方法


[0001]本专利技术涉及在线教育
，尤其涉及一种音乐作品提取方法。

技术介绍

[0002]在线教育是一种新生事物，产生与发展的时间不长，人们对在线教育的认识也在不断深化和完善。当前对在线教育的认识有多种观点，目前我们认为在线教育既是一种教育理念，也是一种教育手段，又是一种教学组织形式，同时还是一种学习方式。它是以计算机通信技术和网络技术为依托，结合了现代信息技术，采用远程实时多点、双向交互式的多媒体现代化教学手段，可以实时传送文本、声音、图像、图形、电子课件和教师板书的实现跨越时空的教育传递过程，为人们提供丰富的学习资源创造具有良好的交互性、智能化乃至仿真的学习环境―虚拟学校、虚拟课堂、虚拟图书馆等，是人们获得“自我教育”和“终身教育”的最佳方式。
[0003]而对于音乐课程在网络上进行教学的时，通常需要先对音乐作品中各乐器进行学习，而常有的音乐作品中，乐器的涉及往往不止一种且较为复杂，在进行音乐教学时，无法清晰的识别出不同乐器的音乐，大大增加了对于在线教育而言音乐教学的难度。

技术实现思路

[0004]为了现有技术存在的上述技术缺陷，本专利技术提供了一种音乐作品提取方法，可以有效解决
技术介绍
中的问题。
[0005]为了解决上述技术问题，本专利技术提供的技术方案具体如下：
[0006]本专利技术实施例公开了一种音乐作品提取方法，所述方法包括以下步骤：将样本音乐根据不同乐器的参数进行小波包分解，并获得特征向量；将获得的特征向量进行降维处理，并减少不重要特征对重要特征及图形特征提取的干扰；基于特征向量通过BP神经网络对实际音乐进行乐器声音识别。
[0007]在上述任一方案中优选的是，通过对音乐作品进行分析，将每一种乐器所创造的作品进行分类，对每一个语音样本都进行2
n
层小波包分解，以实现通过小波包分解对每一个语音样本的频域进行细微的划分。
[0008]在上述任一方案中优选的是，设置采集的信号为30khz，根据采样定理可包含0
‑
15khz的频率宽度，对每一个分解得到的系数分量计算系数能量比参数rE，提取到的rE参数对于每一个音频可形成2
(n+1)
‑
2个维度特征向量。
[0009]在上述任一方案中优选的是，定义小波包系数能量为：其中Cp为小波包分解第p个节点的系数，l为整个节点的系数长度，小波包系数能量比rE可通过cEp除于原信号能量得到。
[0010]在上述任一方案中优选的是，设待处理的高维数据样本的集合为X＝(x1,x2,
…
，x
i
,
…
,x
N
)，N为样本总数，x
i
＝(x
i1
,x
i2
,
…
,x
iM
),M为特征维数，并绘制雷达图。
[0011]在上述任一方案中优选的是，通过以下步骤绘制雷达图：
[0012](1)通过公式对样本进行归一化，归一化后，可以消除数据的量纲,其中
[0013](2)绘制一个单位圆，并将其M等分。每一维数据在雷达图上的角度数2π/M，起始的角度为0；
[0014](3)绘制每一维数据在其对应角度上的数值轴，将x
ij
，(j＝1,2,
…
,M)分别画到M等分的轴上，将这M个点以折线连接起来，从而构成一个闭合的多边形，其每个样本的每维的坐标公式为：(a
ij
＝x
ij
cosθ
ij
,b
ij
＝x
ij
sinθ
ij
)，其中，
[0015](4)重复步骤(3)，直到把每个样本均绘制完毕。
[0016]在上述任一方案中优选的是，设原始特征PF为(x1,x2,
…
,x
i
,
…
,x
n
),x
i
表示第i维特征，n为特征维数；特征融合降维的算法如下：
[0017]输入：原始特征PF(x1,x2,
…
,x
i
,
…
,x
n
)
[0018]输出：特征融合降维后特征VIS
‑
PF
[0019](Ⅰ)FValue值计算：对每维特征x
i
计算其FValue值F
i
；
[0020](Ⅱ)特征排序：对所有特征(x1,x2,
…
,x
i
,
…
,x
n
)按FValue值的大小降序排列，得到排列后的特征(x
’1,x
’2,
…
,x
’
i
,
…
,x
’
n
)及FValue值排列(F
’1,F
’2,
…
,F
’
i
,
…
,F
’
n
),其中F
’1≥F
’2≥
…
≥F
’
i
≥
…
≥F
’
n
；
[0021](Ⅲ)分层：对所有特征的FValue值求平均，得到F_Mean，求得第一个小于F_Mean的点F_first，即F
’1≥F
’2≥F
’
F
‑
first
‑1≥F_Mean，F_Mean＜F
’
F
‑
first
‑1，则将(x
’1,x
’2,
…
,x
’
F
‑
first
‑1)作为第一层，计算F_first至n的FValue的平均值F_Mean2，同理求得第一个小于F_Mean2的点F_second，将(x
’
F
‑
first
,x
’
F2
,
…
,x
’
n
)作为第二层；
[0022](Ⅳ)可视化融合：对第一层数据构成雷达图，并求取雷达图的三角形的重心特征，以完成可视化特征融合，对第二层数据构成雷达图，并求取雷达图的四边形的中心特征，以完成可视化特征融合，将每层特征融合后的特征组合构造出初始特征融合集S
′
；
[0023](
Ⅴ
)对初始特征融合集S
′
，重复(
Ⅰ‑Ⅲ
)步骤，得到降维后特征VIS
‑
PF。
[0024]在上述任一方案中优选的是，在(Ⅰ)中，用FValue的定义式计算FValue值，并按FValu本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种音乐作品提取方法，其特征在于：所述方法包括以下步骤：将样本音乐根据不同乐器的参数进行小波包分解，并获得特征向量；将获得的特征向量进行降维处理，并减少不重要特征对重要特征及图形特征提取的干扰；基于特征向量通过BP神经网络对实际音乐进行乐器声音识别。2.根据权利要求1所述的音乐作品提取方法，其特征在于：通过对音乐作品进行分析，将每一种乐器所创造的作品进行分类，对每一个语音样本都进行2
n
层小波包分解，以实现通过小波包分解对每一个语音样本的频域进行细微的划分。3.根据权利要求2所述的音乐作品提取方法，其特征在于：设置采集的信号为30khz，根据采样定理可包含0
‑
15khz的频率宽度，对每一个分解得到的系数分量计算系数能量比参数rE，提取到的rE参数对于每一个音频可形成2
(n+1)
‑
2个维度特征向量。4.根据权利要求3所述的音乐作品提取方法，其特征在于：定义小波包系数能量为：其中Cp为小波包分解第p个节点的系数，l为整个节点的系数长度，小波包系数能量比rE可通过cEp除于原信号能量得到。5.根据权利要求4所述的音乐作品提取方法，其特征在于：设待处理的高维数据样本的集合为X＝(x1,x2,
…
，x
i
,
…
,x
N
)，N为样本总数，x
i
＝(x
i1
,x
i2
,
…
,x
iM
),M为特征维数，并绘制雷达图。6.根据权利要求5所述的音乐作品提取方法，其特征在于：通过以下步骤绘制雷达图：(1)通过公式对样本进行归一化，归一化后，可以消除数据的量纲,其中(2)绘制一个单位圆，并将其M等分。每一维数据在雷达图上的角度数2π/M，起始的角度为0；(3)绘制每一维数据在其对应角度上的数值轴，将x
ij
，(j＝1,2,
…
,M)分别画到M等分的轴上，将这M个点以折线连接起来，从而构成一个闭合的多边形，其每个样本的每维的坐标公式为：(a
ij
＝x
ij
cosθ
ij
,b
ij
＝x
ij
sinθ
ij
)，其中，(4)重复步骤(3)，直到把每个样本均绘制完毕。7.根据权利要求6所述的音乐作品提取方法，其特征在于：设原始特征PF为(x1,x2,
…
,x
i
,
…
,x
n
),x
i
表示第i维特征，n为特征维数；特征融合降维的算法如下：输入：原始特征PF(x1,x2,
…
,x
i
,
…
,x
n
)输出：特征融合降维后特征VIS
‑
PF(Ⅰ)FValue值计算：对每维特征x
i
计算其FValue值F
i
；(Ⅱ)特征排序：对所有特征(x1,x2,
…
,x
i
,
…
,x
n
)按FValue值的大小降序排列，得到排列后的特征(x
’1,x
’2,
...

【专利技术属性】
技术研发人员：林东姝，
申请(专利权)人：杭州小伴熊科技有限公司，
类型：发明
国别省市：