24、乐器歌曲分类方法探究

乐器歌曲分类方法探究

1. 研究背景

当前，已有许多关于乐器音乐分类的显著研究，算法不断改进，在寻找乐器音乐方面带来了高效率，吸引了全球音乐爱好者的关注，尤其在具有丰富乐器音乐传统的国家。此前的相关研究涵盖多个方面：
- 搜索引擎案例研究 ：有研究使用近似最近邻对乐器歌曲进行预处理，通过梅尔频率倒谱系数（MFCC）提取档案中曲目的特征，还应用 ANN 算法和 MFCC 特征提取按和声进行歌曲搜索，并构建集成算法的网站方便用户找歌。
- 环境声音识别 ：有研究评估了卷积神经网络在对短环境声音音频片段进行分类的潜力，其模型在三个公开可用的城市和环境记录数据集上表现出色，优于基于梅尔频率倒谱系数的基线实现。
- 音乐信息提取和自动音符识别 ：研究聚焦于将音频信号转换为频率 - 时间（频谱）表示，利用机器学习模型预测音符和乐器，推动了使用机器学习模型进行自动音乐转录（AMT）的发展。
- 区分声乐和乐器音乐信号 ：有研究利用基于频谱图像的相似性特征对音频信号进行分类，通过随机样本一致性（RANSAC）技术创建分类模型，结果显示 RANSAC 在计算特征集上的性能优于神经网络。
- 乐器分类方案 ：有研究探索了使用从 CNN 学习到的特征对乐器进行分类的方案，通过数据增强技术提高分类器性能，结合多分辨率递归图（MRP）和频谱图图像与多列网络，在乐器分类上取得了改进。
- 环境声音分类 ：有研究提出了用于环境声音分类的深度卷积神经网络架构，并使用音