摘要：音符识别是音乐信号分析处理领域内非常重要的研究内容,它为计算自动识谱、乐器调音、音乐数据库检索和电子音乐合成提供技术基础。传统的音符识别方法通过估计音符基频与标准频率进行一一对应识别。然而一一对应较为困难,且随着音符基频的增大将导致误差增大,可识别的音符基频范围不广。为此,文中采用分类的思想进行音符识别。首先,建立所需识别的音符音频库,并针对音乐信号低频信息的重要性,选取梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficients,MFCC)和常数q变换(Constant q Transform,CqT)作为音符信号提取特征。然后,将提取的特征MFCC和CqT分别作为音符识别的单一特征输入和两者特征融合输入;结合Softmax回归模型在多分类问题中的优势以及BP神经网络良好的非线性映射能力与自学习能力,构建基于Softmax回归模型的BP神经网络多分类识别器。在MATLAB R2016a的仿真环境下,将特征参数输入到多分类器中进行学习与训练,通过调整网络参数来寻找最优解。通过改变训练样本数进行对比实验。实验结果表明,将融合特征(MFCC+CqT)作为特征输入时,可以识别出从大字组到小字三组的25类音符,并可以获得95.6%的平均识别率;在识别过程中,特征CqT比特征MFCC的贡献更大。实验数据充分说明,利用分类的思想提取音符信号的MFCC和CqT特征来进行音符识别,可以取得很好的识别效果,并且不受音符基频范围的限制。

摘要：为提高音符起始点检测的准确率,提出高频加权CqT谱能量的音符起始点检测算法。对音乐信号进行CqT变换得到音阶分布矩阵后,结合不同信号CqT分布的特点滤除噪声。在采用CqT谱能量差分进行音符起始点检测时,针对CqT变换变窗长计算带来的低频时间分辨率较低、时间误差较大可能导致误判的问题,利用音乐中谐波丰富且时间分辨率较高的特点,进行高频加权计算,突出高频成分的作用,降低检测误差。选取标注的音乐数据文件进行测试,应用高频加权CqT谱进行起始点检测的结果中,F值为0.8541,效果良好。

摘要：在乐器声品质研究中,以往研究主要是从乐器的结构以及物理特性出发,忽略了乐音本身的重要性以及客观评价测量的不易实现性.为此,提出了一种基于多特征融合的乐器声品质评价方法.通过主观评价法获取乐器琵琶的声品质评价结果,建立具有主观评价的乐音信号库作为实验对象;提取乐音信号的相关系数(CC)、常数q变换(CqT)和梅尔频率倒谱系数(MFCC)作为单一特征输入,以及多特征融合输入;并构建基于BP神经网络的乐器声品质评价模型.实验结果表明,该方法可以很好地应用于乐器声品质评价.