1. Введение 4
1 Теоретические положения 5
1.1. Выделение признаков сигналов музыкальных инструментов 5
1.2 Дискретное преобразование Фурье 6
1.3 STFT 8
1.4. MFCC 9
1.4. CQT-преобразование 11
1.5 ADSR 12
1.6 Оценка высоты тона монофонических звуков 14
1.7 Оценка высоты тона многотональных звуков 15
1.8 Машинное обучение 16
1.9 Глубокие нейронные сети 16
1.10. Сверточная нейронная сеть 17
1.11. Исчезающий градиент 22
2. Реализация системы 24
2.1 Гиперпараметры сети 24
2.2 Унитарный код 26
2.3. Предварительная обработка 27
2.4. Модель сети 28
3. Результаты 32
3.1. Влияние различных параметров сети на результаты 32
3.2 Экспериментальные результаты извлечения признаков с использованием CQT и MFCC 33
ЗАКЛЮЧЕНИЕ 36
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 37
ПРИЛОЖЕНИЕ 38
Автоматическая транскрипция музыки распознает высоту тона внешнего входного аудиосигнала. Она является ценной в плане настройки музыкальных инструментов, поиска музыкальных баз. В настоящее время автоматическая транскрипция музыки достигается в основном путем применения НМФ (неотрицательной матричной факторизации) в спектрограмме или PLCA (вероятностный латентный компонентный анализ) для оценки высоты тона.
Несмотря на точность в распознавании образов, эти два подхода с трудом могут сохранить непрерывность в музыке. Эти подходы могут точно распознавать отдельные ноты, но это не так для непрерывной музыки.
Существуют также работы [1], оценивающие высоту тона нот по соотношению субгармоник и гармоник (SHR), которая оказалась применимой для непрерывных нот в узком диапазоне частот, но но не подходит для автоматической транскрипции музыки. В работе [2], используется кратковременная автокорреляция для обнаружения звуков в пределах одной октавы в узком диапазоне.
Учитывая недостатки вышеупомянутой модели, в данной работе для извлечения особенностей нот используются Мел-кепстральные коэффициенты(MFCC) и преобразование Constant-Q(CQT), что обеспечивает точность и практичность. MFCC определяет категорию музыкального инструмента на основе тембра, в то время как CQT-преобразование позволяет получить спектрограмму. CQT-преобразование позволяет получить спектрограмму, которая будет идентифицирована сверточной нейронной сетью.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Автоматизированная система распознавания музыкальных нот из звука #9105469
Артикул: 9105469
- Предмет: Программирование
- Уникальность: 68% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2022 году
- Количество страниц: 45
- Формат файла: docx
- Последняя покупка: 24.02.2024
2 499p.
1 Xu, P.J., Guo, L., Liu, S.C. (2011) Note recognition combining pitch- detection and onset-detection. Journal of Computer Applications., 31(s2):172-175.
2 Wu, J.J., Meng, L.L. (2009) The recognition of the musical pitch. Electronic Measuremen-t Technology., 32(4):126-128.
3 Liu, Y.P.，Wang, J.W.，Pei, S.T.，Ji, X.X., Liu, Y.J. (2019)
Method for identifying and classifying partial discharge based on short time Fourier transform and sparse representation. Electrical Measurement & Instrumentation., 56(23):31-36
4. Brown, J (1991). Calculation of a constant Q spectral transform. Journal of the Acoustical Society of America, 89(1), 425–434.
5. Böck, Sebastian, and Gerhard Widmer. “Maximum filter vibrato suppression for onset detection.” 16th International Conference on Digital Audio Effects, Maynooth, Ireland. 2013.
6. De Cheveigné, Alain, and Hideki Kawahara. “YIN, a fundamental frequency estimator for speech and music.” The Journal of the Acoustical Society of America 111.4 (2002): 1917-1930.
7. Learning Features of Music from Scratch. John Thickstun, Zaid Harchaoui, and Sham M. Kakade. In International Conference on Learning Representations (ICLR), 2017. ArXiv Report
8. librosa — librosa 0.9.1 documentation [Электронный ресурс]: URL: https://librosa.org/doc/latest/index.html (дата обращения: 30.05.2022)
9. NumPy Documentation [Электронный ресурс]: URL: https://numpy.org/doc/ (дата обращения: 30.05.2022)
10. PyTorch documentation [Электронный ресурс]: URL: https://pytorch.org/docs/stable/index.html (дата обращения: 30.05.2022)
2 Wu, J.J., Meng, L.L. (2009) The recognition of the musical pitch. Electronic Measuremen-t Technology., 32(4):126-128.
3 Liu, Y.P.，Wang, J.W.，Pei, S.T.，Ji, X.X., Liu, Y.J. (2019)
Method for identifying and classifying partial discharge based on short time Fourier transform and sparse representation. Electrical Measurement & Instrumentation., 56(23):31-36
4. Brown, J (1991). Calculation of a constant Q spectral transform. Journal of the Acoustical Society of America, 89(1), 425–434.
5. Böck, Sebastian, and Gerhard Widmer. “Maximum filter vibrato suppression for onset detection.” 16th International Conference on Digital Audio Effects, Maynooth, Ireland. 2013.
6. De Cheveigné, Alain, and Hideki Kawahara. “YIN, a fundamental frequency estimator for speech and music.” The Journal of the Acoustical Society of America 111.4 (2002): 1917-1930.
7. Learning Features of Music from Scratch. John Thickstun, Zaid Harchaoui, and Sham M. Kakade. In International Conference on Learning Representations (ICLR), 2017. ArXiv Report
8. librosa — librosa 0.9.1 documentation [Электронный ресурс]: URL: https://librosa.org/doc/latest/index.html (дата обращения: 30.05.2022)
9. NumPy Documentation [Электронный ресурс]: URL: https://numpy.org/doc/ (дата обращения: 30.05.2022)
10. PyTorch documentation [Электронный ресурс]: URL: https://pytorch.org/docs/stable/index.html (дата обращения: 30.05.2022)
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Автоматизированная система распознавания музыкальных нот из звука |
| Артикул: | 9105469 |
| Дата написания: | 24.06.2022 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 68% |
| Количество страниц: | 45 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Автоматизированная система распознавания музыкальных нот из звука по предмету программирование
Пролистайте "Автоматизированная система распознавания музыкальных нот из звука" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 02.07.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 68% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
ПРЕДЫДУЩАЯ РАБОТА
Разработка чат-бота с использованием технологий машинного обучения
СЛЕДУЮЩАЯ РАБОТА
Web-приложение по контролю знаний сотрудников на предприятии