2017-9-27-周报-张章1

在音乐情感分类领域，自1999年以来，研究人员不断探索音乐特征与情感之间的联系。E.Schuber在他的博士论文中初步探讨了基音周期、节奏、响度、频谱质心和恩利等特征与音乐情感的关系。2006年，Yuan-Yuan Shi和XuanZhu等人利用Adaboost算法构建了双层情感分类模型，第一层基于音乐信号的强度和时域特征，第二层基于节奏特征，通过结合两层分类器的结果进行分类。 2007年，MIREX提出了Audio Mood Emotion的研究课题，促进了音乐情感分类的发展。Yi-Hsuan Yang和Yu-Cheng Lin将音乐情感分类视为回归问题，利用支持向量机(SVR)计算音乐的arousal和valence值，将其定位在Thayer的情感平面。2010年，Jijun Wang和Kuo Zhang使用BP神经网络对MIDI音乐进行情感分类，而Lie Lu和Hong-Jiang Zang则采用GMM算法进行音乐情绪检测和跟踪。 在特征提取方面，倒谱分析是常用的方法，如梅尔倒谱系数(MFCC)和感知线性预测(PLP)。MFCC考虑了人耳听觉特性的梅尔频率尺度，适用于音乐情感识别。而PLP和RASTA-PLP通过听觉模型处理，抑制缓慢变化的部分，增强识别效果。 支持向量机(SVM)作为一种有效的分类工具，最早由Vapnik等人提出，通过非线性映射解决线性不可分问题。Adaboost算法则是通过迭代和调整弱分类器权重，形成强分类器，特别关注错误分类样本，从而提升整体分类性能。 Adaboost算法的基本思想是在每一轮迭代中，增加错误样本的权重，减少正确分类样本的权重，使得后续的弱分类器更专注于难以分类的样本。随着迭代次数的增加，最终形成的强分类器能够更好地处理复杂分类任务。 总结来说，音乐情感分类是一个涉及特征提取、机器学习算法和情感模型的综合研究领域。从早期的特征关联分析到现代的深度学习方法，如循环神经网络(RNN)，技术不断进步，为自动化音乐情感分类提供了坚实的基础。Adaboost和SVM等算法在音乐情感识别中的应用，展示了这些技术在处理复杂分类问题上的优势。随着研究的深入，我们有望看到更加精确和智能化的音乐情感分类系统。