[发明专利]基于归一化音符显马尔可夫模型的MIDI音乐流派分类方法

权利要求书

1.基于归一化音符显马尔可夫模型的MIDI音乐流派分类方法，其特征在于，包括：

步骤S101：对MIDI音乐文件的音轨预处理；

步骤S102：对预处理的MIDI音乐文件识别旋律音轨和伴奏音轨，分别提取出旋律、伴奏音符向量组；对预处理的MIDI音乐文件识别旋律音轨和伴奏音轨，得到旋律音轨集合和伴奏音轨集合，然后对旋律音轨集合使用高音轮廓线skyline算法提取旋律音符向量组；若伴奏音轨集合非空，则对其相应使用低音轮廓线landline算法提取伴奏音符向量组；低音轮廓线landline算法与高音轮廓线skyline算法相似，区别是对于起始时间相同的音符，保留音高最低的音符，删除其他，最后得出低音轮廓线；

步骤S103：基于乐理对旋律、伴奏音符向量组分别先做归一化处理，然后建立八度循环音名跳转、12个音名各自八度跳转马尔可夫模型，提取旋律、伴奏音轨的特征值向量；基于乐理对旋律、伴奏音符向量组分别先做归一化处理，然后建立八度循环音名跳转、12个音名八度跳转马尔可夫模型，提取旋律、伴奏音轨的特征值向量，包括：

步骤S1301：对旋律音符向量组、伴奏音符向量组分别做音符归一化处理，即是把调式都转成C调，同时计算出音符向量转调后对应的音名、八度值，并存入音符向量中；

步骤S1302：基于归一化的旋律、伴奏音符向量组分别建立八度循环音名跳转马尔可夫模型；

步骤S1303：基于归一化的旋律、伴奏音符向量组分别建立12个音名的八度跳转马尔可夫模型；

步骤S1304：提取旋律、伴奏特征值向量；

步骤S104：将旋律、伴奏特征值向量分别输入到预训练好的相应分类器中，利用集成学习方法，结合两个分类器的结果进行优化，得出最终分类结果，即所述MIDI音乐文件所属音乐流派的标签。

2.根据权利要求1所述的基于归一化音符显马尔可夫模型的MIDI音乐流派分类方法，其特征在于，所述的步骤S1301中，对旋律音符向量组、伴奏音符向量组分别音符归一化处理，即是把调式都转成C调；在乐理中，依据十二平均律将一组音分成12个半音，对应音列表示为Tones＝[C,#C,D,#D,E,F,#F,G,#G,A,#A,B]；乐曲调号每增加一个升号，就是将前一个调的每一个音都提高纯五度，反之亦然；纯五度是音数为7个半音的五度音程；在音符向量组中，音符向量包含音高pitch，其范围为0-127，钢琴88个键，其范围为21-108；调号升降记号数m，若m为正，代表有m个升号，反之亦然；计算出归一化处理后音符对应的音名note，八度octave，并存入音符向量中：

note＝Tones[(pitch％12-|m|×7)₁₂]

上述第一个公式表示先对音高pitch模12，减去调号升降记号数m所对应的音程偏移值，再以12为周期循环位移计算出音列Tones的下标索引，最终映射到对应的音名；第二个公式表示对音高pitch除以12向下取整，再减1得到对应的八度。

3.根据权利要求1所述的基于归一化音符显马尔可夫模型的MIDI音乐流派分类方法，其特征在于，所述的步骤S1302中，基于归一化的旋律、伴奏音符向量组分别建立八度循环音名跳转马尔可夫模型，包括：

步骤1：对归一化后的旋律音符向量组、伴奏音符向量组分别遍历，统计12个音名出现的次数、音符向量组中相邻两个音符向量的音名状态转移的次数；

步骤2：分别建立旋律、伴奏的八度循环音名跳转马尔可夫模型，12个音名是八度循环音名跳转马尔可夫模型的状态，计算出状态初始概率矩阵，状态转移概率矩阵。

4.根据权利要求1所述的基于归一化音符显马尔可夫模型的MIDI音乐流派分类方法，其特征在于，所述的步骤S1303中，基于归一化的旋律、伴奏音符向量组分别建立12个音名的八度跳转马尔可夫模型，包括：

步骤1：对归一化后的旋律音符向量组、伴奏音符向量组分别遍历，得出旋律、伴奏的12个音名各自的八度跳转序列，并统计出各个音名八度跳转序列中的各八度值出现的次数、相邻两个八度值的各状态转移次数；

步骤2：分别建立旋律、伴奏的12个音名各自的八度跳转马尔可夫模型，八度值为八度跳转马尔可夫模型的状态，计算出状态初始概率矩阵，状态转移概率矩阵。