[发明专利]一种基于旋律特征聚类与优化的哼唱检索方法

说明书

本申请涉及一种基于旋律特征聚类与优化的哼唱检索方法，包括：对训练数据进行旋律特征提取，该特征为音高向量；对音高向量进行聚类并利用聚类标签训练DBN网络；利用训练好的DBN模型对测试数据提取特征；与训练集旋律特征库中的旋律特征进行匹配并找到所属类别，在类内继续匹配输出检索结果。本方法将优化初始聚类中心的k‑means算法引入到哼唱检索中，其能够依据高密度优先聚类的思想，有效提升密度差异较大数据集的聚类效果，聚类后同簇的旋律特征具有更高的结构相似性。本发明不仅检索稳定高效，而且检索精度高。

技术领域

本发明涉及声音与音乐的信号处理技术、音乐声学理论、机器学习、人工智能技术领域，具体涉及一种哼唱检索方法。

背景技术

哼唱检索是近年来新兴的检索方法，是一项通过哼唱歌曲来进行音乐检索的技术。具体而言，哼唱检索需要检索出与哼唱旋律特征相匹配的歌曲旋律特征，从而根据旋律特征的匹配程度来确定哼唱歌曲的所属类别。然而，不同人哼唱同一旋律将会产生较大差异，从而导致同首歌在不同版本之间的旋律特征具有极强的不一致性。因此，并无法保证哼唱歌曲与其对应歌曲的旋律特征完全一致，进而导致检索结果不准确。研究者们针对旋律匹配问题，Jang首先尝试了动态时间归整(dynamic time warping,DTW)与线性伸缩(linear scaling,LS)等近邻检索算法。接着，Wu提出了一种具有优越性的递归对齐(recursive align,RA)方法。而Ryynanen提出的局部敏感哈希(Locally SensitiveHashing,LSH)方法则是目前应用最为广泛的近邻检索方法。LSH方法需要通过旋律特征在多个方向上的投影来获取近邻，因此并无法保证其得到的近邻候选集是旋律特征的真正近邻。

针对上述问题，可以直接在特征空间中对旋律特征进行聚类，将空间距离近的旋律特征划分到同一聚类，使得划分到同一聚类内的旋律特征均互为真正近邻，从而有效保证检索结果的正确性。在众多旋律特征聚类方法中，使用最广泛的方法为k-均值聚类算法(k-means)。虽然k-means算法简单高效，但随机选取初始聚类中心将引入更多的不确定因素，且易陷入局部最优解。针对k-means算法初始簇心敏感和无法很好处理密度差异较大的数据集问题，本文将优化初始聚类中心的k-means(optimized initial clusteringcenter k-means,OICC k-means)算法引入到哼唱检索中，其能够依据高密度优先聚类的思想，提升密度差异较大数据集的聚类效果，增强算法的稳定性。

经过特征聚类后，同簇的旋律特征具有更高的结构相似性。对旋律特征进行聚类后，本文将聚类结果作为标签，并采用深度置信网络(deep beliefnetworks,DBN)来进行旋律特征提取，以获得区分性更强的高层旋律特征。进行哼唱检索时，利用哼唱旋律特征匹配到最相似的聚类特征，在该聚类内的歌曲旋律特征结构相似，正确检索结果包含在其中。实验结果表明所提出的方法能够有效提升哼唱检索系统的性能。

发明内容

本发明要解决的技术问题是哼唱检索不稳定的问题，提出了一种基于旋律特征聚类与优化的哼唱检索方法。

为了达到上述目的，本发明采用的技术方案是：

S1、对歌曲库MIDI文件提取音高向量；

S2、利用基于优化初始聚类中心的k-means算法，对步骤S1中提取的音高向量进行聚类，获取聚类标签；

S3、利用步骤S1中提取的音高向量及步骤S2中获取的聚类标签训练DBN模型；

S4、利用步骤S3中得到的DBN模型，提取步骤S1中音高向量所对应的高层旋律特征及其类别信息，利用这些信息构成歌曲特征库；

S5、对哼唱WAV文件提取音高向量；

S6、利用步骤S3中得到的DBN模型，提取步骤S5中音高向量所对应的高层旋律特征及其类别信息；