学位论文 > 优秀研究生学位论文题录展示

基于MIDI的乐器控制系统和音符的自动识别方法研究

作　者: 高雪松
导　师: 蔡征宇
学　校: 南京理工大学
专　业: 信号与信息处理
关键词: 音乐识别 FFT 基音 MIDI 单片机 RBF MFCC 神经网络证据理论数据融合
分类号: TN912.34
类　型: 硕士论文
年　份: 2012年
下　载: 80次
引　用: 0次
阅　读: 论文下载

内容摘要

计算机的出现推动了现代电子音乐的发展,基于计算机和电子技术的音乐合成、音乐识别和特征提取等技术被越来越多地应用到音乐领域。本文研究的内容来自于某交响乐队提出的课题,该乐队希望能够通过体积较小的钢琴键盘间接操作大型的乐器,以及通过计算机识别演奏的音乐并自动记录乐谱。首先本文给出了乐器演奏控制系统的设计和实现过程,介绍了系统如何通过MIDI信号交换数据,如何通过PIC系列单片机处理MIDI数据及相关程序的处理流程,最后讨论了如何在单片机上实现系统的实时性和多线程。接着本文对音乐识别方法进行了研究。介绍了音乐的基本特性和基本的乐理,以及基于时域和变换域分析的各种传统的音高识别方法。然后分两章介绍了两种基于不同原理的单音符识别方法,第一种方法基于基音检测,提出了一种改进的将自相关计算和FFT相结合的基音识别算法,以及如何通过短时能零积法实现音符时值的测量；第二种方法基于RBF人工神经网络和MFCC特征提取,在讨论了音乐与一般语音信号的不同之后,给出了通过神经网络用分类的思想进行音符识别的具体实现过程。通过仿真和测试证明了基于神经网的音符识别方法有更可靠的性能。最后本文还提出了一种基于Dempster-Shafer证据理论的数据融合技术,用于对两种音符识别方法的结果进行综合分析,以充分利用两种方法各自的优点并得到更准确的结果,使两类方法可以同时协同工作。本文还对完成的工作进行了总结,并提出了需要进一步研究的方向。

全文目录

摘要  3-4
Abstract  4-8
1 绪论  8-12
  1.1 选题的背景及意义  8
  1.2 课题介绍  8-9
  1.3 研究现状综述  9-11
  1.4 论文内容结构  11-12
2 基于MIDI信号的演奏控制系统  12-25
  2.1 待解决的问题  12
  2.2 MIDI通信协议  12-14
    2.2.1 消息的格式  12-13
    2.2.2 信号的电气特性及传输  13-14
  2.3 MIDI信号的接收和处理  14-21
    2.3.1 方案的选择  14
    2.3.2 PIC单片机  14-15
    2.3.3 信号的接收  15
    2.3.4 信号处理流程  15-18
    2.3.5 程序实现  18
    2.3.6 单片机的多线程和实时性实现  18-21
  2.4 执行机构的驱动  21-23
    2.4.1 执行器的选择  21-22
    2.4.2 脉冲宽度调制  22-23
  2.5 整体电路分析  23-25
3 音乐的特征及音符的自动识别  25-31
  3.1 音乐的相关特征  25-26
    3.1.1 音高和音调  25
    3.1.2 音色和音品  25-26
    3.1.3 节拍和时值  26
  3.2 音乐信号处理  26-27
    3.2.1 音乐信号和语音信号的区别  26
    3.2.2 音乐信号处理的流程  26-27
  3.3 音高的识别及常用算法  27-31
    3.3.1 音高识别原理  27-28
    3.3.2 并行处理法  28-29
    3.3.3 谐波峰值法  29
    3.3.4 小波分析法  29-31
4 基于基音检测的音符识别  31-39
  4.1 一种自相关法和FFT相结合的基音识别算法  31-36
    4.1.1 算法的原理  31-32
    4.1.2 算法的实现与仿真  32-35
    4.1.3 实验结果及讨论  35-36
  4.2 音符时值的识别  36-39
    4.2.1 识别的原理  36-37
    4.2.2 算法的仿真  37-39
5 基于神经网络的单音符识别  39-52
  5.1 方法的意义  39-40
  5.2 人工神经网络基础  40-45
    5.2.1 人工神经网络的基本特点  40
    5.2.2 人工神经网络的基本原理  40-41
    5.2.3 RBF神经网络原理  41-42
    5.2.4 RBF神经网络结构  42-43
    5.2.5 RBF神经网络的学习过程  43-45
  5.3 基于RBF神经网络的单音识别系统  45-52
    5.3.1 系统的实现过程  46-50
    5.3.2 实验结果及讨论  50-52
6 基于证据理论的数据融合  52-59
  6.1 数据融合的意义  52
  6.2 证据理论简介  52-55
    6.2.1 证据理论的基本定义  52-54
    6.2.2 Dempster合成规则  54-55
  6.3 对两类音符识别结果进行数据融合  55-59
    6.3.1 识别框架的确定  55-57
    6.3.2 对两类结果进行D-S数据融合  57-59
7 总结与展望  59-61
  7.1 论文主要工作与成果  59-60
  7.2 待改进的部分  60-61
致谢  61-62
参考文献  62-64
附录  64-68

基于MIDI的乐器控制系统和音符的自动识别方法研究

内容摘要

全文目录

相似论文