摘要：本文主要是為了滿足人們能夠對身邊繁多的音樂信號進行快速高效的分類管理，研究一種較好的音樂分類模型。借助軟件，并使用傅立葉變換或小波分析或等方法從音樂中選取各項音頻特征。然后將它們按比例組成一組高維向量。通過主成分分析和線性判別分析進行對比分析，分別探討出兩個降維方法的優缺點，最終選擇出較優的降維方法，并使用此降維方法得到最有利于分類的特征。通過將大量現存的高效模型進行對比，最終確定出相對較優的分類模型。并且對各模型進行大量的數值試驗和性能測試，然后給出各模型對于六種類型分類的正確率。

主要包含了以下三個階段：

第一階段為特征提取階段：充分考慮了音樂心理學和音樂信號處理這兩個方面，最終選取的主要特征有:時域特征，頻域特征，基音周期特征和頻率倒譜系數。

第二階段為降維階段：由于維數的增加，會直接導致計算量和問題復雜化的增加。因此本文通關將兩種常用的降維方法主成分分析和線性判別分析進行對比，最終選擇針對本題來說較優的降維方法---線性判別分析來給提取的特征值降維。

第三階段為分類階段：當提取特征并進行降維后，本文通過將模式識別和模式分類中大量現存的高效模型進行對比，最終確定出相對較優的分類模型為支持向量基模型。

關鍵詞 分類模型；支持向量基；主成分分析

目錄

摘要

Abstract

1緒論1

1.1研究背景和意義1

1.2研究現狀 .1

1.3研究方法.2

2基礎知識.3

2.1模型假設.3

2.2定義和符號說明.3

3模型的建立與求解.4

3.1算法結構總體框圖.4

3.2語音信號預處理.4

3.2.1分幀.4

3.2.2加窗.5

3.2.3靜音幀判別.6

3.3用于分類的音樂的特征提取.6

3.3.1時域特征的提取.7

3.3.2頻域特征的提取.8

3.4對特征向量進行降維.9

3.4.1主成分分析10

3.4.2線性判別分析11

3.5 使用SVM對特征向量進行分類.13

3.5.1模糊模式識別13

3.5.2高斯混合模型(GMM).13

3.5.3隱馬爾可夫模型（HMM） ,14

3.5.4支持向量機(SVM).16

結論.22

致謝.23

參考文獻.24

附錄.25