器识别问题中的有效性，并列举了几个应 用实例他们建议采用定量的物理分析与模糊专家系统相结合的方法对音色进行识别。

其中专家系统的 知识库是这样建立的专家的知识从音乐信号中直接提取出的音质特性，如基频谐波泛音强度谐波相 位偏移量等。

但是该文并没有详细给出系统的实现方法。

研究了如何从二重奏音乐信号中识别乐器 并将其分割出来，他使用神经网络作为最后的决策系统。

等则对四重奏音乐信号下的乐器识 别问题做了特征比较研究。

歌手自动识别如何让计算机分辨出首歌曲是哪位歌手所演唱的是个十分有趣的问题。

由于人们在日常生活中所 欣赏的音乐大多都是歌曲，解决该问题会十分有助于歌曲类多媒体数据的自动管理和检索。

这个问题与语 音识别领域中的说话人识别非常类似，解决的思路也基本类似。

但是由于人在演唱时嗓音的动态范围比说 话时要大的多，再加上往往会有伴奏音乐，所以歌手识别问题要比说话人识别更加困难。

有关该问题的文献不多，它们可以分为以下两种情况 无伴奏情况下的歌手识别在文献中，作者对位美声唱法歌手的清唱歌声做了自动识别研究。

他们采用频谱包络的主成分作为特征，并用个二次分类器对来自不同歌手的歌声做自动识别。

通过交叉 验证实验，对歌手的平均正确识别率为。

则通过训练对来自名美声歌手所演唱的简单音 调做了识别，平均正确率可达左右引。

有伴奏情况下的歌手识别等提出了种方法用于在格式下做歌手识别引。

他们首先通过 系列多项滤波器将训练集中的音乐信号进行分解得到系列音符或音素，然后从每个音符中提取 特征训练分类器对测试集中的歌曲进行歌手识别。

基于说话人识别系统的般框架提出了种歌手 自动识别方法口。

她为训练集中的每位歌手的嗓音特性训练了下几个小节分别进行介绍。

音乐作品结构分析 音乐是种十分复杂的有层次的声音信号，些学者致力于通过计算机来分析音乐本身的这种层次 结构书他们所定义的这种层次结构不定和音乐学本身相关，但是可能会更适合于音乐信号的自动处理。

由于格式本身已经包含了大量音乐信息，所以基于格式的音乐分析工作相对较多。

等定义了音乐信号中的非平凡重复模式所谓重复模式是指在首音乐作品中重复出现的那些音符序 列，非平凡重复模式则要求重复出现的音符序列对于这首音乐来说具有特殊性和代表性，比如这首音乐 的主旋律或主旋律的部分。

通常非平凡重复模式应该是具有定长度的音分析，关于针对音乐数据进行聚类分析的研究报导较少，因为聚类结果强烈依 赖于所定义的相似性度量，并且所产生的聚类结果很难满足种具体的应用需要。

等提出了种 基于复杂性和信息距离的音乐分级聚类方法，它不使用任何音乐背景知识并可以直接用于 其它领域的聚类分析。

等则提出了种基于的非监督音乐分类方法，为了获得更好的结果， 他们还对音乐信号的节奏进行分析并在此基础上提取特征。

基于内容的乐器音色自动分类与识别 如何从段给定的音乐信号中识别出参加演奏的乐器是个非常有趣的问题。

这样的任务对于人类来 说也许是非常轻松的，但对于机器来说却十分困难。

识别或区分种乐器主要依靠它特有的音色，从物理 学上看音色则是由物体的振动状态所决定的，不同物体的振动状态决定了它的泛音及波形的不同，个固 定音高的音由于其中所含各阶谐频成分的比例不同，其音色也不同。

对于种具体的乐器来说，这种频谱 的变化又是十分复杂的，同种乐器由于演奏技法的不同其音色也会发生显着的变化。

因此，如何方便而准确地描述音色是个难题。

有关乐器识别或音色识别方面的研究工作比较少，它 们可以分为以下两种情况 独立演奏情况下的乐器识别大多数关于乐器自动识别的工作都是在独立演奏的假设下完成的，这使得工作变得相对容易了些。

等人研究了如何对吉他键盘乐器和鼓这三种乐器进行自动识别，他们首先采用小波变换 对音频信号进行预处理以提取特征，然后通过个神经网络对测试数据进行分类。

他们的方法也可以用来 对些语音数据进行自动分类，如些元音和字词。

在文献中，作者采用种称为的神经网 络来区分五类乐器所演奏的单音符信号，这五类乐器分别为钢琴吉他小号萨克斯和长笛。

在文献 中，作者采用频谱特征对来自种乐器