研究目的
利用特征分析和机器学习技术研究音乐情感分为四类（激动、快乐、宁静和悲伤）的分类方法。
研究成果
特征图方法适用于音乐情感分类，当将Chirplet特征转换为图像时，使用VGG16模型可达到88.2%的最高准确率。
1：实验设计与方法选择：
本研究将音乐情感识别（MER）构建为认知计算中的分类问题，通过提取音乐特征并采用支持向量机（SVM）和卷积神经网络（CNN）进行分类。将线性调频小波（Chirplet）特征转化为特征图像输入VGG16模型。
2：样本选择与数据来源：
提供内容中未说明。
3：实验设备与材料清单：
提供内容中未说明。
4：实验流程与操作步骤：
提取音乐特征后，将特征集输入SVM和CNN模型，并将线性调频小波特征转换为图像供VGG16处理以实现情感分类。
5：数据分析方法：
以准确率为评估指标，使用线性调频小波特征图像的VGG16模型取得了88.2%的最佳结果。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容
获取定制报价
设备名称
型号
厂家
功能
-
Support Vector Machine
Classify music emotions based on extracted feature sets.
-
Convolutional Neural Networks
VGG16
Classify music emotions using feature images derived from Chirplet features.
-
登录查看剩余0件设备及参数对照表
查看全部
