1 |
1
음원을 입력받는 입력부;상기 입력된 음원의 음색 특징에 대한 Short-term 특징 벡터를 추출하는 Short-term 특징 추출부;상기 Short-term 특징 벡터를 이용하여 Long-term 특징 벡터를 추출하는 Long-term 특징 추출부;상기 추출된 Short-term 특징 벡터를 이용하여 선형예측계수(LPC)를 추출하고, 추출된 선형예측계수(LPC)를 자기 회귀 모델로 모델링하여 차수가 증가된 상기 Short-term 특징 벡터에 대한 새로운 특징 벡터를 생성한 뒤, LSP 파라미터로 변환하는 AR 모델링부; 상기 Short-term 특징 벡터, Long-term 특징 벡터 및 새로운 특징 벡터 중에서 인식률이 높은 상위 특징 벡터를 선택하는 특징 선택부;상기 선택된 상위 특징 벡터를 이용하여 음악의 분류 모델을 생성하는 모델 생성부; 및상기 분류 모델을 기반으로 입력된 테스트 음악의 장르 또는 무드를 분류하는 음악 분류부를 포함하며, 상기 Short-term 특징 벡터, Long-term 특징 벡터 및 새로운 특징 벡터는, MFCC(Mel-Frequency Cepstral Coefficient) 및 DFB(Decorrelated Filter Bank)를 포함하고, 상기 Short-term 특징 벡터는 Texture Window 기법을 이용하여 추출되는 음색에 대한 통계적 특징을 포함하되,상기 통계적 특징은 평균값 및 분산값을 포함하는 음악 분류 장치
|
2 |
2
삭제
|
3 |
3
삭제
|
4 |
4
제1항에 있어서,상기 Long-term 특징 벡터는,FMS(Feature-based Modulation Spectrum)를 이용하여 추출되는 FMSFM(Feature-based Modulation Spectral Flatness Measures) 및 FMSCM(Feature-based Modulation Spectral Crest Measures)를 포함하며,상기 FMSFM 및 FMSCM은 아래 수학식으로 정의되는 음악 분류 장치
|
5 |
5
제4항에 있어서,상기 FMS 및 상기 FMS의 평균은,아래 수학식으로 정의되는 음악 분류 장치:여기서, T는 총 Texture Window의 수이고, Xt(k,p)는 t번째 Texture Window내의 p번째 프레임의 Short-term 특징의 k번째 요소이고, Pi는 t번째 Texture Window내에 속한 프레임의 총수이고, M은 Modulation Fourier-transform의 크기이다
|
6 |
6
제1항에 있어서,상기 Long-term 특징 벡터는 통계적 특징을 포함하되,상기 통계적 특징은 평균값 및 분산값을 포함하는 음악 분류 장치
|
7 |
7
제1항에 있어서,상기 음악 분류부는,분류 대상이 되는 상기 테스트 음악이 입력되면, 상기 테스트 음악에 대하여 상기 상위 특징 벡터에 해당하는 특징 벡터를 추출하고, 상기 추출된 특징 벡터를 기초로 상기 분류 모델과 비교하여 상기 입력된 테스트 음악의 장르 또는 무드를 분류하는 음악 분류 장치
|
8 |
8
제1항에 있어서,상기 특징 선택부는,SVM(Support Vector Machine) ranker를 이용하여 상기 상위 특징 벡터를 선택하고,상기 음악 분류부는,One-against-one SVM(Support Vector Machine)를 이용하여 상기 테스트 음악의 장르 또는 무드를 분류하는 음악 분류 장치
|
9 |
9
음악 분류 장치를 이용한 음악 분류 방법에 있어서,입력된 음원의 음색 특징에 대한 Short-term 특징 벡터를 추출하는 단계;상기 Short-term 특징 벡터를 이용하여 Long-term 특징 벡터를 추출하는 단계;상기 추출된 Short-term 특징 벡터를 이용하여 선형예측계수(LPC)를 추출하는 단계;추출된 선형예측계수(LPC)를 자기 회귀 모델로 모델링하여 차수가 증가된 상기 Short-term 특징 벡터에 대한 새로운 특징 벡터를 생성하여 LSP 파라미터로 변환하는 단계; 상기 Short-term 특징 벡터, Long-term 특징 벡터 및 새로운 특징 벡터 중에서 인식률이 높은 상위 특징 벡터를 선택하는 단계; 및상기 선택된 상위 특징 벡터를 이용하여 음악의 분류 모델을 생성하는 단계;상기 분류 모델을 기반으로 입력된 테스트 음악의 장르 또는 무드를 분류하는 단계를 포함하며, 상기 Short-term 특징 벡터, Long-term 특징 벡터 및 새로운 특징 벡터는,MFCC(Mel-Frequency Cepstral Coefficient) 및 DFB(Decorrelated Filter Bank)를 포함하고, 상기 Short-term 특징 벡터는 Texture Window 기법을 이용하여 추출되는 음색에 대한 통계적 특징을 포함하되,상기 통계적 특징은 평균값 및 분산값을 포함하는 음악 분류 방법
|
10 |
10
삭제
|
11 |
11
삭제
|
12 |
12
제9항에 있어서,상기 Long-term 특징 벡터는,FMS(Feature-based Modulation Spectrum)를 이용하여 추출되는 FMSFM(Feature-based Modulation Spectral Flatness Measures) 및 FMSCM(Feature-based Modulation Spectral Crest Measures)를 포함하며,상기 FMSFM 및 FMSCM은 아래 수학식으로 정의되는 음악 분류 방법
|
13 |
13
제12항에 있어서,상기 FMS 및 상기 FMS의 평균은,아래 수학식으로 정의되는 음악 분류 방법:여기서, T는 총 Texture Window의 수이고, Xt(k,p)는 t번째 Texture Window내의 p번째 프레임의 Short-term 특징의 k번째 요소이고, Pi는 t번째 Texture Window내에 속한 프레임의 총수이고, M은 Modulation Fourier-transform의 크기이다
|
14 |
14
제9항에 있어서,상기 Long-term 특징 벡터는 통계적 특징을 포함하되,상기 통계적 특징은 평균값 및 분산값을 포함하는 음악 분류 방법
|
15 |
15
제9항에 있어서,상기 분류 모델을 기반으로 입력된 음악의 장르 또는 무드를 분류하는 단계는,분류 대상이 되는 상기 테스트 음악이 입력되면, 상기 테스트 음악에 대하여 상기 상위 특징 벡터에 해당하는 특징 벡터를 추출하는 단계; 및상기 추출된 상위 특징 벡터를 기초로 상기 분류 모델과 비교하여 상기 테스트 음악의 장르 또는 무드를 분류하는 단계를 포함하는 음악 분류 방법
|
16 |
16
제9항에 있어서,상기 인식률이 기준값보다 높은 특징을 선택하는 단계에서,SVM(Support Vector Machine) ranker를 이용하여 특징을 선택하고,상기 분류 모델을 기반으로 입력된 음악의 장르 또는 무드를 분류하는 단계에서,One-against-one SVM(Support Vector Machine)를 이용하여 상기 테스트 음악의 장르 또는 무드를 분류하는 음악 분류 방법
|
17 |
17
제9항에 있어서, 상기 추출된 Short-term 특징 벡터를 이용하여 선형예측계수(LPC)를 추출하는 단계는;레빈슨 알고리즘을 이용하여 상기 선형예측계수(LPC)를 추출하는 음악 분류 방법
|