用于民谣旋律分割与分类的符号音乐表示小波滤波
Wavelet-Filtering of Symbolic Music Representations for Folk Tune Segmentation and Classification
AI总结：
本研究提出利用 Haar 小波滤波对民谣符号表示进行分割与分类，通过小波系数局部极大值划分边界并结合 k 近邻分类，实验证明优化参数后其分类准确率优于基于格式塔的方法。
摘要：
本研究旨在评估一种机器学习方法，该方法利用 Haar 小波滤波将民谣的符号表示进行分割，并分类至旋律家族。该方法与先前提出的基于格式塔（Gestalt）的方法进行了比较。旋律被表示为离散的符号音高-时间信号。我们应用特定尺度下的 Haar 小波进行连续小波变换（CWT），获得旋律的滤波版本，以突出其在特定时间尺度上的信息。我们使用滤波后的信号进行表示和分割，利用小波系数的局部极大值指示局部边界，并基于标准向量度量（欧氏距离、街区距离）采用 k 近邻算法对片段进行分类，最后将结果与基于格式塔的分割方法及直接应用于音高信号的度量进行比较。我们发现，当时间尺度及其他参数经过优化时，在交叉验证评估中，基于小波的分割和音高信号的小波滤波能带来更高的分类准确率。
英文摘要：
The aim of this study is to evaluate a machine-learning method in which symbolic representations of folk songs are segmented and classified into tune families with Haar-wavelet filtering. The method is compared with previously proposed Gestalt-based method. Melodies are represented as discrete symbolic pitch-time signals. We apply the continuous wavelet transform (CWT) with the Haar wavelet at specific scales, obtaining filtered versions of melodies emphasizing their information at particular time-scales. We use the filtered signal for representation and segmentation, using the wavelet coefficients' local maxima to indicate local boundaries and classify segments by means of k-nearest neighbours based on standard vector-metrics (Euclidean, cityblock), and compare the results to a Gestalt-based segmentation method and metrics applied directly to the pitch signal. We found that the wavelet based segmentation and wavelet-filtering of the pitch signal lead to better classification accuracy in cross-validated evaluation when the time-scale and other parameters are optimized.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
