matlab代码影响-Musical-Instrument-Detection:EE320数字信号处理项目

  • e0_701450
    了解作者
  • 28.1MB
    文件大小
  • zip
    文件格式
  • 0
    收藏次数
  • VIP专享
    资源类型
  • 0
    下载次数
  • 2022-06-11 04:43
    上传日期
matlab代码影响音乐仪器检测 EE320数字信号处理项目 在这个项目中,我们提出了一个利用不同的时间和频谱特征来表征不同乐器家族的乐器的系统,这些乐器表征了特定乐器的“音色”。 研究了涵盖频谱和时间特性及其对音乐声音影响的许多特征,并设计了其提取算法。这些特征是从数据集中提取的,该数据集由558个样本组成,涵盖了10个管弦乐器的整个音高范围,铜管乐器和木管乐器家庭。 分类结果巩固了乐器音色唯一性对特征(尤其是光谱特征)的依赖性。 所考虑的三个系列中的每个系列,正确的乐器系列都可以达到〜96%的准确度,而该系列中的单个乐器则可以达到95%以上的准确性。 而且,利用了分级分类框架,使头脑保持音乐声音的分类性质。 项目网页: 项目框图: 各个分类器中使用的功能:- 基本分类器和黄铜分类器:- 光谱质心 过零 光谱滚动 光谱波峰 频谱减少 光谱平坦度 光谱偏度 光谱斜率 字符串分类器:- 光谱质心 基本频率 光谱质心方差 光谱波峰 光谱下降 光谱平坦度 光谱偏度 光谱斜率 木管乐器分类器:- 光谱质心 光谱波峰 光谱下降 光谱平坦度 光谱偏度 光谱斜率 基本频率 光谱质心的方差 MFCC
Musical-Instrument-Detection-master.zip
  • Musical-Instrument-Detection-master
  • classifier
  • string_classifier
  • weights.h5
    6.1MB
  • README.md
    1B
  • main.py
    2.1KB
  • brass_classifier
  • weights.h5
    6.1MB
  • README.md
    1B
  • main.py
    1.8KB
  • family_classifier
  • weights.h5
    6.1MB
  • README.md
    1B
  • main.py
    1.8KB
  • family_data_generator.py
    4.6KB
  • woodwind_classifier
  • weights.h5
    9.2MB
  • README.md
    1B
  • main.py
    2.1KB
  • dataset
  • string
  • data.pkl
    12.3KB
  • data_y.mat
    179B
  • README.md
    1B
  • data_x.mat
    11.6KB
  • familywise
  • data.pkl
    39.5KB
  • data_x_1.mat
    31.9KB
  • README.md
    1B
  • data_y_1.mat
    187B
  • woodwind
  • data.pkl
    1.1MB
  • data_y.mat
    183B
  • README.md
    1B
  • data_x.mat
    1.1MB
  • brass
  • data.pkl
    12KB
  • data_y.mat
    185B
  • README.md
    1B
  • data_x.mat
    10.8KB
  • README.md
    2.8KB
  • block diagram.png
    505.4KB
  • features
  • spectralslopekd.m
    531B
  • SpectralCentroid.m
    439B
  • mat_generator_10inst.m
    6.6KB
  • fft_radix2.m
    1.1KB
  • ZeroCrossingRate.m
    339B
  • mat_string_generator.m
    1.6KB
  • spectralcrestkd.m
    401B
  • README.md
    1B
  • FundamentalFrequency.m
    1.1KB
  • kdmfcc_edited.m
    8.6KB
  • VarianceSpectralCentroid.m
    920B
  • mat_woodwind_generator.m
    2.9KB
  • spectralflatnesskd.m
    442B
  • mat_brass_generator.m
    2.6KB
  • spectrogram_dsp.m
    681B
  • SpectralRollOff.m
    425B
  • spectraldecreasekd.m
    634B
  • spectralskewnesskd.m
    511B
  • dft_dsp.m
    323B
内容介绍
# Musical-Instrument-Detection ### EE320 Digital Signal Processing Project In this project, we present a system for classification of musical instruments belonging to different instrument families exploiting the various temporal and spectral features that characterize the "timbre" of a particular instrument. Many features covering both spectral and temporal properties and their influences on a musical sound was investigated, and their extraction algorithms were designed.The features were extracted from the dataset that consisted of 558 samples covering the full pitch ranges of 10 orchestral instruments from the string, brass and woodwind families. The classification results consolidated the dependence of an instrument's timbral uniqueness on the features, especially the spectral ones. The correct instrument family was recognized with ~96 % accuracy and individual instruments within the families with over 95 % accuracy for each of the three families considered. Also, a hierarchical classification framework is utilized keeping the mind the taxonomic nature of musical sounds. Project Webpage : [Musical Instrument Identification](https://k-priyadarshi.github.io/DSP-Project/) ### Block Diagram of Project: ![alt text](https://github.com/shubham-iitg-ece/Musical-Instrument-Detection/blob/master/block%20diagram.png "Musical Instrument Identification") ### Features used in individual classifiers:- #### Basic classifier and brass classifier:- 1. Spectral centroid 2. Zero crossing 3. Spectral rollof 4. Spectral Crest 5. Spectral Decrease 6. Spectral Flatness 7. Spectral Skewness 8. Spectral Slope #### String classifier:- 1. Spectral Centroid 2. Fundamental frequency 3. Spectral centroid variance 4. Spectral Crest 5. Spectral Decrease 6. Spectral Flatness 7. Spectral Skewness 8. Spectral Slope #### Woodwind classifier :- 1. Spectral Centroid 2. Spectral Crest 3. Spectral Decrease 4. Spectral Flatness 5. Spectral Skewness 6. Spectral Slope 7. Fundamental Frequency 8. Variance of Spectral Centroid 9. MFCC ### Summary As proposed in our approach, we were successfully able to build a two stage musical instrument detector. The various temporal and spectral features were successfully extracted using efficient algorithms, implemented in MATLAB. We were able to achieve decent test accuracy ( 96.42% for basic classifier, 100% for brass family , 96.7% for string family and 94.59% for the woodwind family). This shows that the features we had chosen for each of the classifiers based on the unique traits of each class were quite appropriate. We have also tried to ensure minimal use of inbuilt MATLAB functions and have written code to the features and supporting functions( like spectrogram, Radix 2 FFT,etc) too ourselves using the algorithms discussed in class (EE320- Digital Signal Processing).
评论
    相关推荐
    • haar分类器人脸检测MFC实现
      通过haar分类器做人脸检测,用圆圈标注出,MFC实现,里面有整个工程的代码,完全可以用的,还有使用文档方便大家使用。
    • mfc对话框实现属性页
      当一个基于对话框的程序中有相当多的控件时,你一定会想到使用属性页来将这些控件分类放置。本文针对这种方法来讨论几种可能实现的方案
    • MFC中MessageBox的用法
      MFC中MessageBox的用法 默认分类 2010-03-10 16:40:53 阅读1135 评论1字号:大中小 消息框是个很常用的控件,属性比较多,本文列出了它的一些常用方法,及指出了它的一些应用场合。1.MessageBox("这是一个最简单的...
    • MFC类库(分类TXT版)
      MFC常用类,每个类整理在一个TXT文档中。
    • MFC音频播放器
      基于MFC的一个音频播放器,包括歌曲的上传、搜索、分类,播放等一系列功能,学习起来也比较容易看懂。
    • adaboost弱分类器的mfc程序代码
      这个源码很好,是利用多个弱分类器组成一个强分类器,比如视频当中的人车分离可以用adaboost
    • 基于MFC的MediaPlayer媒体播放器
      本媒体播放器是基于MFC编写成的,拥有播放视频,音频,图片的功能。可以根据用户所设定的监控目录从中读取所有的媒体文件并解析它们,并将其分类显示,还可以按照特定的标签进行筛选和排序。另外,本播放器还可以...
    • mfc课程设计计算器
      计算器 简单易懂 有标准型 科学型 有分类注解 下载回去 只需看代码等着答辩就ok了!
    • MFC实现记账猫软件
      1) 为该程序设计一个美观大方的图标。 2) 程序界面设计合理,色彩得体大方...3) 根据日期记录每日的日常消费情况,并对其进行分类(如食品、日常用品、电器等)。 4) 自动按日期、日期段、消费类型统计日常的消费总数。
    • 分类器人脸检测并用MFC显示
      这个源代码原创,利用MFC编程,可以实现人头检测,通过分类器检测。如果运行有问题,可以联系我,我可以提供相应boost分类器。