第２５卷第８期 计算机技术与发展 ＣＯＭＰＵＴＥＲ ＴＥＣＨＮＯＬＯＧＹ ＡＮＤ ＤＥＶＥＬＯＰＭＥＮＴ ２０１５年８月 Ｖｏ１．２５ Ｎｏ．８ Ａｕｇ． ２０１５ 基于音乐内容和歌词的音乐情感分类研究 邵曦，陶凯云 （南京邮电大学通信与信息工程学院，江苏南京２１０００３） 摘要：针对音乐情感分类问题，为了弥补仅仅利用音乐内容进行音乐情感分类的单一模态分类方法的不足，文中提出了 结合音乐内容和歌词的多模态音乐情感分类的方法。主要探讨了如何利用歌词对音乐进行情感分类以及结合歌词和音 乐内容以达到提高分类准确率的效果。对歌词进行特征选择时，分别利用ＣＨＩ特征选择算法和潜在语义分析（ＬＳＡ）对歌 词进行降维处理，有效去除了噪声，提高了分类效率。针对多模态融合问题，在传统的ＬＦＳＭ融合方法的基础上，提出了改 进的ＬＦＳＭ融合方法，并通过实验验证了该方法的可行性；同时将该方法与其他传统的融合方法的分类效果进行了比较。 结果表明，改进的ＬＦＳＭ融合方法的分类准确率最高，达到了７９．５１％，验证了该方法的有效性。 关键词：音乐情感分类；ＣＨＩ特征选择；潜在语义分析；多模态融合 中图分类号：ＴＰ３９ 文献标识码：Ａ 文章编号：１６７３－６２９Ｘ（２０１５）０８－０１８４—０４ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３—６２９Ｘ．２０１５．０８．０３９ Ｒｅｓｅａｒｃｈ ｏｎ Ｍｕｓｉｃ Ｅｍｏｔｉｏｎ Ｃｌａｓｓｉｉｃａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｍｕｓｉｃ ｆＣｏｎｔｅｎｔ ａｎｄ Ｌｙｒｉｃｓ ＳＨＡＯ Ｘｉ，ＴＡＯ Ｋｍ－ｙｕｎ （Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｐｏｓｔｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｎａｎｊｉｎｇ ２１０００３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｍｕｓｉｃ ｅｍｏｔｉｏｎ ｃｌａｓｓｉｉｆｃａｔｉｏｎ，ａｎ￣ｐｒｏａｃｈ ｏｆ ｍｕｌｉ－ｍｏｄａｌｔ ｍｕｓｉｃ ｅｍｏｔｉｏｎ ｃａｔｅｇｏｒｙ ｃｏｍｂｉｎｉｎｇ ｍｕｓｉｃ ｃｏｎｔｅｎｔ ｎｄ ｌａｙｒｉｃｓ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｃｏｍｐｅｎｓａｔｅ ｆｏｒ ｌａｃｋ ｏｆ ｔｈｅ ｓｉｎｇｌｅ ｍｏｄａｌ ｍｕｓｉｃ ｅｍｏｔｉｏｎ ｃｌｓｓｉａｉｆｃａｔｉｏｎ ｍｅｔｈｏｄ ｔｈａｔ ｏｎｌｙ ｕｓｅｓ ｍｕｓｉｃ ｃｏｎｔｅｎｔ ｆｏｒ ｃｌａｓｓｉｉｆｃａｔｉｏｎ．Ｍａｉｎｌｙ ｄｉｓｃｕｓｓ ｈｏｗ ｔｏ ｕｓｅ ｌｙｒｉｃｓ ｆｏｒ ｍｕｓｉｃ ｅｍｏｔｉｏｎ ｃｌａｓｓｉｉｃａｔｆｉｏｎ ａｎｄ ｃｏｍｂｉｎｅ ｍｕｓｉｃ ｌｙｒｉｃｓ ａｎｄ ｃｏｎｔｅｎｔ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｃｌａｓ－ ｓｉｉｆｃａｔｉｏｎ ａｃｃｕｒａｃｙ．Ｕｓｉｎｇ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ＣＨＩ ａｎｄ ｑｕａｄｒａｔｉｃ ｄｉｍｅｎｓｉｏｎ ｒｅｄｕｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ Ｌａｔｅｎｔ Ｓｅｍａｎｔｉｃ Ａｎａｌｙｓｉｓ（ＬＳＡ）ｅｆｆｅｃｔｉｖｅｌｙ ｉｍｐｒｏｖｅｓ ｔｈｅ ｅｆｉｃｉｆｅｎｃｙ ｏｆ ｔｅｘｔ ｃｌａｓｓｉｉｆｃａｔｉｏｎ．Ｆｏｒ ｍｕｌｉｔ—ｍｏｄａｌ ｆｕｓｉｏｎ ｐｒｏｂ￣ｍ，ｐｒｏｐｏｓｅ ａｎ ｉｍｐｒｏｖｏｄ ＬＦＳＭ ｆｕｓｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｔｒａｄｉｉｔｏｎａｌ ＬＦＳＭ ｆｕｓｉｏｎ ｍｅｔｈｏｄ，ａｎｄ Ｖ鲥ｆｙ ｉｔｓ ｆｅａｓｉｂｉｌｉｔｙ ｔｈｒｏｕｇｈ ｓｏｍｅ ｅｘｐｅｆｉｍｅｍｓ ａｎｄ ｃｏｍｐａｒｅ ｔｈｅ ｉｍ— ｐｒｏｖｅｄ ＬＦＳＭ ｆｕｓｉｏｎ ｍｅｔｈｏｄ ｗｉｔｈ ｔｈｅ ｏｔｈｅ￣．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｉｍｐｒｏｖ￣ｍｅｔｈｏｄ ｉｓ ｈｉｇｈｅｓｔ，ｒｅａｃｈｉｎｇ ７９．５１％． ｔｈａｔ ｖｅｒｉｆｙ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｍｅｔｈｏｄ． Ｋｅｙ ｗｏｒｄｓ：ｍｕｓｉｃ ｅｍｏｔｉｏｎ ｃｌｓｓｉａｉｃａｔｆｉｏｎ；ＣＨＩ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ；ＬＳＡ；ｍｕｌｉ—ｍｏｄａｔｌ ｆｕｓｉｏｎ ０ 引 言 伴随着互联网技术的快速发展和普及，数字音乐 呈现出爆炸式的增长，使得用来处理音乐数据库的音 音乐的底层声学特征，然后应用机器学习来设别嵌入 在音乐信号中的情感。然而，这种单一模态的分类方 法的准确度往往不能令人满意，同时也满足不了实际 ＭＩＲ系统发展的需要 。通过进一步研究发现，除了 乐信息检索（Ｍ瓜）系统受到了越来越多的关注。越来 越多的人希望通过与音乐内容相关的信息来检索音 乐，例如基于流派、情感等高级语义的检索 。 音乐是情感的载体，情感是音乐的内涵和本质特 征 ，对音乐情感的自动识别是近年来ＭＩＲ系统研究 音乐本身，歌词作为音乐的补充，同样包含了丰富的情 感信息，对音乐的情感分类具有积极的影响。文献［４ —５］也表明，融合音频和歌词的情感分类效果在一定 程度上要优于基于单一音频特征或歌词特征的情感分 类效果。所以，文中研究了多模态的音乐情感分类，在 网络出版时间：２０１５—０７—２１ 的热点问题。音乐情感分类的一个典型方法就是提取 收稿日期：２０１４—０９—２８ 修回日期：２０１４—１２—３０ 基金项目：国家自然科学基金资助项目（６０９Ｏ２ｏ６５） 作者简介：邵曦（１９７６一），男，博士研究生，副教授，研究方向为多媒体信息系统与多媒体通信；陶凯云（１９９０一），女，硕士研究生，研究方向为 现代语音处理与通信技术。 网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／６１．１４５０．ＴＰ．２０１５０７２１．１４５３．０６２．ｈｔｍｌ 第８期 邵曦等：基于音乐内容和歌词的音乐情感分类研究 ・１８５・ 使用音乐内容的同时使用歌词对音乐进行情感分类， 确率。 并通过某种融合方法将两者结合起来以提高分类的准 多模态音乐情感分类的框架如图１所示。 分 类 结 果 图１ 多模态音乐情感分类框架图 包括２０维的Ｍｅｌ—Ｆｒｅｑｕｅｎｃｙ Ｃｅｐｓｔｒａｌ Ｃｏｅｆｆｉｃｉｅｎｔｓ １音乐情感模型 （ＭＦＣＣ），２１维的Ｐｅｒｃｅｐｔｕａｌ Ｌｉｎｅａｒ Ｐｒｅｄｉｃｔｉｖｅ（ＰＬＰ） 想要对音乐进行情感分类，首先需要了解音乐的 中频谱相关系数和９维的ＰＬＰ中倒谱相关系数。对 情感模型。目前比较有代表性的有Ｔｈａｙｅｒ情感模型 于每一维特征都要计算其均值和方差，这样每一个音 和Ｈｅｖｎｅｒ情感模型。 乐片段都可以由一个１００维的特征向量表示。 Ｔｈａｙｅｒ情感模型是一个如图２所示的二维情感模 （３）分类过程：使用分类器对特征向量进行处理， 型，它基于能量（ｅｎｅｒｇｙ）和压力（ｓｔｒｅｓｓ）两个维度 。 从而对音乐进行情感分类。 按照能量从平静到充满活力、压力从快乐到焦虑，可将 音乐分为焦虑、生机勃勃、沮丧、令人满足４类。 ３基于音乐歌词的情感分类 歌词是包含着丰富情感的文本，根据自然语言处 理技术，首先要对歌词进行预处理。预处理过程包括 去除停用词、将单词转化为词根等。然后进行文本建 模、特征提取、特征选择等等。 ３．１歌词的ＶＳＭ表示 为了方便计算机处理和理解歌词文本，需要对歌 词进行数字化表示。向量空间模型（ＶＳＭ）是由Ｇ Ｓａ１． 快乐 压力 焦虑 ｔｏｎ 等提出的一种文本表示方法，该模型的核心思想 Ｓｔｒｅｓｓ 是将每一篇文档映射为向量空间中的一个点。该方法 图２ Ｔｈａｙｅｒ二维情感模型 Ｈｅｖｎｅｒ情感模型是离散的情感模型，它将情感分 将文档表示成高维空间中的向量，每篇文档对应一个 向量，该向量中的每一维对应文档的每一个特征项。 为“神圣”、“悲伤”、“向往”、“抒情”、“轻盈”、“欢 假设有一个文本集，共包含ｎ篇文档，用到了ｍ个词， 快”、“热情”、“生机”８类，并且这８个类别根据其相 构造“词一文档”矩阵 ＝Ｉｘ ＝（ ， ，…， ）＝ ， 互关系构成了一个环形，故称为Ｈｅｖｎｅｒ情感环 （ ，ｔ ，…，ｆ ） 。其中， 表示特征词ｔ 在文档 中 模型 。 由于能量和压力这两个因素，可以较好地与声学 的权重，ｔ 和 分别代表特征词和文档的列向量。特 特征对应Ｉ】］，所以文中采用Ｔｈａｙｅｒ二维情感模型进行 征权重用于衡量特征词ｔ 在文本分类中区分能力的强 弱或者对分类的重要程度。文种采用词频一逆文档频 情感分类研究。 率（ＴＦ—ＩＤＦ）来计算特征词的权重。公式如下： Ｎ ｎ ２基于音乐内容的情感分类 ＴＦＩＤＦ ＝ ×１ｏｇ 』Ｖ・』 上， 基于音乐内容的情感分类过程主要分为三个 其中，ＴＦＩＤＦ 表示特征词ｔ 在文档ｄ，中所占的权 阶段： 重；Ｎ ，表示特征词 出现在文档ｄ，中的次数；Ｎ． 表 （１）预处理过程：将音频文件转化为统一的格式 示文档 中所有词的个数；Ｄ表示文档总数；Ｄ 表示 （ｗａｖ格式，采样频率１６ ｋＨｚ，单声道，时长３０ Ｓ）； 文本集中包含特征词ｔ 的文档数。 （２）声学特征提取过程：在这个过程中主要提取 ３．２ ＣＨＩ特征选择方法 一些描述音乐音色、节奏和音高的底层声学特征，主要 特征选择是为了解决文本分类中存在的两个主要 ・ｌ８６・ 计算机技术与发展 第２５卷 问题：特征空间的高维性和文本向量空间特征的稀疏 性；而ＣＨＩ特征选择方法是文本分类中比较常用的特 征选择方法。它度量特征词与类别之间的相关程度， 并假设特征词与类别之间的分布满足一阶的 分 布 。特征词对于某类别的ＣＨＩ统计值越大，说明它 与该类别之间的相关性越强。特征词ｔ对类别ｃ 的 ＣＨＩ统计值的计算方法定义为： （￡，ｃ ）＝ Ｎ×（ＡＤ—ＢＣ） （Ａ＋Ｂ）×（Ｃ＋Ｄ）×（Ａ＋Ｃ）×（Ｂ＋Ｄ） 其中，Ⅳ表示语料库中所有文本总数；Ａ表示属于 类ｃ 且包含特征词ｔ的文档总数；Ｂ表示不属于类ｃ 但包含特征词ｔ的文档总数；Ｃ表示属于类ｃ 但不包 含特征词ｔ的文档总数；Ｄ表示不属于类ｃ 且不包含 特征词ｔ的文档总数。 计算完每个特征词的ＣＨＩ统计值之后，将所有特 征词按照ＣＨＩ值从大到小排序，选取前ｋ个词作为特 征子集，“词一文档”矩阵 维数变为ｋ×ｎ维。 ３．３潜在语义分析 传统的ＶＳＭ假设词之间是相互独立的，它认为两 个文本的相似度仅取决于它们拥有的相同词的多少， 而忽略了上下文语境对词义的影响，从而产生所谓的 同义和多义的问题¨ ，进而影响分类精度。另外，经 过上述特征选择之后，虽然文本向量空间的维数得到 了一定的减少，但依然很高¨ ，这就需要进行第二次 降维处理，进一步减少噪声，提高分类精度。 为了解决上述问题，文中采用潜在语义分析 （ＬｓＡ）来进行二次降维。ＬＳＡ通过奇异值分解（ＳＶＤ） 将文档在高维ＶＳＭ中的表示，映射到低维的“概念” 空间，即潜在语义空间，使得原本稀疏的数据不再稀 疏，并呈现出一些潜在的语义结构，同时有效地缩小了 问题的规模 。 ＬＳＡ的具体过程如下所述： （１）对 做ＳＶＤ分解， ＝ ，其中ｕ， 是正 交矩阵， 是由 的奇异值组成的对角阵： ＝ｄｉａｇ（６１， ２，…，６ ）８ｌ≥８２≥…≥６，＞０ （２）取 中前Ｐ个最大的奇异值构成Ｐ×Ｐ的 。， 取Ｕ和 中前Ｐ列构成ｋ Ｐ的 和ｎ×Ｐ的 ，构建 的近似矩阵，即 ＝ ； （３）对于待分类文本，在经过预处理生成初始文 本向量ｄ之后，同样可以将ｄ投影到潜在语义空间。 具体计算公式为： ｄ ＝ｄ ４多模态融合 结合音乐内容和歌词的多模态的音乐情感分类方 法主要是通过结合音乐内容的情感分类结果和歌词的 情感分类结果，再重新确定音乐的情感类别。主要有 以下几种融合方法： （１）线性结合晚融合法（Ｌａｔｅ Ｆｕｓｉｏｎ ｂｙ Ｌｉｎｅａｒ Ｃｏｍｂｉｎａｔｉｏｎ，ＬＦＬＣ）。 ＬＦＬＣ方法¨ 是分别对音乐内容和歌词进行分 类，预测出每一类的概率，然后对概率进行线性叠加， 最后得出音乐的情感类别。参数 ∈［０．１】表示两 种模态各占的权重（ ＞０．５表示歌词占的比重大于 音乐内容）。例如，一首歌曲基于音乐内容和歌词的 情感预测值分别为｛０，０．１，０．５，０．４｝，｛０，０．１，０．７， ０．２｝，当０ｃ＝０．５时线性组合结果为｛０，０．１，０．６，０．３｝， 则最终被分为第３类。 （２）子任务结合晚融合法（Ｌａｔｅ Ｆｕｓｉｏｎ ｂｙ Ｓｕｂｔａｓｋ Ｍｅｒｇｉｎｇ，ＬＦＳＭ）。 ＬＦＳＭ方法¨ 是基于二维情感模型的融合方法， 它认为音乐内容在能量上有较好的区分度，而歌词在 压力上有较好的区分度 ，所以分别对音乐内容在 能量上分为平静和充满活力，对歌词在压力上分类快 乐和焦虑，然后结合二者的分类结果，得出最终分类 结果。 具体结合方法如表１所示。 表１ ＬＦＳＭ融合法 （３）改进的ＬＦＳＭ融合法。 文中在ＬＦＳＭ融合法的基础上，提出了改进的ＬＦ． ＳＭ融合法。认为音乐内容不仅在能量有良好的区分 度，它在压力上也有一定的区分度，但是在压力上的区 分度比在能量上的区分度相对较弱（假设１）；并且认 为歌词在压力上的区分度比音乐内容在压力上的区分 度相对较强，即在压力维度上，如果音乐内容和歌词的 判断不一致，则优先考虑歌词的判断（假设２）。 具体做法是先将音乐根据音乐内容分为焦虑、生 机勃勃、沮丧和令人满足４类，再根据歌词分为快乐和 焦虑两类，最后根据以上假设重新确定音乐的情感类 别。例如，一首歌曲根据音乐内容被分为生机勃勃 （快乐，活力），而根据歌词却被分为焦虑类，则根据假 设２将这首歌曲分为焦虑（焦虑，活力）。 具体结合方法如表２所示。 第８期 户 艳等：固体火箭发动机喷管的结构设计与性能仿真 ・１９３・ 的变形和应力在允许范围之内。文中给出的分析方法 和模型等具有通用性，对其他固体火箭发动机喷管设 计具有指导意义。 文中在研究固体火箭发动机球形接头柔性喷管 时，对问题进行了一定的简化，如：对发动机的燃烧室 进行了简化处理，没有考虑球形接头处的密封问题，没 ［６］ Ｚｅｂｂｉｃｈｅ Ｔ，Ｙｏｕｂｉ ｚ Ｅ．Ｓｕｐｅｒｓｏｎｉｃ ｔｗｏ—ｄｉｍｅｎｓｉｏｎａｌ ｍｉｎｉｍｕｍ ｌｅｎｇｔｈ ｎｏｚｚｌｅ ｄｅｓｉｇｎ ａｔ ｈｉｇｈ ｔｅｍｐｅｒａｔｕｒｅ：ａｐｐｌｉｃａｔｉｏｎ ｆｏｒ ａｉｒ ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ，２００７，２０（１）：２９—３９． ［７］尤军峰，校金友，张铎，等．固体火箭发动机延伸喷管展 开动力学分析［Ｊ］．推进技术，２００８，２９（１）：３７－４２． ［８］刘勇琼，汪亮．固体火箭发动机柔性喷管摆动机构的结 构可靠度分析［Ｊ］．推进技术，１９９７，ｌ８（４）：５１－５３． ［９］ 刘勇琼，尤军锋．固体火箭发动机柔性接头拉伸载荷下强 度分析［Ｊ］．航空动力学报，２００３，１８（２）：２６４－２６８． ［１０］Ｋｒａｉｋｏ Ａ Ｎ，Ｍｙｓｈｅｎｋｏｖ Ｅ Ｖ，Ｐ＇ｙａｎｋｏｖ Ｋ Ｓ，ｅｔ １ａ．Ｅｆｆｅｃｔ ｏｆｇａｓ ｎｏｎ－ｉｄｅａｌｉｔｙ ｏｎ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｌａｖａｌ ｎｏｚｚｌｅｓ ｗｉｔｈ ａｎ ａｂ— 有考虑新型的碳／碳复合材料。此外，实际情况中喷管 是运动的，动态状态下喷管性能和喷管的优化设计，需 要在以后的研究中深入探讨。 参考文献： ［１］陈汝训．固体火箭发动机设计与研究（下册）［Ｍ］．北京：宇 航出版社，１９９２． ｒｕｐｔ ｃｏｎｓｔｉｒｃｔｉｏｎ［Ｊ］．Ｆｌｕｉｄ Ｄｙｎａｍｉｃｓ，２００２，３７（５）：８３４— ８４６． ［１１ １ Ｒｉｏ—Ｃｉｄｏｎｃｈａ Ｍ Ｄ，Ｍａｒｔｌｎｅｚ—Ｐａｌａｅｉｏｓ Ｊ，Ｏ￣ｕＳｏ—Ｏｒｔｉｚ Ｆ． Ｔａｓｋ ａｎｔｏｍａｔｉｏｎ ｆｏｒ ｍｏｄｅｌｌｉｎｇ ｓｏｌｉｄｓ ｗｉｔｈ Ｃａｔｉａ Ｖ５『Ｊ］．Ａｉｒ－ ［２］ 王元友．固体火箭发动机设计［Ｍ］．北京：国防工业出版 社，１９８４． ｃｒａｆｔ Ｅｎｇｉｎｅｅｉｒｎｇ ａｎｄ Ａｅｏｓｒｐａｃｅ Ｔｅｃｈｎｏｌｏｇｙ，２０１０，７９（１）：５３ －［３］邢耀国，董可海，沈 伟，等．固体火箭发动机使用工程 ５９． ［Ｍ］．北京：国防工业出版社，２０１０． ［４］ 鲍福延，郭大庆，赵１７２． ［１２］Ｚｈａｎｇ Ｘｉａｏｙａ，Ｙｏｕ Ｊｕｎｆｅｎｇ，Ｚｈａｎｇ Ｄｕｏ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＡＤ— ＡＭＳ ａｎｄ ＡＮＳＹＳ ｔｏ ｍｅｃｈａｎｉｓｍ ａｎａｌｙｓｉｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｏｌｉｄ Ｒｏｃｋｅｔ Ｔｅｃｈｎｏｌｏｇｙ，２０１０，３３（２）：２０１—２０４． 飞，等．固体火箭发动机喷管集成设 计分析技术研究［Ｊ］．固体火箭技术，２００４，２７（３）：１６９— ［５］虞跨海，莫展，张亮，等．固体火箭发动机特型喷管造 ［１３］《导弹与航天丛书》编委会．固体火箭发动机设计与研究 ［Ｍ］．北京：宇航出版社，１９９３． 型设计与优化［Ｊ］．弹箭与制导学报，２０１２，３２（４）：１３７一 】３８． ［１４］Ｓｕｔｔｏｎ Ｇ Ｐ，Ｂｉｂｌａｒｚ Ｏ．火箭发动机基础［Ｍ］．洪炯，译．第７版．北京：科学出版社，２００３． 鑫，张宝 （上接第１８７页） 参考文献： ［１］刘怡，高弱．一种基于文本关键字模型的Ａｕｄｉｏ音乐 情感分类方法［Ｃ］／／第四届和谐人机环境联合学术会议 论文集．出版地不详：出版者不详，２００８：１－７． ［２］蒋盛益，李【３］甄霞，李碧，等．音乐情感自动分析研究［Ｊ］． ［８］Ｓａｌｔｏｎ Ｇ，Ｗｏｎｇ Ａ，Ｙａｕｇ Ｃ Ｓ．Ａ ｖｅｃｔｏｒ ｓｐａｃｅ ｍｏｄｅｌ ｆｏｒ ａｕｔｏ－ ｍａｔｉｃ ｉｎｄｅｘｉｎｇ［Ｊ］．Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｏｆ ｔｈｅ ＡＣＭ，１９７５，１８ （１１）：６１３—６２０． ［９］ 程一峰．基于ＴＦ—ＩＤＦ的音频和歌词特征融合模型的音乐 情感分析研究［Ｄ］．重庆：重庆大学，２０１２． ［１０］张玉峰，何超．基于潜在语义分析和ＨＳ－ＳＶＭ的文本分 计算机工程与设计，２０１０，３１（１８）：４１１２－４１１５． 超，宋 爽，许洁萍，等．多模态音乐流派分类研究 ［Ｊ］．计算机科学与探索，２０１１，５（１）：５０－５８． ［４］ Ｙａｎｇ Ｄａｎ，Ｌｅｅ Ｗ Ｓ．Ｍｕｓｉｃ ｅｍｏｔｉｏｎ ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ｆｒｏｍ ｌｙｒｉｃｓ 『Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １ｌｔｈ ＩＥＥＥ ｉｎｔｅｒｎａｔｉｏｎａｌ ｓｙｍｐｏｓｉｕｍ ｏｎ ｍｕｌ— ｔｉｍｅｄｉａ．Ｗａｓｈｉｎｇｔｏｎ Ｄ Ｃ，ＵＳＡ：ＩＥＥＥ Ｃｏｍｐｕｔｅｒ Ｓｏｃｉｅｔｙ， ２００９：６２４—６２９． 类模型研究［Ｊ］．情报理论与实践，２０１０，３３（７）：ｌｏ４—１０７． ［１１］熊小梅，刘永浪．基于ＬＳＡ的二次降维法在中文法律案情 文本分类中的应用［Ｊ］．电子测量技术，２００７，３０（１０）：１１１— １１４． ［１２］刘云峰．基于潜在语义分析的中文概念检索研究［Ｄ］．武 汉：华中科技大学，２００５． ［１３］Ｙａｎｇ Ｙｉｈｓｕａｎ，Ｌｉｎ Ｙｕｃｈｉｎｇ，Ｃｈｅｎｇ Ｈｅｎｇｔｚｅ，ｅｔ ａ１．Ｔｏｗａｒｄ ［５］Ｈｕ Ｘｉａｏ，Ｄｏｗｎｉｅ Ｊ Ｓ．Ｉｍｐｒｏｖｉｎｇ ｍｏｏｄ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｉｎ ｍｕｓｉｃ ｄｉｇｉｔａｌ ｌｉｂｒａｉｒｅｓ ｂｙ ｃｏｍｂｉｎｉｎｇ ｌｙｒｉｃｓ ａｎｄ ａｕｄｉｏ［Ｃ］／／Ｐｒｏｃ ｏｆ ｔｈｅ １０ｔｈ ａｎｎｕａｌ ｊｏｉｎｔ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｄｉｇｉｔａｌ ｌｉｂｒａｒｉｅｓ．Ｎｅｗ Ｙｏｒｋ。ＵＳＡ：ＡＣＭ Ｐｒｅｓｓ，２０１０：１５９—１６８． ｍｕｌｔｉ—ｍｏｄａｌ ｍｕｓｉｃ ｅｍｏｔｉｏｎ ｃｌａｓｓｉｉｆｃａｔｉｏｎ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇ ｏｆ ｐａｃｉｉｆｃ ｒｉｍ ｃｏｎｆｅｒｅｎｃｅ ｏｎ ｍｕｌｔｉｍｅｄｉａ．Ｔａｉｎａｎ，Ｔａｉｗａｎ：［Ｓ． ｎ．］，２００８：７０－７９． ［１４］Ｌｕ Ｌｉｅ，ｕｕ Ｄａｎ，Ｚｈａｎｇ Ｈｏｎｇｊｉａｎｇ．Ａｕｔｏｍａｔｉｃ ｍｏｏｄ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｔｒａｃｋｉｎｇ ｏｆ ｍｕｓｉｃ ａｕｄｉｏ ｓｉｇｎａｌｓ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ａｕｄｉ— Ｏ，Ｓｐｅｅｃｈ ａｎｄ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２００６，１４（１）：５—１８． ［６］Ｔａｙｌｏｒ Ｊ Ｇ，Ｆｅｌｌｅｎｚ Ｗ Ａ，Ｃｏｗｉｅ Ｒ，ｅｔ ａ１．Ｔｏｗａｒｄｓ ａ ｎｅｕｒａｌ— ｂａｓｅｄ ｔｈｅｏｒｙ ｏｆ ｅｍｏｔｉｏｎａｌ ｄｉｓｐｏｓｉｔｉｏｎｓ ｆ Ｃ］／／Ｐｒｏｅ ｏｆ ＩＭＡＣＳ ＩＥＥＥＣＳＣＣ’９９．［Ｓ．１｜］：［Ｓ．ｎ．］，１９９９． ［７］Ｈｅｖｎｅｒ Ｋ．Ｅｘｐｒｅｓｓｉｏｎ ｉｎ ｍｕｓｉｃ：ａ ｄｉｓｃｕｓｓｉｏｎ ｏｆ ｅｘｐｅｒｉｍｅｎｔｌａ ｓｔｕｄｉｅｓ ａｎｄｔｈｅｏｒｉｅｓ［Ｊ］．ＰｓｙｃｈｏｌｏｇｉｃｌＲｅｖｉａｅｗ，１９３５，４２：１８６— ２ｏ４． ［１５］Ｙａｎｇ Ｙ Ｈ，ｉｎ Ｙ Ｃ，ＳｕＬ Ｙ Ｆ，ｅｔ ａ１．Ａ ｒｅｇｒｅｓｓｉｏｎ ａｐｐｒｏａｃｈ ｔｏ ｍｕｓｉｃ ｅｍｏｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ａｕｄｉｏ，Ｓｐｅｅｃｈ ａｎｄ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２００８，１６（２）：４４８—４５７．