下载文档原格式
器乐演奏音质的评价依据针对器乐演奏音质的评价，我们需要从多个方面进行考虑。
以下是一些常见的评价指标：1. 技术水平器乐演奏的技术水平是评价音乐家的重要指标。
技术水平高的音乐家可以演奏更复杂、更具挑战性的曲目，同时可以更加自如地掌控音乐的表达和演绎。
技术水平包括音准、节奏、各种技巧（如滑音、颤音、泛音等）等方面。
同时，技术水平也和演奏的音质密切相关。
2. 音色质量音色质量是评价演奏音乐的重要标准之一。
优秀的演奏家通常能够发挥出丰富、柔美、饱满、富有特色的音色。
音色具体表现为高音、中音、低音的音色特性，比如明亮、温暖、低沉等，同时还包括乐器个性化的表现。
3. 音量管理音量的大小和调整是音乐表现的重要组成部分。
优秀的演奏家可以随时按照曲目的音乐表达要求来调整演奏的音量，从而表现出音乐中的强、弱、高潮等情感，完美地演绎曲目中的音乐形式。
4. 情感表达演奏家的情感表达能力是评价音乐演奏的重要标准之一。
一个好的演奏家能够通过演奏表达出悲欢离合、喜怒哀乐等各种情感，使得音乐更加深入人心，更加生动，更加富有感染力。
5. 合作配合在合奏情况下，各个乐器之间需要协同配合，才能让整个乐队的表现达到更好的水平。
一位优秀的演奏家需要能够根据其他乐器的演奏情况来调整自己的节奏和音量，保持好与其他乐器之间的配合。
总结来说，演奏音质的评价要从多个方面进行考虑，比如技术水平、音色质量、音量管理、情感表达和合作配合等方面。
不同的评价指标也各有侧重，其中任何一项出色都可以给人留下深刻的印象。
而在所有的需要张扬情感和人性的艺术形式中，音乐演奏恰恰是最有感染力和意义的，也是需要细致的听闻和分辨的。
乐器演奏中的音乐欣赏与评价标准在乐器演奏中，音乐欣赏和评价标准是评判演奏质量的重要依据。
音乐欣赏是指对演奏作品进行审美体验与感受，而评价标准则是根据音乐的特点和表现力，对演奏进行评估和比较。
本文将从音准、技术与表现力、音色与音响、音乐理解力等方面介绍乐器演奏中的音乐欣赏与评价标准。
一、音准音准是乐器演奏中最基本的要求之一。
指演奏者在演奏过程中所发出的音的高低是否精确地符合乐曲的要求。
音准的好坏直接关系到乐曲的整体协调性与感染力。
对于乐器演奏者来说，他们需要保持准确的音高，避免音的偏差，尽可能贴合乐曲的音律要求。
二、技术与表现力技术与表现力是乐器演奏中的关键要素。
技术包括手指灵活性、音乐记忆力、演奏速度等方面，而表现力则是指演奏者通过技术手段将音乐的情感和意境传递给听众。
乐器演奏者需要具备扎实的技术基础，能够准确地控制乐器，使音乐表现得淋漓尽致。
三、音色与音响音色与音响是乐器演奏中的重要考量因素。
乐器的音色是指演奏时发出的声音的特质和色彩，而音响则是指演奏时声音的音质与韵律感。
音色与音响的好坏直接关系到演奏的艺术效果。
乐器演奏者需要通过乐器掌握不同音色的切换和调整，并在演奏过程中合理控制音量、音色的变化，使音乐更加丰富、生动。
四、音乐理解力音乐理解力是指演奏者对乐曲的理解和诠释能力。
乐器演奏者需要通过对乐曲的分析与研究，准确地理解音乐的结构、节奏与动机等特征，才能在演奏中传达出乐曲本身所表达的情感和意义。
乐器演奏者需要通过对音乐的感悟，将自己对乐曲的理解与听众进行共鸣。
综上所述，乐器演奏中的音乐欣赏与评价标准涉及音准、技术与表现力、音色与音响以及音乐理解力等多个方面。
作为乐器演奏者，他们需要不断提高自身的专业水平，努力在各个方面追求完美，以提供高质量的音乐演奏作品。
同时，作为观众或听众，我们也应积极学习音乐欣赏知识，加深对乐器演奏的理解与欣赏，更好地品味音乐的美妙与魅力。
只有全面理解音乐欣赏与评价标准，我们才能更好地欣赏和评价乐器演奏的作品，同时也促进了乐器演奏艺术的发展与进步。
乐器演奏中的音色与音质塑造音色和音质在乐器演奏中起着至关重要的作用。
它们能够使音乐作品更加丰富多彩，催人奋进。
本文将探讨乐器演奏中音色和音质的定义、塑造方法以及其在音乐表达中的重要性。
一、音色与音质的定义音色是指乐器发出的独特音响特点。
不同乐器的音色各异，如小提琴的悠扬、钢琴的宏伟、吉他的清亮等。
除了乐器本身的特点外，演奏者的技巧和音乐风格也能够影响音色的表达。
音质是指音乐声音中所包含的音频特征。
它与音色不同之处在于，音质更加细微，能够刻画出音乐中的细节变化。
良好的音质具有清晰、纯净、均衡等特点，能够提高音乐的表现力和感染力。
二、音色和音质的塑造方法1.演奏技巧的运用演奏者通过掌握合适的演奏技巧，能够有效地塑造音色和音质。
例如，对于弦乐器演奏者而言，在弓法的运用中可以通过改变弓压、弓速和弓点来改变音色的明暗、柔和与饱满程度。
对于键盘乐器演奏者而言，通过手指的力度控制和按键速度的变化，可以塑造出不同的音质效果。
2.使用不同的演奏工具和配件演奏者可以通过选择不同的乐器、设备和配件，来改变音色和音质的效果。
例如，吉他演奏者可以使用不同的吉他型号和品牌，以及不同的吉他拾音器来获得不同的音色。
对于打击乐器演奏者而言，不同材质和规格的乐器敲击面会产生不同的音质效果。
3.艺术家的演绎和表达音色和音质的塑造离不开演奏者的艺术家气质和表演技巧。
演奏者通过对音乐作品的理解和感受，采用个人独特的演绎方式来塑造音色和音质。
他们可以通过加强或减弱音符的力度、延长或缩短音符的持续时间等手法，来突出音乐中的重点和情感变化。
三、音色和音质在音乐表达中的重要性1.丰富音乐的层次与情感表达音色和音质能够为音乐作品增添丰富的层次和纹理。
通过运用不同的音色和音质，演奏者能够在音乐中表达出各种情感，如悲伤、喜悦、怒气等。
这种丰富的情感表达，使得音乐更加生动、感人，能够产生深远的艺术共鸣。
2.提升音乐的艺术价值和审美效果音色和音质的塑造能够使音乐作品具有更高的艺术价值和审美效果。
竹笛的声场仿真及声品质分析本文在分析国内外竹笛研究现状的基础上,通过理论研究、声学有限元数值仿真模拟及实验手段,研究竹笛振动以及声学的一些关键性问题,揭示竹笛的振动机理和材料参数对竹笛声学品质的影响,探索从客观的物理角度改善和评判竹笛声品质的方法,为竹笛的制造和音质的改善提供科学的参考。
竹笛的腔体与笛塞之间的相互作用机理非常复杂,形成一个复杂的振动系统。
本文在分析竹笛内部声波的运动、传统的振动模型以及现代振动理论的基础上,提出了竹笛的声学有限元模型。
该模型考虑了竹笛发生时声波的振动与竹笛本身的声振耦合作用,从而比较真实的体现了竹笛的发音过程。
为了深入研究竹笛的发音机理,本文利用实验技术对竹笛的发音进行了深入实验研究。
通过测量竹笛不同频率下的声场,研究和验证了竹笛吹奏展现出的声音的品质,为建立竹笛的声学有限元模型提供了实验支持。
实验所用的竹笛在频率响应中1-2k Hz频率范围内的音准对竹笛的动态频率响应和声学品质有很大影响。
本文首先通理论研究,确定了竹笛的声学有限元模型,之后依靠声学有限元仿真分析了频率响动态范围以及频域特征对整个竹笛声学品质的影响。
为了验证理论与声学有限元仿真的结果,本文基于LMS的实验装置,测量竹笛吹奏时的各个音调的频谱特征。
该实验装置为实验研究真实竹笛的声学品质提供了更加精确和实用的测量手段。
实验结果验证了声学有限元仿真的结果。
本文通过几何建模和声学有限元仿真,分析了竹笛的频率响应,探究了竹笛的材料参数对竹笛振动特性的影响。
本文的最后根据以上对竹笛的发音测量以及声学有限元仿真的结果,进一步通过MATLAB软件分析了竹笛材料参数改变之后的振动以及通过频谱图分析了材料的变化对竹笛声学品质的影响。
提出了改善竹笛声学品质的方法和途径。
本文从理论意义和实际应用的角度,介绍了竹笛研究的历史和现状,从流体力学角度研究竹笛的发音机制,旨在揭示竹笛的理论发音机理与实际发音效果之间的关系,探索从实际出发的科学角度评价竹笛的声学品质的方法。
musical skill 音乐技术木管五重奏音色及音准问题的研究殷 翔（青岛大学音乐学院，山东 青岛 266000）【摘要】木管五重奏在如今多元化的艺术世界中并不新鲜，在室内乐中证据了重要的位置。
这众多的音乐学府，交响乐团都能听到专业的木管五重奏，无论从音乐细节还是整体风格以及曲目变换，都为观众带来了听觉和视觉的双重刺激，众多的新鲜曲目也在不断的丰富木管五重奏这一组合形式。
本文从木管五重奏的音色特点入手，分析其音准要求，最后阐述木管五重奏的训练要点，希望本文的研究对相关工作有所裨益。
【关键词】木管五重奏；音色；音准；训练【中图分类号】J622 【文献标识码】A前言木管五重奏是指长笛、双簧管、单簧管、巴松、圆号五种管乐器组合在一起演奏的音乐形式，在十八世纪末到十九世纪初的古典乐派鼎盛时期出现，不过当时并没有受到重视，到二十世纪初期，木管器乐的制造技术提升，乐器的音色有了较大改观，木管五重奏重新得到了作曲家，观众也日益接受了这种全新的演奏形式，得到了人们的青睐。
木管五重奏除了要求演奏者具备精湛的专业素养、听力和乐感之外，也要求声部之间的合作能力。
一、木管五重奏的音色特点木管五重奏所包含的五种乐器本身的材质、构造、演奏技巧都不相同，这就导致了每一件乐器都有其各自的特点，五种乐器融合在一起，呈现出多样化的音色，各种个性音色相互交织，通过演奏家们的精准配合，确保了良好的音色状态，也创造出了和谐的乐曲。
（一）木管五重奏乐器的单一音色特点木管五重奏是指长笛、双簧管、单簧管、巴松、圆号五种管乐器，其中长笛的音色清澈、透亮，音乐特色较为活泼，具有花腔女高音之称，高音可以表现轻快的音乐，而低音也能展现出忧郁的内涵。
双簧管的音色响亮、华丽，具有强烈的歌唱色彩，能够表现出田园风光，具有抒情女高音之称。
单簧管的音色丰满、柔和、神秘，快奏时活泼，慢奏时优美，在低音区富有戏剧性，具有喜剧女高音之称。
巴松的音色庄严、忧伤，也可以表现出一些诙谐丑角形象，断奏幽默调皮。
初二年级乐器学习的多元评估方式在一所充满活力的初二年级教室里，乐器学习如同一场交响乐的排练，每个音符都在期待着被完美演绎。
然而，如何有效评估学生的乐器学习进展，成为了教师们的一项重要任务。
传统的考试方式往往无法全面反映学生的实际能力和发展需求，因此，多元评估方式应运而生，犹如一把钥匙，开启了乐器学习评估的新篇章。
首先，观察性评估是一种非常有效的方式。
教师在课堂上，像一位耐心的指挥，细致入微地观察每位学生的表现。
在练习过程中，学生们的手指在琴键上跳跃，乐器的声音宛如涓涓细流，教师通过观察，记录下每个学生的技巧掌握情况、演奏时的情感表达，以及对乐曲的理解。
这种评估不仅关注技术层面的达成，更重视学生在表演中所展现出的创造力和自信心。
通过这样的方式，教师能够及时发现问题并给予指导，帮助学生在音乐的世界中茁壮成长。
其次，学生自我评估也是一种重要的多元评估方式。
在乐器学习的旅程中，学生们如同探险者，面对着未知的领域。
当他们在镜子前或录音设备前回顾自己的演奏时，能更清晰地认识到自己的优点与不足。
自我评估能够培养学生的反思能力，让他们学会如何设定目标，制定改进计划。
教师可以引导学生填写自评表，询问他们对自己演奏的感受，鼓励他们用语言表达出对音乐的理解与热爱。
这不仅有助于提升学生的自主学习能力，也让他们在不断的自我探索中，找到属于自己的音乐道路。
除了观察和自评，学生之间的互评也是一种有效的评估方式。
课堂上，学生们如同互助的小伙伴，相互分享各自的演奏经验。
在小组活动中，学生们可以聆听彼此的演奏，并给出建设性的反馈。
这种评估不仅增强了学生之间的合作意识和沟通能力，也让他们在讨论中增进了对乐器的理解与欣赏。
通过互评，学生们能够从不同的视角看待音乐，发现自己未曾察觉的细节，进而促进自身的成长。
再者，项目式评估在乐器学习中也占据着重要的位置。
学生们可以围绕某一主题，进行深入的研究与实践。
例如，他们可以选择一个特定的音乐风格，进行相关乐器的学习和演奏，并最终以小组表演的形式展现成果。
基于多特征融合的乐器声品质评价方法研究陈燕文; 李坤; 韩焱; 王燕平【期刊名称】《《测试技术学报》》【年(卷),期】2019(033)005【总页数】7页(P421-427)【关键词】乐器声品质; 主观评价; 相关系数; MFCC; 常数Q变换; 多特征融合; BP 神经网络【作者】陈燕文; 李坤; 韩焱; 王燕平【作者单位】中北大学信息探测与处理山西省重点实验室山西太原 030051; 中北大学艺术学院山西太原 030051【正文语种】中文【中图分类】TP3910 引言中国传统音乐是世界音乐史中璀璨的一部分，蕴含着丰富的历史、文化和民间传统资源，是民族历史的积淀和思想意识的结晶，是活着的传统.然而随着现在快速文化的涌入和影响，许多传统音乐正在逐渐消失，特别在民族乐器的传承与发展上严重不足.研究乐器声品质有助于民族乐器的传承与发展，对于乐器质量的改良起到至关重要的作用，对乐器购买者亦具有很好的指导意义[1].目前，研究乐器声品质主要集中在乐器结构及其物理特性，如：材质、力学、尺寸大小和共振特性等[2-5].文献[6]从乐器选材、制作工艺上，对二胡声品质进行客观评价和鉴赏；文献[7-9]从主观听感上对乐器声品质进行评价研究.在音乐声学领域，对乐器质量进行客观测量评价是一项艰巨的任务[10].李子晋在主观评价与客观量分析之间建立了联系，并阐述了建立主客观评价方法的重要性[11]；徐茂滨和田英志研究出分析二胡乐音的客观声音指标(主观与客观评价之间的桥梁)，并通过客观测量来评估二胡乐音特性[12].国内外关于乐器声品质评价研究多数集中在西洋乐器，民族乐器少之又少；评价研究主要是从乐器的结构以及物理特性出发，忽略了乐音本身的重要性.考虑到客观评价测量复杂，且不易准确实现，结合人工神经网络(Artificial Neural Networks，ANN)具有模仿人类大脑行为特征的功能，本文提出一种基于多特征融合的乐器声品质评价方法.通过主观评价法[13-15]获得乐器琵琶的声品质评价结果，并建立具有主观评价的乐音信号库；提取乐音信号的相关系数(Correlation Coefficient，CC)[16]、常数Q变换 (Constant Q Transform，CQT)[17-19]和梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficients，MFCC)[20,21]，将单一特征以及多特征融合后通过基于BP神经网络[22]的乐器声品质评价模型，实现乐器声品质评价.实验结果表明，利用乐音信号的多特征融合[23]以及评价模型进行乐器声品质主观评价预测，取得了很好的效果.1 建立主观评价的乐音信号库乐器声品质评价方法研究建立在主观评价基础上，具有主观评价的乐音信号库是实验研究的样本.1.1 主观评价法主观评价法流程如图1所示.具体过程要求为：1) 乐器选择：选用不同价位、不同品质的6把琵琶作为主观评价与乐音信号采集的对象.图1 主观评价法流程框图Fig.1 Process block diagram of subjective evaluation method2) 评价环境选择：由于评价环境的声学特性对于乐器声品质的听辨具有直接的影响.理想选择是在消音室内进行，但实际条件不允许，于是选择带有吸音材料的音乐厅进行.3) 确定评价成员：评价成员必须具备较为深厚的音乐素养，熟悉所评价乐器的音响以及相关的评价项目，并能够较为客观、全面地进行评价.评价成员由5名琵琶专业教师组成，且保证评价员在听审时的身体与情绪状态均为正常.4) 选择演奏人员：演奏人员对乐器实施的演奏行为会直接影响乐器声品质的结果，即使是同一种技术操作，其运用与把握的程度也会导致评价结果产生较大的差异.因此，选用演奏技术娴熟的专业教师一名，且保证演奏员在演奏时的身体与情绪状态均为正常，全部演奏由同一个人完成.5) 选定评价曲目：以全面反映乐器声学品质为原则，由评价成员与演奏人员共同选定包含低中高音区的曲目《金蛇狂舞》.采用5分评分制，最终获得的评价结果如表1所示.表1 主观评价结果Tab.1 Result of subjective evaluation琵琶编号1号2号3号4号5号6号主观评价均值4.423.543.924.244.484.451.2 构建乐音信号库为了获取不同位置的乐音信息，搭建8路音频信号采集系统，采用8个高保真的拾音器，连接到计算机采集设备上.为了避免声波产生空间混叠现象，拾音器线性采集阵列间距应满足空间采样定理[24](1)式中：fmax为演奏出的乐音最大频率值，选取阵元间距d=20 cm.为了满足采样频率不低于44.1 kHz[25]的要求，选用56.25 kHz.每个乐音音频文件采集时间为30 s，录制评价曲目中音域跨度广的一小段，每把琵琶进行3次主观评价与采集.8路均匀线性采集阵列如图2所示，建立乐音信号库的具体原理过程如图3所示.乐音信号库包含144个音频文件.图2 8通道均匀线性采集阵列Fig.2 8-channel uniform linear acquisition array 图3 乐音信号库构建原理流程框图Fig.3 Schematic flow chart of constructing music signal library2 乐音信号的特征提取音频信号的特征提取参数有两点需要满足：① 不同特征参数之间能有效地区分开，且具备相对稳定性，不随时间与空间的变换发生实质性的变化；② 提取的特征参数应该尽可能全面，准确地反映音频信号的特性.乐音信号的特征包含时域、频域和倒频域3种域特征，时域特征有短时能量(Short-term Energy，STE)、相关系数(CC)等；频域特征有短时傅里叶变换(Short-time Fourier Transform，STFT)、常数Q变换(CQT)等；倒频域特征有线性预测倒谱系数(Linear Prediction Cepstrum Coefficients，LPCC)、Mel频率倒谱系数(MFCC)等.为了尽可能全面、充分地获取乐音信号中的谱特征信息以及声场分布信息，本文选取时域中的相关系数(CC)、频域中的常数Q变换(CQT)和倒频域中的Mel频率倒谱系数(MFCC)作为特征提取.2.1 相关系数(CC)采集阵列中的阵元分布在声场的不同方位，故可以模拟不同位置的主观评价员.对声场中的不同采集信号做时域的相关分析，可以研究声场不同位置的相似度以及探究出声场的分布状态.互相关的物理意义是表示两个时间序列之间的相关系数，即表示两组不同随机信号之间的相关程度.两个随机信号的互相关函数定义为R12=f1(t)f2(t+τ)dt.(2)将乐音信号库中的8个一组的音频文件(即8通道信号)两两求取相关系数，获得一个8*8的相关系数矩阵，并进一步提取矩阵特征值作为评价系统的时域特征.2.2 常数Q变换(CQT)CQT使音乐信号在12平均律的频点进行分解，体现了音乐信号频率分布规律，而短时傅里叶变换(STFT)并不能体现这种规律.有限长序列的CQT变换为(3)式中：wNk(n)是长度为Nk的窗函数(选用汉明窗)；Q是CQT变换中的常数因子；k是CQT谱的频率序号；Nk的值与k值有关.Q=1/(21/b-1),(4)式中：b是一个8度内包含的频率谱线数.K=,(5)式中：·表示向正方向取整.fk=fmin×2k/b,k=0,1,…,K-1,(6)Nk=,k=0,1,…,K-1.(7)特征提取过程中，取b=12，fmin=27.5，fmax=4 186，fs=56.25 kHz.获得乐音信号的CQT谱如图4所示.CQT变换，在低频部分频率分辨率高，在高频部分时间分辨率高.CQT谱信息保存在一个分音矩阵XCQT(k,n)中，其中，k=1,2,…,K为频点序号；n=1,2,…,N为帧序号.图4 乐音信号与CQT特征曲线Fig.4 Music signal and feature curve of CQT 2.3 梅尔频率倒谱系数(MFCC)MFCC是基于人类听觉的非线性特性提出的一种特征提取方法，它比线性预测倒谱系数(LPCC)更符合人耳的听觉特征，可以更好地表征音符信号特性.Mel频率与线性频率的转换关系为fmel=2 595log10(1+f/700),或fmel=1 125ln(1+f/700),(8)式中：fmel是以Mel为单位的感知频率，f是以Hz为单位的实际频率.通过观察分析如图5所示的Mel频率与线性频率对应关系曲线及Mel滤波器组频率响应曲线，可知Mel频率与线性频率是非线性关系，Mel滤波器在低频区域分布比较密集.图5 Mel频率与线性频率对应关系曲线及Mel滤波器组频率响应曲线Fig.5 Correspondence curve of Mel frequency and linear frequency and Frequency response curve of Mel filter bankMFCC特征参数提取原理如图6所示.图6 MFCC特征参数提取原理框图Fig.6 Block diagram of MFCC feature parameter extraction具体过程为：1) 原始乐音信号x(n)经过分帧、加窗处理得到单帧的短时信号xw(i,n).分帧的目的是能把较短的单帧作为稳态信号处理，使帧间参数平稳过度，帧长wlen=1 024，帧移inc=512；加窗的目的是减少频域的泄漏，并采用汉明窗.2) 快速傅里叶变换(FFT)X(i,k)=FFT[xi(m)].(9)3) 计算每帧谱线能量E(i,k)=[X(i,k)]2.(10)4) 计算通过Mel滤波器的能量(11)式中：i为第i帧；k为频域中第k条谱线.5) 将Mel滤波器的能量取对数后计算DCT(12)式中：m是指第m个Mel滤波器(共有M=24个)，i是指第i帧，是离散余弦变换(DCT)后的谱线.提取的MFCC特征如图7所示.图7 乐音信号与MFCC特征曲线Fig.7 Music signal and feature curve of MFCC2.4 多特征融合方法由于各特征之间的性质不同，且具有不同的量纲和数量级.为了消除数值大小对于分析结果的影响，需进行去量纲与数量级处理.因此，为了保证实验结果的可靠性，多特征融合前需对各个特征数据进行标准化处理.采用Min-Max标准化处理(13)式中：min为各特征数据中的最小值；max为各特征数据中的最大值.多特征融合采用首尾相接，即串联的方式，把提取得到的3个特征进行组合，形成融合特征.3 基于BP神经网络的乐器声品质评价模型3.1 建模基本思想乐器声品质评价方法的研究最终目标是替代实现人的主观感受，尽可能取代主观评价，实现人工智能化.运用人工神经网络(ANN)具有模仿人类大脑行为特征的功能，采用BP神经网络进行建模分析，构建了基于BP神经网络的乐器声品质评价模型，其基本思想如图8所示.建立具有主观评价的乐音信号库，信号库中包含待训练的样本、测试样本以及验证样本.提取乐音信号的时域、频域和倒频域3种域中比较具有代表性、更贴近人耳感知的特征(CC，CQT和MFCC)，作为特征参数进入评价模型学习与训练，得出最优预测评价结果.图8 建模基本思想框图Fig.8 Basic idea block diagram of building a model 3.2 BP神经网络BP神经网络是运用最广的神经网络之一，具有很好的非线性映射能力以及自学习能力，主要运用于函数逼近、模式识别、数据压缩和数据预测等方面.BP神经网络是由Rumelhart与McCelland为首的科学家小组提出的多层前馈神经网络，它是一种机器学习方法，能够对训练样本特性产生特定的记忆，并对测试样本进行预测.采用误差反向传播(Back Propagation)算法进行有监督的学习，根据预测误差不断调整网络权值和阈值，从而使网络预测输出与期望输出达到一致.BP神经网络由输入层、隐含层和输出层构成，隐含层包含单层和多层.3.3 乐器声品质评价模型根据上述建模思想的分析，构建乐器声品质评价模型的结构如图9所示.输入层神经元个数根据输入特征维数而定，根据经验以及多次试验确定最优隐层层数及其各层神经元个数，预测评价结果作为BP神经网络的输出.图9 BP神经网络评价模型结构Fig.9 Structure of BP neural network evaluation model4 实验与结果4.1 实验仿真初步实验，采用融合特征(MFCC+CQT+CC)作为特征参数输入网络进行学习和训练.实验中，将主观评价结果作为期望值监督网络学习与训练；在144组样本中，110组作为训练样本，24组作为测试样本，10组作为验证样本.根据样本和网络结构特点，隐层传递函数均采用logsig，输出层传递函数采用purelin，网络训练函数采用trainlm，学习算法采用Levenberg-Marquardt算法.通过多次试验对比，调整网络参数，得到最优网络参数配置.为了进一步验证采用融合特征(MFCC+CQT+CC)作为特征参数输入到BP神经网络是最佳的特征融合方式，进行了对比实验，采用单一特征和不同组合特征以及改变样本数进行探究实验.4.2 结果分析初步实验中，得到的结果如图10所示.从图10 中可知，预测输出值与期望输出值非常相近，有个别样本预测不是很理想，但总体上预测效果很好.测试样本的平均准确率为99.68%，验证样本的平均准确率也达到了99.49%.图10 BP神经网络预测输出与误差曲线Fig.10 Curve of BP neural network predictive output and error进一步探究实验获得的结果如表2 和图11所示.图11 不同训练样本数的平均准确率曲线Fig.11 Average accuracy curve for different training samples从表2 和图11 可知，平均准确率随着训练样本数的增加呈现上升趋势，且样本数达到50组以后，组合特征(MFCC+CQT+CC)的预测效果都强于其他几种特征组合；从整体上看，单一特征MFCC以及它的组合特征(MFCC+CC)预测效果不佳. 表2 不同训练样本数的平均准确率Tab.2 Average accuracy of different training samples特征输入平均准确率/%10组样本30组样本50组样本70组样本90组样本110组样本MFCC91.6395.0995.4895.6494.9295.70CQT92.5797.3396.8197.8198.4198.50 MFCC+CQT96.1696.1097.2497.2198.6899.14MFCC+CC94.7995.7095.0996.1 196.1596.72CQT+CC92.1697.2597.7798.0698.5598.82MFCC+CQT+CC94.61 94.7897.8998.7099.3699.685 结束语通过建立具有主观评价的乐音信号库作为实验对象，提取乐音信号的CC,CQT和MFCC特征，作为特征参数输入到基于BP神经网路的乐器声品质评价系统.单一特征MFCC和CQT以及其他4种组合特征分别进行实验.实验结果表明：融合特征(MFCC+CQT+CC)获得的预测评价效果最好，最大程度地表征了琵琶声品质特征；该乐器声品质评价方法可行.虽然取得了比较好的结果，但是该研究方法的普适性还有待于进一步研究与探讨.参考文献：【相关文献】[1] 付晓东.制丝竹律准定金石声均——简述“中国民族乐器音响标准库”建设的目的和意义[J].新疆师范大学学报(哲学社会科学版),2009,30(4)：110-112.Fu Xiaodong.The sound of bamboo and bamboo dynasties——the purpose and significance of the construction of “Chinese national instrumental sound standard library”[J].Journal of Xinjiang Normal University(Philosophy and Soc ialSciences),2009,30(4): 110-112.(in Chinese)[2] 刘镇波，刘一星，沈隽，等.乐器共鸣板用木材的声学特性研究进展[J].西北林学院学报，2006，21(3)：124-129.Liu Zhenbo，Liu Yixing，Shen Juan，et al.Advances in study and research on acoustic property of wood for soundboard of musical instrument[J].Journal of Northwest Forestry University,2006,21(3): 124-129.(in Chinese)[3] 余征跃,邓小伟,姚卫平,等.从力学角度研究中国传统民族乐器[J].电声技术,2017，41(11/12)：74-79.Yu Zhengyue,Deng Xiaowei,Yao Weiping,et al.Studying chinese traditional national instruments from the perspective of mechanics[J].Audio Engineering,2017，41(11/12)：74-79.(in Chinese)[4] 刘镇波.云杉木材共振板的振动特性与钢琴声学品质评价的研究[D].哈尔滨：东北林业大学,2007.[5] 张承忠.小提琴振动机理及声学品质研究[D].广州：华南理工大学,2014.[6] 静恩涛.二胡音质的客观评价及鉴赏[J].演艺科技,2016(5)：7-10.Jing Entao.Objective evaluation and appreciation of erhu sound quality[J].Entertainment Technology,2016(5)：7-10.(in Chinese)[7] Schmid G M.Evaluation of musical instruments from the musician’sperspective[D].Basel,Switzerland: University of Basel,2015.[8] 李子晋.如何建立乐器声音品质的主观评价标准[J].演艺科技,2012(7)：48-50.Li Zijin.How to establish subjective evaluation criteria of instrument soundquality[J].Entertainment Technology,2012(7)：48-50.(in Chinese)[9] Fritz C,Dubois D.On perceptual evaluation of musical instruments：The case of violin put into perspective[J].ActaAcustica United with Acustica,2013,100: 24-31.[10] Campbell D M.Objective evaluation of musical instrument quality：A grand challenge in musical acoustics[J].Journal of the Acoustical Society of America,2013,133(5)：3401. [11] 李子晋.乐器声学品质评价方法研究[J].演艺科技,2013(S1)：16-19.Li Zijin.Research on acoustic quality evaluation method of musicalinstruments[J].Entertainment Technology,2013(S1)：16-19.(in Chinese)[12] 徐茂滨,田英志.二胡乐音之声音品质分析[J].演艺科技,2008(s1)：16-20.Xu Maobin,Tian Yingzhi.Analysis of sound quality of erhu musical sound[J].Entertainment Technology,2008(s1)：16-20.(in Chinese)[13] 梁孟元.乐器声学品质的幕后鉴定方法[J].演艺设备与科技,2008(5)：62-63.Liang Mengyuan.After-the-scenes identification method of acoustic quality of musical instruments[J].Entertainment Technology,2008(05)：62-63.(in Chinese)[14] 付晓东.《中国民族乐器音响标准库》项目的研制标准[J].演艺科技,2012(3)：48-51.Fu Xiaodong.Development standards for the project of China national musical instrument sound standard library[J].Entertainment Technology,2012(3)：48-51.(in Chinese)[15] GB/T 31109-2014,乐器声学品质评价方法[S].北京：中国标准出版社,2014.[16] 张承忠.小提琴振动机理及声学品质研究[D].广州：华南理工大学,2014.[17] Brown J C.Calculation of a constant Q spectral transform[J].Journal of the Acoustical Society of America,1998,89(1)：425-434.[18] Brown J C,Puckette M S.An efficient algorithm for the calculation of a constant Q transform[J].Journal of the Acoustical Society of America,1992,92(5)：2698.[19] Dobre R A,Negrescu C.Automatic music transcription software based on constant Q transform[C].International Conference on Electronics.IEEE,2017.[20] 李虹，徐小力，吴国新，等.基于MFCC的语音情感特征提取研究[J].电子测量与仪器学报，2017，31(3)：448-453.Li Hong,Xu Xiaoli，Wu Guoxin，et al.Research on speech emotion feature extraction based on MFCC[J].Journal of Electronic Measurement and Instrumentation,2017，31(3)：448-453.(in Chinese)[21] 宋知用.MATLAB在语音信号分析与合成中的应用[M].北京：北京航空航天大学出版社,2013.[22] 董长虹.Matlab神经网络与应用[M].北京：国防工业出版社,2007.[23] 刘天华.基于多特征融合和神经网络的电子音乐分类模型[J].现代电子技术,2018,41(19)：173-176,182.Liu Tianhua.Electronic music classification model based on multi-feature fusion and neural network[J].Modern Electronics Technique,2018,41(19)：173-176,182.(in Chinese)[24] 吴涛.球麦克风阵列波束形成语音增强方法的研究[D].锦州：辽宁工业大学,2012.[25] GB/T 30414-2013,乐器音乐信号采集规范[S].北京：中国标准出版社,2013.。
