从各种各样的角度来看,关于这个主题有很多不同的方法和大量文献。这里有一些亮点,可能是您搜索的良好起点。
如果您的音乐背景比数学或计算领域更具有音乐性,那么您可能会对David Cope的作品感兴趣,他出版的大部分作品都集中在古典音乐作品的分析上,但是他拥有一家名为重组的私人企业,似乎更为笼统。他的许多作品都将音乐作为一种语言类型模型,但我相信至少他的一些最新作品已朝着整个音乐基因组的方向发展。他在线上有很多可用的软件,但是它通常是用Lisp编写的,有些只能在Apple操作系统的各种版本中运行,尽管有些可以在Linux 上运行,也可以在可以使用通用Lisp的任何地方运行。
通常,信号和音乐的分析一直是机器学习中非常普遍的问题。Christopher Bishop的文本神经网络用于模式识别和模式识别以及机器学习有很好的入门知识。这是一个MSc论文的示例,该论文具有音乐分类部分,但是对特征提取有很好的覆盖,作者引用了至少Bishop文本之一和其他几种来源。他还为有关该主题的最新论文推荐了几种资源。
更具数学或统计意义的书籍(至少按作者身份(如果不按内容)):
自从我提到Bishop和机器学习的计算角度以来,如果我不建议您看一看Hastie的最新统计学习元素(可免费从法律下载),那么我只会讲一半的故事。,蒂布希拉尼(Tibshirani)和弗里德曼(Friedman)。我不记得本文中具体有一个音频处理示例,但是涉及的许多方法都可以适应此问题。
扬·伯兰(Jan Beran)的《音乐学统计学》(Statistics in Musicology)是另一本值得考虑的文章。这提供了许多专门用于音乐作品分析的统计工具,并且具有大量参考资料。
同样,还有许多其他来源。这在很大程度上取决于您的背景是什么,以及哪种方法最适合您。希望其中至少有一些可以引导您寻找答案。如果您告诉我们更多有关您的背景知识,有关该问题的其他详细信息,或针对此帖子提出问题,我相信我或此处的许多其他人很乐意将您引导至更具体的信息。祝你好运!