基于ap算法的流行音乐标准化的研究与分类-数学-建模论文-毕设论文.doc

第六届“认证杯”数学中国
数学建模网络挑战赛
承 诺 书

我们仔细阅读了第六届“认证杯”数学中国数学建模网络挑战赛的竞赛规则。
我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。
我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。
我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。
我们允许数学中国网站()公布论文，以供网友之间学习交流，数学中国网站以非商业目的的论文交流不需要提前取得我们的同意。
我们的参赛队号为：
参赛队员 (签名) ：
队员1：

队员2：

队员3：

参赛队教练员 (签名)：

参赛队伍组别：

第六届“认证杯”数学中国
数学建模网络挑战赛
编 号 专 用 页

参赛队伍的参赛队号：（请各个参赛队提前填写好）：

竞赛统一编号（由竞赛组委会送至评委团前编号）：

竞赛评阅编号（由竞赛评委团评阅前进行编号）：

2013年第六届“认证杯”数学中国
数学建模网络挑战赛

题 目 基于AP算法的流行音乐标准化的研究与分类
关 键 词 特征向量提取；AP聚类算法；流行音乐
摘 要：

据网站音乐库，结合matlab软件提取样本音乐的相关数据。本文采用了特征向量提取法和AP聚类法等方法，对流行音乐风格划分问题进行了探究，成功地解决了音乐风格划分的问题，并建立了可以划分不同风格音乐的一系列模型。
针对题中首要问题，我们引入流行音乐传统划分模型，并对可能影响到音乐风格划分的所有因素进行了客观分析。进而以音频作为划分不同音乐风格的主要因素，参考因素为：音乐的起源地、演奏者的派别等。根据音乐的音频特征结合物理学原理，我们认为音频特性可作为不同风格音乐划分的标准：
由于音乐风格是一个模糊的概念，人们对音乐的分类往往带着主观因素。文中首先对音频文件中音频数据的特征向量进行提取，证明了传统音乐风格划分的模糊性。其次，根据N个数据点之间的相似度，提出运用AP聚类法对音频数据进行聚类，对音乐的风格进行更进一步的描述，并建立以下模型：

利用本文模型，对“酷狗音乐”中热度较高的100首歌曲样本进行分类处理，得到理想类群{A、B、C、D、E…}，为避免概念混淆，将各类群定义为对应的歌曲风格,并进一步对模型进行了优化。最后在模型检验中，通过典型数据的收集与模型验证，论证了对当前音乐的分类以及分类的标准是科学的。
随着时代的不断进步，人们的价值观和文化观也在与时俱进。在预测中，采用第二个问题设计的算法以及分类标准，对互联网数据进行分析、量化，我们得出这样的结果：A、B、C三种风格的音乐占有广大的市场，其中以A风格的音乐占有的市场最广，达到音乐市场总额的34%。

参赛密码
（由组委会填写）
参赛队号:

所选题目: 题
Abstract
To explore pop music style classification，this paper is succeeded in solving the problem by adopting the feature vector extraction method and AP clustering algorithm and so on, and established a series of models that can be divided into music styles.
For the first question, we analyzed all factors that will be likely to affect music style classification. Then the main factor is music audio, reference factors: music origin, the player's faction and so on. Therefore, we believe that: an audio can only track and describe a song. So, we think that the audio is the standard of different styles of music classification.
Because the style of music is a fuzzy concept, people often have subjective emotion on classification of music. Firstly, analysis of traditional music division model proves that fuzzy music style. Secondly, we use AP clustering algorithm to provide a further description for music classification, putting forward the method to different styles of music. The model is:

By established own partition method for current music. Finally, to test the model to proved that our classification and classification standard is scientific.
With the progress of the era, people's values and culture are also advancing with the times. Therefore, we can only predict a short-term pop music market. In the forecast we used algorithm and classification standard designed in the second issue. After analyzing Internet data, we concluded the results: A, B, C these three kinds of music occupy a vast market. A style occupies the largest music market, reaching 34% of the total market.

Key Words: Feature vector extracted; AP clustering algorithm; Popular music

一、 问题重述

随着互联网的发展，流行音乐的主要传播媒介从传统的电台和唱片逐渐过渡到网络下载和网络电台等。网络电台需要根据收听者的已知喜好，自动推荐并播放音乐。由于每个人喜好的音乐可能横跨若干种风格，区别甚大，需要分别对待。这就需要探讨如何区分音乐风格的问题。在流行音乐中，传统的风格概念包括Pop（流行）、Country（乡村）、Jazz（爵士）、Rock（摇滚）、R&B（节奏布鲁斯）、New Age（新世纪）等若干大类，它们分别可以细分成许多小类，有些小类甚至可以做更进一步的细分。而每首歌曲只能靠人工赋予风格标签。这样的做法有许多不足：有的类别之间关系不清楚，造成混乱；有的类别过度粗略或精细；有的类别标签没有得到公认；有的音乐归属则存在争议或者难以划归。
根据以上描述，我们将如下问题进行探讨并解决：
（1）以什么标准来区分音乐风格；
（2）如何建立自然、合理的数学模型对流行音乐进行分类；
（3）对流行音乐市场进行分析以及基于流行音乐的大众审美观的研究。

二、 问题分析

目前，音乐风格的划分还没有一个定性的标准。人们对不同风格音乐进行分类主要是根据这种音乐的主旋律、这种音乐的起源地以及演奏这种音乐的音乐家派别这些因素。其中，我们认为音乐文件中的音频为音乐风格分类的主要因素，而音乐的起源地及演奏这种音乐的音乐家等为参考因素。
一般的，我们可以根据某类音乐的起源地、弹奏这种音乐的音乐家这些参考因素，对不同风格的音乐进行粗略的分类。文中首先对其传统模型进行了建立与分析，像美国音乐家杰克逊一般演奏的音乐，我们可以将它划为Rock（摇滚），印第安州新起的音乐一般为Country（乡村）。但是如果要对音乐风格进行细致的划分，我们就要根据这种音乐的主旋律来判定这种音乐的风格。对音乐的风格进行判定，我们引入音频。我们可以根据音频的不同，进行音乐风格的分类。
对音频的描述，引入了特征向量提取法，我们的预期是通过特征向量的可视化，验证不同风格的音乐现有分类的合理性。但是，通过我们对实验图像2进行分析，特征向量提取图像显示出传统模型的不足。就此认为将音乐分为传统的6种风格是一种不合理的音乐划分标准。进而运用AP算法对实验数据进行聚类，提出一种自然地、合理地音乐划分标准。对于这个标准，我们用其他样品语音特征元素进行检验。最后进行模型分析。
由于社会发展迅速，时代对人们的世界观和文化观影响很大，所以流行音乐市场波动比较大。由此我们为了尽量的避免预测中出现的为题，我们将对流行音乐市场做一个短期的预测，而且题目中没有给出明确的数据，因此我们只能采用互联网数据并根据第二个问题中所得到的结论，进行市场预测和对人们价值观的评估。
综上，针对题中的问题，解决流程如下图所示：

图1 解决问题的流程图
Fig. 1 the problem solving process diagram

三、 模型假设

1、 每首歌曲都有自身独特音频特征。
2、 互联网上所引用数据真实可靠。
3、 一定量的样品音乐特征可以代表这一类音乐的总体特征。
4、 在一个短中期时段内，人们对流行音乐的喜好没有大的波动。

四、 符号说明

符号
符号含义

音频特征和歌曲特征之间的关联

音频特征

歌曲特征

存放音乐内别的集合
符号
符号意义

集合S中所有元素的事件

短时平均能量

帧能量

帧能量比

窗口长度

每一帧的长度

欧式距离

对象半径
Minpts
核心对象
D
对象集

五、 模型建立和求解

5.1问题一
音乐的不同风格不仅反映在其演奏者的派别和其产生的地域之上，而且还反映在歌曲不同的主旋律之上。虽然我们可以根据演奏者的派别、音乐的起源地对一些音乐进行风格的分类。但是这种分类的方法是不科学的。因此，对音乐进行不同风格的分类，我们主要的参考因素是——音频。
对于任何一种声音，我们将它用：音高、音长、强弱和音色这四种特征进行描述。因此，我们同样用这四种特征对音乐进行描述。我们将这四种特征统称为：音频。音频是一个专业术语，人类能够听到的所有的声音都可以称为音频，它也可能包括噪音、录制的声音等各种人耳能听到的声音【1】。
不管是歌曲还是其他任何一种声音，它们都有其唯一的特征——音频。由此我们可以这样认为：一种音频对应一种声音。那么，我们就可以这样定义：一种音频它所对应的歌曲是唯一确定的，它们之间是具有一一对应的关系。用公式（1）表示如下：

所以我们得出这样的结论：我们对音乐进行分类的标准是以音频特征进行不同风格音乐的分类。当然，为保证音乐风格分类的正确率，我们也可以将歌曲的起源地以及歌手派别作为音乐分类的参考因素。
5.2问题二
模型建立：
我们根据题目中音乐的不同风格的分类建立相应的模型。然后对建立的模型进行论证。我们建立的模型其表达式如下：

且各种风格的音乐何集合S緎之间满足如下关系：：
根据以上建立的模型对题目中的分类方法进行分析评估。
5.2.1 音频分析
要进行不同风格音乐的分类，根据所建立的模型，我们首先要对音频进行分析。那么我们先假设一段音频信号流采样后的离散音频信号为：

所以，连续信号中得到了个采样数据，其中是时刻得到的数据，在相对较短的时间内处理的时候，假设将这个数据分成组，那么每一组就是一个帧，每个帧包含个采样点，如果从每一组帧的个采样点可以提取特征点，最后得到 个特征点，就构成了音频数据流的特征，这些特征被用来进行音频数据流的分割，识别。由于这些特征点反映在短时间内的平均能量不同，所以音乐在不同的时间段将出现平缓、高潮等不同的部分。其反映在函数上可以表示为：

5.2.2 音频信息
据前文定义：音频是不同风格音乐的分类标准。因此，我们采用时域分析法建立、和音频之间的关系，用和对音乐的音频特征进行描述。其函数表达式为：

5.2.3 音乐特征片段的提取
每一种风格的音乐基本上可以看作是由平缓部分、高潮部分等部分构成，而往往决定这种音乐风格的是音乐的高潮部分。所以，我们采用和对音乐的高潮部分进行描述，描述对象可以看作是高潮部分出现的时间、次数以及强度等方面。因此特征的提取工作实际上可以看作为一个分类的过程：将每一个帧进行分类，将高潮部分和相对激烈的帧提取出来作为特征向量【2】。
我们将音乐归化为一系列的帧，对每一个帧运用公式计算帧能量。然后可以根据如下公式：

计算得到静音阀值，并依据阀值对帧能量进行噪声过滤，得到剩下的声音片段是音乐原声。然后通过(6)式计算帧能量比，帧能量比较大的帧即可判断为特征片段的端点，而端点之间的帧可作为特征片段【3】。
5.2.4.实验数据及图表分析
我们很据模型中相应的算法编写特征提取函数，其返回值是各个端点之间的平均值和方差。在MATLAB实验模拟中，我们对每一种不同风格的音乐选取首歌曲为样本歌曲（歌曲清单见附录1）。在实验中采用的音频文件均是采样速率为44.1KHz，PCM编码标准为Wave文件。各个音频均取20秒作为样本。
利用MATLAB作出6种不同风格歌曲的特征向量分布图（matlab源码见附录2.1）：

图2 特征向量分布图
Fig.2 the distribution of feature vector
由上图可知明显的看到以下几点：
1． 各种不同风格音乐的区别之处主要表现在：其高潮段落之间的间隔大小、距离方差不相同。
2． 不同风格音乐的高潮出现时间也是不相同的。像Rock(摇滚乐)、Jazz(爵士乐)在其音乐一开始就表现为高潮部分并且出现高潮的部分比较集中。而像New Age(新世纪)、Country(乡村)音乐其高潮部分一般出现的时间比较晚，而且出现高潮的部分比较分散。
3． 不同风格的音乐在其音乐风格上截然不同。但是，反映在MATLAB处理图像上，不同风格的音乐在其散点图上具有很大的相似度。像Jazz(爵士乐)和Country(乡村乐)，虽然它们的风格截然不同，但它们的散点图却有很大的相似之处。
4． Rock(摇滚乐)、Pop(流行音乐)和Jazz（爵士乐）它们的音频之间具有很大的相似。因此，它们的音频特征的散点分布图像具有一个共同的特点：高潮段落之间间隔较小并且距离方差较小，有明显的聚簇现象。
5． 我们可以明确的看出New Age（新世纪）和其他风格的音乐有明显的不同，所以，我们可以认为New Age（新世纪）风格的音乐最容易进行分类处理。

图3 各样本特征向量分布对比图
Fig.3 the balance of the sample feature vector distribution

由图3可以明确的看出，不同风格的音乐在其特征向量分布图像上有着明显的聚簇现象。由于，各种不同风格音乐的特征向量都具有很多的相似之处，故我们可以根据特征向量对不同风格的音乐进行划分。
结论：题中将音乐划分为Pop（流行）、Country（乡村）、Jazz（爵士）、Rock（摇滚）、R&B（节奏布鲁斯）、New Age（新世纪）这6种风格的音乐是不科学的。针对这一不科学分类，我们利用AP聚类算法对音乐的风格进行重新的划分。
5.3 AP算法的引入
1.AP算法中的一些常用定义
exemplar：聚类中心。
similarity：数据点i和点j的相似度，记为S(i，j)。
preference：数据点i的参考度称为P(i)或S(i,i)。是指点i作为聚类中心的参考度。一般取S相似度值的中值。
Responsibility:R(i,k)用来描述点k适合作为数据点i的聚类中心的程度。
Availability:A(i,k)用来描述点i选择点k作为其聚类中心的适合程度。
2.AP算法简介
AP算法是根据N个数据点之间的相似度进行聚类，这些相似度可以是对称的，即两个数据点之间相似度一样；也可以是不对称的，即两个数据点之间的相似度不等。这些相似度可以组成的相似矩阵Q。AP算法不需要事先制定类聚数目，相反他将所有的数据点都作为潜在的聚类中心。称之为exemplar.[4]
针对两个数据点之间的相似度的问题，我们引入欧式距离对其进行描述，其函数描述如下式所示：

由上式知：相似度值越大，说明点与点之间的距离越近。我们以Q矩阵的对角线上的数值q(k,k)作为k点能否成为聚类中心的判断标准，如果s（k,k）越大，那么，这个点成为聚类中心的可能性越大。这个点我们也可以称为参考度p。我们可以根据参考度p值的不同，得到不同的聚类数量。
AP算法中传递两种类型的消息, (responsibility)和(availability) 。r(i,k)表示从点i发送到候选聚类中心k的数值消息,反映k点是否适合作为i点的聚类中心。a(i,k)则从候选聚类中心k发送到i的数值消息,反映i点是否选择k作为其聚类中心。r (i, k)与a (i, k)越强,则k点作为聚类中心的可能性就越大,并且i点隶属于以k点为聚类中心的聚类的可能性也越大。AP算法通过迭代过程不断更新每一个点的吸引度和归属度值,直到产生m个高质量的exemplar,同时将其余的数据点分配到相应的聚类中【5】。
3.AP算法的具体工作过程
先计算N个点之间的相似度值，将值放在S矩阵中，再选取P值(一般取S的中值)。设置一个最大迭代次数(文中设默认值为1000)，迭代过程开始后，计算每一次的R值和A值，根据R(k,k)+A(k,k)值来判断是否为聚类中心(文中指定当(R(k,k)+A(k,k))＞0时认为是一个聚类中心)，当迭代次数超过最大值( 即max值)或者当聚类中心连续多少次迭代不发生改变( 即convits值)时终止计算。
我们对60个原始数据根据AP算法再次进行MATLAB实验（matlab源码见附录2.2），得到以下图：

图4 去噪处理前聚类结果示意图
Fig.4 the results before noise processing of clustering

由图4我们明显地可以看出不同风格的音乐显示出聚簇的特征。由此，我们可以做出判定，AP聚类算法可以进行音乐风格的划分。

图5 去噪处理后的聚类结果图
Fig.5 the results after noise processing of clustering

从图5我们可以明确地看出，不同风格的音乐具有良好的聚簇现象，并且我们还可以看出不同风格音乐所占的比重也不相同。由此，我们可以这样认为：AP聚类算法可以对音乐进行分类，并且能达到较好的效果。
结论：我们将同一组数据分别运用了特征向量提取法和AP聚类算法进行了相应的处理。由图像证明，AP聚类算法可以对不同风格的音乐进行分类。
5.3.问题三
问题三要求我们对流行音乐市场进行分析以及基于流行音乐的大众审美观的研究。由于现代社会的飞速发展，人们的价值观和文化观也随着社会发展而不断进行着与时俱进的变化。所以我们为减少市场分析中的产生的误差，我们将对流行音乐的市场做一个短期的预测。以更加精确地对流行音乐进行市场预测、更加合理地对大众的审美观进行研究分析。
由于题目中没有给出相应的计算数据。因此，我们将“酷狗音乐排行榜”前100名的歌曲作为实验数据（具体歌曲名称见附件1），应用AP聚类算法对数据进行相应的处理（MATLAB程序见附件2），其直观反映如图6、图7所示。我们将根据MATLAB图像对问题三进行分析求解。

图6 “酷狗音乐排行榜前”100名歌曲聚类图
Fig.6 the cluster map of “Cool dog music charts top 100 songs"
从图6我们可以明显地看到“酷狗音乐排行榜”前100名歌曲，具有明显的聚簇现象。所以，我们可以根据AP聚类算法当前进行数据处理的100首歌曲进行分类处理。
我们得到“酷狗音乐排行榜”前100名歌曲中不同风格的音乐在样本中所占的不同比重（如图7所示）。

图7 “酷狗音乐排行榜“前100名歌曲的聚类扇形图
Fig.7 the clustering graph of “Cool dog music charts top 100 songs”

从图7中我们可以直观的看出，采集的样本音乐分为A、B、C、D、E、F、G、H、I、J这10中不同的风格及各种不同风格音乐在样本中所占的比重。经统计，A,B,C等各歌曲风格类群音频特征向量数据所在的空间如下：

（9）

其它：

综上，我们可以解决问题三：
1. 我们可以直观地看出A、B、C三种风格的音乐占有流行音乐的大多数市场。并且A种风格的音乐占有的市场最广，占市场总量的34%。
2. 由于我们采集的数据代表着整体音乐的特征。所以，我们可以根据AP算法将所有音乐可以划分为图中所表示的A、B、C、D、E、F、G、H、I、J这10种风格。
3. 大多数人偏向于A、B、C这三种风格的音乐。因此，我们可以认为A、B、C这三种风格的音乐对人们的价值观和文化观影响较大。
5.4模型检验
由于问题流行音乐分类问题面对着的是广大的群体，所以该问题的验证方式为分别取酷狗、酷我、百度、QQ四大平台上的热歌若干，通过对样本音频特征向量提取，与各风格类群空间作比较验证模型的正确性，这里在现有平台上分别取歌曲5首进行验证得下表：
表1 歌曲风格检验表
tab 1 the song style verification table
X
Y
所处风格类群
10948.92308
62267580.23
A
15664
472404839.5
A
27328
667529127
B
18557.02326
371278205
A
18503.44186
224043634
A
15473.77778
69274437.23
A
17860.08511
45659252.51
A
50928
5562647347
F
40512
1964782387
E
15744
495747072
B
18508.8
214931865.6
A
17300.21053
795712009.5
C
12084
103326720
A
21257.14286
879495460.6
C
22677.33333
246225773.7
A
21480.72727
746440145.5
A
29724.44444
2064647824
E
23943.52941
883251451.9
C
10246.2439
125744935.5
A
36480
1284131109
D
由表1知在所收集到的20首歌里:
A风格所占比例为11/20; B风格所占比例为2/20;
C风格所占比例为3/20; D风格所占比例为2/20;
E风格所占比例为1/20; F风格所占比例为1/20。
通过对先前100个数据中各类群所占比例进而可知：在一定误差范围内，该模型是成立的。
六、 模型评价与改进

通过数据对模型的检验可知，模型在一定程度上存在误差，由模型建立过程和数据运用上，可知模型存在以下不足：
1.小数据建立的模型在可信度有所不足。
2.AP算法聚类数量与P值等有关，缺乏一定的监督。
针对以上问题，除数据量缺乏外，模型可做以下改进：
由于AP算法中P的大小比较关键，其影响着最后的聚类数量，值越大，生成的类越多，反之亦然，阻尼系数迭代也是很关键的，此算法可能会出现数据震荡现象。因此选取合适的阻尼系数成为提升算法品质的重要决策。又因为AP算法每一簇只有一个类代表点，只适合表达球形簇，忽略了簇的内部结构及层次结构，AP算法还要求每个类代表点都必须有自己的类代表点等。
提出软约束条件，在寻找优化的过程中允许一个类代表点有其他的类代表点。
由于流形是从观测空间的角度分析数据，可以直观的发现数据集分布的内部规律。现根据以上依据对该算法做以下更改：
1. ，计算两点间的欧氏距离

2.依据两类成对约束对距离矩阵调整：

3.其中，

对距离矩阵调整，即对样本点数据集进行空间变换。
4.根据调整后的距离矩阵构造相似矩阵。
5.基于以上构造相似度矩阵，利用AP算法完成聚类。
以上变化中成对约束只是改变了局部数据的相似度，并不能保证聚类结果满足先验知识给定的所有约束对信息，即存在违反约束对信息的情形，为解决，这一问题，做如下调整：
违反Must-Link约束调整：已知分别计算两个数据点到类中心距离之和，即和，如果,那么改xi的类标签为yi=k；否则xi的类标签为yi=k’。
违反Cannot-Link约束调整：已知分别计算两个数据点到个中心点的距离。
如果，则保持xi的类标签不变，改yi的类标签为：

另外，流行音乐的分类方法将随着音乐的各种流行而不断演变。

七、 参考文献

[1] 百度文库，
[2] HU Jingkai, WU Lei, GAO Yang. MP3 music classification method based on LCS[J], Journal of Chongqing University of Posts and Telecommunications,
2007,Vol.19 No.4
[3]陈凯，王佳，徐士彪，百度文库,
e2f0066f5332257.html，2013,04,12
[4] 王开军，张军英等，自适应放射传播聚类，自动化学报，2007,12， 3(12).
[5] Jiawei Han Micheline Kamber 范明 孟小峰 译 数据挖掘概念与技术 机械工业出版社 2008年 251-265.
[6] 徐艺萍，邓辉文，李阳旭，一种新的最近聚类算法，西南师范大学学报（自然科学版）2006，31（6）:114-116.

附录：
1.表格
表1.1 R&B系列歌曲清单

原文件名
调用名
Belle - 布鲁斯.wav
R&B1.wav
Dizzy - 布鲁斯.wav
R&B2.wav
Itsogoo - 城市布鲁斯摇篮曲skit.wav
R&B3.wav
Sissel - Keep Falling Down - 布鲁斯.wav
R&B4.wav
白冰冰 - 布鲁斯的暗暝.wav
R&B5.wav
冰淇 - 你真的走了 - 布鲁斯.wav
R&B6.wav
渡边麻友 - 真命女顶点布鲁斯.wav
R&B7.wav
胡歌 - 一念执着 - 布鲁斯.wav
R&B8.wav
梁静茹 - 问 - 布鲁斯.wav
R&B9.wav
梁祝 - 化蝶 - 布鲁斯.wav
R&B10.wav

表1.2 Country系列歌曲清单

原文件名
调用名
Dj - 乡村音乐.wav
Country1.wav
Eagles - 美国乡村摇滚乐队.wav
Country2.wav
Jack Johnson - 乡村音乐.wav
Country3.wav
Jewel - 乡村音乐.wav
Country4.wav
Lady - 乡村音乐.wav
Country5.wav
Lemon Tree - 乡村音乐.wav
Country6.wav
Money - 乡村音乐.wav
Country7.wav
Rose Garden - 乡村音乐.wav
Country8.wav
Tears - 乡村音乐.wav
Country9.wav
Vincent - 乡村音乐.wav
Country10.wav

表1.3 Jazz系列歌曲清单

原文件名
调用名
Kenny G - 爵士乐.wav
Jazz1.wav
Mario Barrett - 爵士乐.wav
Jazz2.wav
Xavier Cugat - 爵士乐.wav
Jazz3.wav
Zz - 爵士乐.wav
Jazz4.wav
付辛博、zz - 爵士乐.wav
Jazz5.wav
超级玛丽- 爵士乐.wav
Jazz6.wav
爵士乐.wav
Jazz7.wav
Brazil - Kenny G.wav
Jazz8.wav
轻音乐 - 爵士乐.wav
Jazz9.wav
试音碟 - 爵士乐.wav
Jazz10.wav
表1.4 New Age系列歌曲清单

原文件名
调用名
Bandari - Breezy Valley.wav
New Age1.wav
Bandari - Crystal Lake.wav
New Age2.wav
Bandari - Moonlight Bay.wav
New Age3.wav
Bandari - One Day In Spring.wav
New Age4.wav
Bandari - 梦花园 - Garden Of Dreams.wav
New Age5.wav
Bandari - 日光海岸 - Sunny - Bay.wav
New Age6.wav
Bandari - 新世纪.wav
New Age7.wav
Bandari - Silence With Sound From Nature.wav
New Age8.wav
Heaven、blue - 蓝色天际.wav
New Age9.wav
S.E.N.S. - Mist.wav
New Age10.wav

表1.5 Rock系列歌曲清单

原文件名
调用名
Backstreet Boys - 摇滚歌曲.wav
Rock1.wav
Bon Jovi - 世界上十分著名的一支重金属摇滚乐队.wav
Rock2.wav
Guns N'roses - 重金属摇滚乐队.wav
Rock3.wav
Helena - 美国摇滚乐队.wav
Rock4.wav
One - 日本第一摇滚乐队.wav
Rock5.wav
Rammstein - 摇滚歌曲.wav
Rock6.wav
不如跳舞 摇滚歌曲.wav
Rock7.wav
大海 - 摇滚乐队版.wav
Rock8.wav
高旗 - 摇滚歌曲.wav
Rock9.wav
自由飞翔 摇滚歌曲.wav
Rock10.wav
Windows - 摇滚乐.wav
Rock11.wav
表1.6 Pop系列歌曲清单

原文件名
调用名
19 - 欧美流行音乐.wav
Pop1.wav
2010 - 最新流行音乐.wav
Pop2.wav
Bandari - 阳光海岸.wav
Pop3.wav
Kiwi - 蒙古风味流行音乐女组合.wav
Pop4.wav
Rnb - 流行音乐.wav
Pop5.wav
爱情乞丐 流行音乐可怜可怜我吧.wav
Pop6.wav
冰河时代 - 3流行音乐.wav
Pop7.wav
不要在我寂寞的时候说爱我 - 流行音乐.wav
Pop8.wav
非主流 - 伤感流行音乐.wav
Pop9.wav
好心分手 - 流行音乐.wav
Pop10.wav
注：以上歌曲取自“酷狗音乐”，日期：2013.04.12

表1.7 综合分析歌曲清单

歌曲名
调用名
Psy - 江南style.wav
fenlei1.wav
陈奕迅 - 浮夸.wav
fenlei2.wav
陈奕迅 - 十年.wav
fenlei3.wav
陈奕迅、王菲 - 因为爱情.wav
fenlei4.wav
杜淳、曲婉婷 - 我的歌声里.wav
fenlei5.wav
凤凰传奇 - 荷塘月色.wav
fenlei6.wav
凤凰传奇 - 中国味道.wav
fenlei7.wav
凤凰传奇 - 最炫民族风.wav
fenlei8.wav
高安 - 红尘情歌.wav
fenlei9.wav
高进、小沈阳 - 我的好兄弟.wav
fenlei10.wav
关喆 - 想你的夜.wav
fenlei11.wav
胡夏 - 那些年.wav
fenlei12.wav
黄绮珊 - 剪爱.wav
fenlei13.wav
霍建华 - 逍遥.wav
fenlei14.wav
筷子兄弟 - 父亲.wav
fenlei15.wav
李健、孙俪 - 风吹麦浪.wav
fen