音乐风格分类数学建模
音乐流派分类特征算法
音乐流派分类中特征选择算法研究甄超郑涛许洁萍中国人民大学 信息学院计算机系，北京100872摘 要：在音乐流派的自动分类中引入特征选择环节，不但可以降低特征向量的维数，还可以减少特征向量中的无关和冗余特征，从而提高分类器的工作效率。
本文中我们实现了两种全新的特征选择算法，他们的核心思想是在特征选择的过程中考虑特征间的相互影响以及每个特征对于分类准确率的贡献度。
第一个算法称为基于特征贡献度的特征选择算法(CBFS)，该算法通过增减特征的方式计算每个特征对于分类准确率的贡献度，最后选择贡献度比较大的特征作为分类特征子集。
第二个算法称为基于特征间相互影响的前向特征选择算法(IBFFS)，它是对原始前向特征选择算法的改进。
IBFFS扩大了前向特征选择的搜索空间，尝试了更多的特征组合，而且没有增加时间复杂度。
最后，我们使用流派数据集George 2002[1]进行实验，两种算法分别得到了81.66%和80.63%的准确率，要明显高于使用其他特征选择算法所得到的分类准确率，由此验证了这两种新特征选择算法的有效性。
关键词：特征选择；CBFS；IBFFS；1．引言随着互联网上音乐资源的迅速增长，使得用来处理音乐数据库的各种多媒体应用系统受到了越来越多的关注，对于音乐数据库进行自动分析是音乐信息检索系统的一个重要组成部分。
目前绝大多数的音乐数据库除了可以根据音乐的名称或者艺术家的名字来建立索引以外，还可以利用音乐的流派信息来建立索引以便于高效的组织海量的音乐数据[2]，因为流派是对音乐最为常见的描述信息之一，同时也被人们最为广泛的使用。
音乐流派可以被定义为用于识别音乐风格的类别标签。
对于互联网上的音乐资源来说，流派信息就显得更为重要了，因为音乐流派往往是用户为进行音乐检索而输入的关键词，为此音乐网站就可以根据流派信息来组织存储各种音乐资源。
此外，绝大多数的音乐网站还可以根据用户对特定音乐流派的偏好程度进行相似歌曲的推荐。
小学音乐课程中的3D建模与音乐创作ppt课件教案
谢谢
THANKS
音乐创作原理
音乐创作原理包括旋律、节奏、和声 、调式、调性等方面的原理，这些原 理是构成音乐作品的基础。
常见音乐创作软件介绍
DAW（数字音频工作站）
如Audacity、Cubase、FL Studio等，这些软件提供了录音、编 辑、混音和母带处理等功能。
音序器软件
如Ableton Live、Finale、Sibelius等，这些软件主要用于作曲和 编曲，支持乐谱编辑和多轨录音等功能。
分组进行音乐创作
音乐创作
学生根据他们在3D建模中选择的主题进行音乐创作。这可以 包括作曲、编曲和歌词创作等环节，让学生全面了解音乐创 作的过程。
技术指导
教师需提供技术指导，帮助学生解决在音乐创作过程中遇到 的技术问题。同时，教师还可以引导学生探索不同的音乐风 格和表现形式。
整合3D建模和音乐成果展示
整合环节
学生将他们完成的3D建模和音乐作品进行整合，制作成一个完整的音乐作品展 示。这一环节可以帮助学生理解3D建模和音乐创作之间的联系，提高他们的跨学 科思维能力。
展示与评价
学生将展示他们的作品，并接受同学和教师的评价。评价可以围绕创意、技术应 用、团队协作等多个方面进行，帮助学生全面了解自己的学习状况，明确进一步 学习的方向。
现音乐与视觉艺术的融合。
教学目标与要求
01
02
03
知识目标
掌握3D建模的基本原理和 操作技巧，理解音乐的基 本要素和创作方法。
能力目标
能够运用3D建模工具进行 简单的音乐创作，培养学 生的音乐想象力和创造力 。
情感态度与价值观
培养学生对音乐的热爱和 兴趣，提高审美能力和艺 术素养，鼓励学生在音乐 创作中发挥个性。
音乐流派的多种机器学习模型分类比较
基本内容
基本内容
随着数字技术和大数据的快速发展，机器学习已经在各个领域展现出了巨大 的潜力和价值，包括音乐分类。音乐流派识别是音乐信息检索和推荐系统的重要 部分，它帮助我们根据音乐作品的风格和特征进行分类。本次演示将比较几种主 流的机器学习模型在音乐流派分类任务上的表现。
4、神经网络（Neural Networks）
4、神经网络（Neural Networks）
神经网络是一种模拟人脑工作机制的算法，通过模拟神经元之间的连接和信 号传递过程进行学习和预测。在音乐流派分类中，神经网络可以具有非常复杂的 结构和强大的表示能力，从而在处理复杂的音乐特征和非线性关系时表现出色。 全连接神经网络（Fully Connected Neural Networks, FCNNs）和卷积神经网 络（Convolutional Neural Networks, CNNs）
4、神经网络（Neural Networks）
已被广泛应用于音乐分类任务。另外，循环神经网络（Recurrent Neural Networks, RNNs）和长短期记忆网络（Long Short Term Memory, LSTM）也常 被用于处理时间序列的音乐特征。
5、深度学习（Deep Learning）
5、深度学习（Deep Learning）
深度学习是神经网络的延伸和发展，通过构建多层神经网络进行学习和预测。 在音乐流派分类中，深度学习模型如自动编码器（Autoencoders）、限制玻尔兹 曼机（Restricted Boltzmann Machines, RBMs）和生成对抗网络 （Generative Adversarial Networks, GANs）等已被用于提取音乐特征或者生 成新的音乐作品。深度学习模型通常需要大量的数据和计算资源，但是它们的性 能通常优于传统的机器学习方法。
MUSIC算法仿真实验
MUSIC 算法仿真实验一、数学模型与MUSIC 算法多重信号分类（MUSIC ）算法的基本思想是将任意阵列输出数据的协方差矩阵进行特征分解，从而得到与信号分量相对应的信号子空间和与信号分量相正交的噪声子空间，然后利用这两个子空间的正交性来估计信号的参数。
考虑N 个远场信号入射到空间某阵列上，其中天线由M 个阵元组成。
当信号源是窄带的假设下，信号可用如下的复包络形式表示：00(()()()()()j t t i i j ii s t u t e s t s t e ωϕ)ωττ+−⎧=⎨−=⎩ (1) 第l 个阵元接收信号为1()()(),1,2,,Nl li i li l i x t g s t n t l τ==−+=∑"M (2)式中是第l 个阵元对第i 个信号的增益，表示第l 个阵元在t 时刻的噪声，li g ()l n t li τ表示第个信号到达第个阵元时相对于参考阵元的时延。
写为矩阵形式：i l()()()X t AS t N t =+ (3)[]12()()()()TM X t x t x t x t ="为1M ×维快拍数据矢量，[]12()()()()TM N t n t n t n t ="为1M ×维快拍噪声数据矢量，为12()[()()()]TN S t s t s t s t ="1N ×维空间信号矢量，为011012010210220201020111212122212NNM M MN 维流型矩阵（导向矢量阵），且 j j j N j j j N j j j M M MN g e g e g e g e g e g e A g e g e g e ωτωτωτωτωτωτωτωτωτ−−−−−−−−−⎡⎤⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎣⎦""##%#"M N ×10200[()()()]N A a a a ωω="ωN =" (4)假设阵列中各阵元是各向同性的且不存在通道不一致或互相耦合等因素的影响，则，此时导向矢量1,(,)({1,2,,},{1,2,,})ij g i j M N =∈""(5)010200()[],1,2,,ii Mi j j j T i a e e e i ωτωτωτω−−−="注意到通常τ与信号到达方向有关，因此问题可表述为：如何根据式(3)由接收到的数据()X t 去估计信号的参数，包括信号源数目，信号方向（与()S t N τ有关）等。
Get格雅基于AP算法的流行音乐标准化的研究与分类数学建模
基于AP算法的流行音乐标准化的研究与分类数学建模第六届“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那么。
我们知道，抄袭别人的成果是违反竞赛规那么的, 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，严格遵守竞赛规那么，以保证竞赛的公正、公平性。
如有违反竞赛规那么的行为，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〕：2021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。
基于文本挖掘与神经网络的音乐风格分类建模方法
基于文本挖掘与神经网络的音乐风格分类建模方法
张键锋;王劲
【期刊名称】《电信科学》
【年(卷),期】2015(31)7
【摘要】针对人工区分音乐风格会造成音乐风格关系不清以致混乱和某些歌曲难以人工划分其风格等问题,以歌曲的歌词数据为基础,分析歌益所表达的情感,以划分其归属.运用机器学习算法的BP神经网络,建立一个音乐风格预测模型,对模型进行了合理的理论证明和推导.实验选用MATLAB作为建模工具,根据算法自身特点确定训练参数.随机从数据集中抽取10％的记录作为测试.该方法的结果显示,理论结果与数据模拟结果比较吻合,准确率达到80％.
【总页数】6页(P80-85)
【作者】张键锋;王劲
【作者单位】广东省电信规划设计院有限公司广州510630;广东省电信规划设计院有限公司广州510630
【正文语种】中文
【相关文献】
1.基于文本挖掘的恶意软件分类方法 [J], 王冲;李炳辰;王进保
2.基于卷积神经网络的烟叶近红外光谱分类建模方法研究 [J], LU Meng-yao;ZHANG Ye-hui;YANG Kai;SONG Peng-fei;SHU Ru-xin;WANG Luo-ping;YANG Yu-qing;LIU Hui;LI Jun-hui;ZHAO Long-lian
3.基于群智优化神经网络的音乐风格分类模型研究 [J], 温赞扬
4.基于长度信息和深度卷积神经网络分类建模的蛋白质二级结构预测方法 [J], 朱树平;刘毅慧
5.基于卷积神经网络的纸张年代红外光谱分类建模方法研究 [J], 夏静静;杜夏瑜;闫红;熊艳梅;闵顺耕
因版权原因，仅展示原文概要，查看原文内容请购买。
数学与音乐艺术的应用教学设计
数学与音乐艺术的应用教学设计数学是一门抽象而具体的学科，而音乐艺术则是一种充满感染力的表达方式。
将数学与音乐艺术结合起来，不仅可以增加学生对数学的兴趣，还可以提升他们的创造力和综合能力。
本文将探讨数学与音乐艺术的应用教学设计，旨在帮助教师更好地进行教学。
一、数学和音乐的关系数学和音乐有着密不可分的联系。
在音乐的创作和演奏过程中，有许多数学原理和概念的应用。
例如，音符的时值可以用分数来表示，音阶可以用数学函数来描述，音乐的节奏和韵律可以用数学的周期和频率来解释等等。
因此，通过将数学和音乐结合起来，可以有效地帮助学生理解数学的抽象概念和方法。
二、数学与音乐的应用教学设计1. 数学音乐游戏通过设计一些有趣的数学音乐游戏，可以激发学生的学习兴趣。
例如，可以设计一个“音乐排列游戏”，要求学生按照给定的数学规律将音符排列成和谐的音乐片段。
通过这样的游戏，学生不仅可以提高他们对数学规律的理解，还可以培养他们对音乐的感知和思维能力。
2. 数学与乐器制作将数学与乐器制作相结合，可以帮助学生更好地理解数学的实际应用。
例如，可以设计一个数学与乐器制作的项目，要求学生根据给定的数学原理和参数来制作一个简单的乐器，如木琴或简易吉他。
在制作过程中，学生需要运用数学的测量和计算技巧，从而加深对数学原理的理解。
3. 数学和音乐符号音乐符号是一种特殊的数学符号系统，通过学习音乐符号的含义和使用方法，可以帮助学生提高他们对数学符号的理解和应用能力。
可以设计一些关于音乐符号和数学符号之间关系的探究活动，如让学生比较音乐符号和数学符号的相似之处，或者让学生尝试根据数学符号来编写简单的乐曲。
4. 数学建模与音乐创作数学建模是一种将数学应用于实际问题求解的方法，而音乐创作则是一种将创意转化为具体音乐作品的过程。
将数学建模与音乐创作相结合，可以帮助学生将数学应用于实际情境，并培养他们的创造力和解决问题的能力。
可以设计一些数学建模与音乐创作的项目，要求学生根据一定的数学规律和要求来创作一段音乐作品。
数学与音乐的关系与应用
数学与音乐的关系与应用数学和音乐是两个看似完全不相关的领域，但实际上它们之间存在着紧密的关系。
本文将探讨数学和音乐之间的相互影响，并介绍数学在音乐中的应用。
一、数学与音乐的共同点1.1 节奏与数学节拍音乐中的节奏是由一系列有规律的拍子组成的，而数学则研究了各种数列和序列的规律。
这些数学规律可以应用于音乐中的节拍处理和编排，使音乐更加有层次感和节奏感。
1.2 音高与频率音乐中的音高与物理学中的频率有着密切联系。
频率越高，音高就越高。
而频率与音高之间的关系可以用数学的公式来表示，这就是著名的“音程比例律”。
通过数学的计算，我们可以准确地计算出不同的音高和音程。
1.3 和弦与数学关系和弦是音乐中重要的元素之一，它由不同音符组成。
数学中的数列和数学比例同样可以应用于和弦的构建中。
数学的知识帮助我们理解和弦的结构和音符间的关系，从而提升创作和演奏的水平。
二、数学在音乐中的应用2.1 频谱分析与音乐制作音乐制作中的频谱分析是非常重要的工具，它可以分析音乐中不同频率的声音分布。
而频谱分析正是基于数学的傅里叶变换原理。
通过频谱分析，音乐制作人可以准确地了解音乐中不同频率的声音特征，从而进行后期处理和调整。
2.2 数学模型与乐器制作在乐器制作中，数学模型的应用也发挥着重要的作用。
乐器的共鸣箱、管道和琴弦等都可以通过数学建模来进行优化设计。
数学模型可以帮助乐器制作者预测和分析乐器的各种声学性能，并进行改良。
2.3 数字编码与音乐传输数字编码是现代音乐传输和存储的基础。
各种音频文件的编码和压缩都离不开数学原理，例如基于离散余弦变换的MP3音频压缩技术。
通过数字编码，音乐可以方便地传输和存储，同时减小文件的大小和保持音质的同时。
三、结论数学和音乐之间的关系深远而复杂。
数学为音乐提供了理论基础和技术手段，同时也驱动着音乐的发展和创新。
音乐又为数学提供了实际应用的场景，使抽象的数学概念更加具体和生动。
在今后的发展中，数学与音乐的交叉应用将更加紧密，为人们带来更多美妙的音乐体验和数学探索的空间。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目录一、问题重述 (2)二、问题提出 (2)三、问题分析 (2)四、模型假设 (2)五、主要符号说明 (3)六、模型建立与求解 (3)6.1探究影响流行音乐风格分类的主要因素 (3)6.1.1旋律对音乐风格的影响 (3)6.1.2音高对音乐风格的影响 (6)6.1.3和声对音乐风格的影响 (7)6.1.4音色对音乐风格的影响 (7)6.1.5复调对音乐风格的影响 (7)6.1.6节拍对音乐风格的影响 (7)6.2对各影响因素进行主成分分析 (8)6.2.1模型的建立 (8)6.2.2模型的求解 (10)6.3用matlab进行音乐特征提取 (11)6.3.1利用FFT进行频谱分析 (11)6.3.2特征提取分析 (12)6.3.3特征提取结果 (12)6.4基于BP神经网络的分类算法 (13)6.4.1 BP神经网络介绍 (13)6.4.2 BP神经网络训练步骤 (14)6.4.3 BP神经网络语音特征信号分类 (15)6.4.4 归一化处理 (16)6.4.5 结果分析 (16)七、模型的优缺点 (18)7.1层次分析法的优缺点 (18)7.2主成分分析法的优缺点 (18)7.3 BP神经网络的优缺点 (18)八、参考文献 (19)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，自动推荐并播放其它音乐。
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。
二、问题提出建立合理的数学模型，对流行音乐的风格给出一个自然、合理的分类方法，以便给网络电台的推荐功能和其它可能的用途提供支持。
三、问题分析对于流行音乐风格的分类，要从以下三个方面进行考虑：（1）探究影响流行音乐风格分类的主要因素。
目前，旋律、音高、和声、音色、复调和节拍等都是体现音乐风格的因素。
通过建立递阶层次结构，构造判断矩阵并赋值、层次单排序（计算权向量）与检验、主成分分析的数学模型等方法，确定影响流行音乐风格的主要因素；（2）音乐特征提取。
通过FFT进行频谱分析，利用不同类别音乐的统计规律提取特征向量；（3）进行归一化处理；（4）利用BP神经网络分类算法进行分类。
四、模型假设4.1忽略主观因素对流行音乐风格分类的影响4.2假设每个音乐分类是明确的4.3假设流行音乐市场处于稳定状态4.4其他所发生的偶然因素对模型无影响五、主要符号说明六、模型建立与求解6.1探究影响流行音乐风格分类的主要因素6.1.1旋律对音乐风格的影响6.1.1.1分析旋律亦称曲调，是经过艺术构思而形成的若干乐音的有组织、有节奏的和谐运动。
它建立在一定的调式和节拍的基础上，按一定的音高、时值和音量构成的、具有逻辑因素的单声部进行的。
在音乐作品中，旋律是表情达意的主要手段，也是一种反映人们心感受的艺术语言。
对于流行音乐风格分类来说，每个风格各异，歌曲旋律也不尽相同。
如rap舞曲它以人声的吟唱加上鼓的清晰浓郁节奏，歌词通俗，朗朗上口；乡村音乐在唱法上多用民间本嗓演唱，形式多为独唱或小合唱，用吉他、班卓琴、口琴、小提琴伴奏。
6.1.1.2模型的建立因为影响旋律的因素有很多，我们采用层次分析法来解决这一问题。
所谓层次分析法，是指将一个复杂的多目标决策问题作为一个系统，将目标分解为多个目标或准则，进而分解为多指标（或准则、约束）的若干层次，通过定性指标模糊量化方法算出层次单排序（权数）和总排序，以作为目标（多指标）、多方案优化决策的系统方法。
6.1.1.2.1建立递阶层次结构AHP递阶层次结构三个层次组成：目标层、准则层、指标层，如图所示：6.1.1.2.2构造判断矩阵并赋值构造判断矩阵时用到1-9标度，对重要性程度按1-9赋值（重要性标度值见下表） 重要性标度 含 义 1 表示两个元素相比，具有同等重要性3 表示两个元素相比，前者比后者稍重要5 表示两个元素相比，前者比后者明显重要7 表示两个元素相比，前者比后者强烈重要9 表示两个元素相比，前者比后者极端重要2，4，6，8 表示上述判断的中间值倒数 若元素I 与元素j 的重要性之比为a ij , 则元素j与元素I 的重要性之比为a ji =1/a ij6.1.1.2.3 层次单排序（计算权向量）与检验层次单排序是指每一个判断矩阵各因素针对其准则的相对权重，所以本质上是计算权向量。
计算权向量有特征根法、和法、根法、幂法等，这里简要介绍和法。
和法的原理是，对于一致性判断矩阵，每一列归一化后就是相应的权重。
对于非一致性判断矩阵，每一列归一化后近似其相应的权重，在对这n 个列向量求取算术平均值作为最后的权重。
具体的公式是：∑∑===nj nk kliji a a n W 111 需要注意的是，在层层排序中，要对判断矩阵进行一致性检验。
在特殊情况下，判断矩阵可以具有传递性和一致性。
一般情况下，并不要求判断矩阵严格满足这一性质。
但从人类认识规律看，一个正确的判断矩阵重要性排序是有一定逻辑规律的，例如若A 比B 重要，B 又比C 重要，则从逻辑上讲，A 应该比C 明显重要，若两两比较时出现A 比C 重要的结果，则该判断矩阵违反了一致性准则，在逻辑上是不合理的。
因此在实际中要求判断矩阵满足大体上的一致性，需进行一致性检验。
只有通过检验，才能说明判断矩阵在逻辑上是合理的，才能继续对结果进行分析。
一致性检验的步骤如下：第一步，计算一致性指标C.I.（consistency index ）1..max --=n n I C λ第二步，查表确定相应的平均随机一致性指标R.I.（random index ）据判断矩阵不同阶数查下表，得到平均随机一致性指标R.I.。
第三步，计算一致性比例C.R.（consistency ratio ）并进行判断......I R I C R C =当C.R.<0.1时，认为判断矩阵的一致性是可以接受的，C.R.>0.1时，认为判断矩阵不符合一致性要求，需要对该判断矩阵进行重新修正。
6.1.1.2.4.层次总排序与检验总排序是指每一个判断矩阵各因素针对目标层（最上层）的相对权重。
这一权重的计算采用从上而下的方法，逐层合成。
很明显，第二层的单排序结果就是总排序结果。
假定已经算出第k-1层m 个元素相对于总目标的权重w (k-1)=(w 1(k-1),w 2(k-1),…,w m (k-1))T ，第k 层n 个元素对于上一层（第k 层）第j 个元素的单排序权重是p j (k)=(p 1j (k),p 2j (k),…,p nj (k))T ，其中不受j 支配的元素的权重为零。
令P (k)=(p 1(k),p 2(k),…,p n (k)),表示第k 层元素对第k-1层个元素的排序，则第k 层元素对于总目标的总排序为：w (k)=(w 1(k),w 2(k),…,w n (k))T = p (k) w (k-1) 或 ∑=-=mj j ij i k k (k)w p w 1)1()( I=1,2,…,n 同样，也需要对总排序结果进行一致性检验。
假定已经算出针对第k-1层第j 个元素为准则的 C.I.j (k)、R.I.j (k)和 C.R.j (k), j=1,2,…,m,则第k 层的综合检验指标C.I.j (k)=（C.I.1(k) ,C.I.2(k) ,…, C.I.m (k)）w (k-1)R.I.j (k)=（R.I.1(k) ,R.I.2(k) ,…, R.I.m (k)）w (k-1))()()(......k k k I R I C R C = 当C.R.(k)<0.1时，认为判断矩阵的整体一致性是可以接受的。
6.1.1.2.5 结果分析通过对排序结果的分析，得出最后的决策方案。
6.1.1.3．模型的求解通过使用AHP软件，我们得到了以下数据：注：lmax=3.0092注：注：lmax=3.0092注：lmax=2； CI=0通过上述分析，我们可以得到节奏在旋律因素中起到主要的影响，其次是主题因素和曲调因素。
在曲调因素中，声音腔调对其影响很大；在主题因素中，背景音到很大的影响；在节奏因素中，乐器特点对其影响占有很大的比例。
综上所述，旋律因素对音乐风格分类有很大的影响。
6.1.2音高对音乐风格的影响音高即音的高低。
音乐如语言，孤立的音是构不成乐句的，有了乐句才能构成乐段，从而表达完整的乐思。
由一组高低不同的音按照一定的调式关系和节奏关系组织起来，并体现着相对稳定的乐思，便形成了旋律。
由于音高之间的次第变化，使旋律进行形成上行、下行、平行、波浪等多种进行方向。
6.1.3和声对音乐风格的影响两个以上不同的音按一定的法则同时发声而构成的音响组合称为和声。
和声有明显的浓，淡，厚，薄的色彩作用；还有构成分句，分乐段和终止乐曲的作用。
在调性音乐中，和声同时具有功能性与色彩性的意义。
和声的功能，是指各和弦在调性所具有的稳定或不稳定的作用、它们的运动与倾向特性、彼此之间的逻辑联系等。
和声的功能与调性密切相关，离开了调性或取消了调性，和声也就失去了它的功能意义。
和声的色彩，是指各种和弦结构、和声位置、织体写法与和声进行等所具有的音响效果。
和声的色彩是和声表现作用的主要因素，无论在调性音乐或非调性音乐中，它都具有重要意义。
6.1.4音色对音乐风格的影响音色是指声音的感觉特性。
我们可以通过音色的不同去分辨不同的发声体。
音色是声音的特色，根据不同的音色，即使在同一音高和同一声音强度的情况下，也能区分出是不同乐器或人发出的。
音色的不同取决于不同的泛音，每一种乐器、不同的人以及所有能发声的物体发出的声音，除了一个基音外，还有许多不同频率的泛音伴随。
正是这些泛音决定了其不同的音色，使人能辨别出是不同的乐器甚至不同的人发出的声音。
6.1.5复调对音乐风格的影响复调是若干旋律的同时结合。
音乐从声部的组合方式上分为单音音乐，主调音乐，复调音乐三类。
复调是音乐的重要手段之一。
它通过旋律与旋律的结合，既能现时刻划两个或几个具有鲜明性格的音乐形象和表达一个音乐形象的不同侧面。
又能促进乐思形成连续不断的发展，还能够加强乐曲结构上的统一性。
6.1.6节拍对音乐风格的影响当音乐的节奏按照某种时值长度和轻重关系进行有序的组织时，就形成了节拍。