Tìm kiếm âm nhạc theo nội dung sử dụng đặc trưng đường bao phổ và phương pháp phân cụm K-Means
TÓM TẮT
Trong các cơ sở dữ liệu đa phương tiện lớn vấn đề tìm kiếm âm nhạc theo nội dung rất quan trọng.
Tìm kiếm âm nhạc trong các cơ sở dữ liệu hiện tại thường dựa trên cơ sở tìm kiếm chỉ mục. Tuy
nhiên, việc tìm kiếm âm nhạc theo chỉ mục có nhiều nhược điểm. Nhiều khi người dùng có thể
không nhớ được các từ khóa text của bài hát như tên bài hát, tác giả, ca sĩ hoặc lời bài hát. Tìm kiếm
âm nhạc theo nội dung khắc phục được những nhược điểm này. Trong cách tiếp cận truyền thống,
các vector đặc trưng của tín hiệu âm thanh được xây dựng từ các đặc trưng vật lý của âm thanh
như độ to, độ cao, năng lượng, phổ tần số, Gần đây, một số nghiên cứu trên thế giới tập trung
vào một cách tiếp cận khác, trong đó áp dụng các kiến thức về xử lý tín hiệu âm thanh, về phân
tích mô hình tạo âm thanh, mô hình cảm thụ âm thanh của con người có thể giúp việc tính toán
vector đặc trưng âm thanh được chính xác và hạn chế tối đa thông tin dư thừa. Bài báo này trình
bày phương pháp tìm kiếm âm nhạc theo nội dung dùng đặc trưng đường bao phổ Mel Cepstral, được
xây dựng dựa trên mô hình cảm thụ âm thanh của con ngườ, và thuật toán phân cụm K-means.
Từ khóa: Vector đặc trưng, Mel Cepstral, K-mean, MFCC.
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Trang 6
Tóm tắt nội dung tài liệu: Tìm kiếm âm nhạc theo nội dung sử dụng đặc trưng đường bao phổ và phương pháp phân cụm K-Means
TÌM KIẾM ÂM NHẠC THEO NỘI DUNG SỬ DỤNG ĐẶC TRƢNG ĐƢỜNG BAO PHỔ VÀ PHƢƠNG PHÁP PHÂN CỤM K-MEANS Phùng Thị Thu Hiền1, Vũ Tất Thắng2, Thái Quang Vinh2, Nguyễn Văn Huy1 1Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên, 2Viện Công nghệ thông tin - Viện KHCN Việt nam TÓM TẮT Trong các cơ sở dữ liệu đa phương tiện lớn vấn đề tìm kiếm âm nhạc theo nội dung rất quan trọng. Tìm kiếm âm nhạc trong các cơ sở dữ liệu hiện tại thường dựa trên cơ sở tìm kiếm chỉ mục. Tuy nhiên, việc tìm kiếm âm nhạc theo chỉ mục có nhiều nhược điểm. Nhiều khi người dùng có thể không nhớ được các từ khóa text của bài hát như tên bài hát, tác giả, ca sĩ hoặc lời bài hát. Tìm kiếm âm nhạc theo nội dung khắc phục được những nhược điểm này. Trong cách tiếp cận truyền thống, các vector đặc trưng của tín hiệu âm thanh được xây dựng từ các đặc trưng vật lý của âm thanh như độ to, độ cao, năng lượng, phổ tần số, Gần đây, một số nghiên cứu trên thế giới tập trung vào một cách tiếp cận khác, trong đó áp dụng các kiến thức về xử lý tín hiệu âm thanh, về phân tích mô hình tạo âm thanh, mô hình cảm thụ âm thanh của con người có thể giúp việc tính toán vector đặc trưng âm thanh được chính xác và hạn chế tối đa thông tin dư thừa. Bài báo này trình bày phương pháp tìm kiếm âm nhạc theo nội dung dùng đặc trưng đường bao phổ Mel Cepstral, được xây dựng dựa trên mô hình cảm thụ âm thanh của con ngườ, và thuật toán phân cụm K-means. Từ khóa: Vector đặc trưng, Mel Cepstral, K-mean, MFCC. ĐẶT VẤN ĐỀ dụng như là một hệ số cơ sở trong xử lý tiếng nói. Những giá trị khác thể hiện một hệ thống Tìm kiếm âm nhạc theo nội dung là một lĩnh chỉ số dựa trên việc kết nối các đặc trưng như vực nghiên cứu mới và được nhiều nhà là độ cao, độ to hoặc hệ số tần số Mel [9]. nghiên cứu quan tâm. Hiện có một số phương Foote [9] đã thiết kế một hệ thống chỉ mục âm thức đã được áp dụng tìm kiếm âm nhạc theo nhạc dựa trên biểu đồ các đặc trưng MFCC nội dung. xuất phát từ vector lượng tử hóa. Beth Logan Theo Bel Logan [3] cấu trúc âm thanh của âm [3] đã thực hiện theo cách của Foote sử dụng nhạc là quan trọng. Vì vậy cần phải có một hệ các biểu đồ của các đặc trưng MFCC nhưng thống nhận biết độ tương tự âm thanh theo sử dụng thêm giải thuật phân cụm K-means. cách gần giống như hệ thống nghe của con Phương thức của ông thực hiện sau kỹ thuật người, và hệ thống thính giác của con người phục hồi âm thanh thực hiện bởi Liu và dễ dàng thu và nhận dạng các nhóm âm thanh Huang [11]. hơn là từng nốt nhạc hay âm riêng lẻ. David Trong các nghiên cứu về giác quan của con Pye [7] áp dụng phương pháp nhận dạng sự người, phương thức sử dụng hệ số tần Mel để thay đổi phổ của tiếng nói với hai kỹ thuật biểu hiện âm thanh bằng tham số cũng đã chính, Gaussian Mixture Modelling (GMM) – được chứng minh là rất thành công. MFCC mô hình phân loại độ vang âm thanh và tạo ra chữ ký hay dấu riêng cho mỗi bài hát. phương thức Tree-Based Vector Quantization Việc so sánh giữa chữ ký với nội dung âm (TreeQ) (Lượng tử hoá vector dựa trên cấu thanh là hiệu quả, bởi vì nó không liên quan trúc cây). Các kỹ thuật này yêu cầu biểu hiện tới dữ liệu đã được bỏ đi trong quá trình tính các tham số của mẫu âm thanh thành các toán chữ ký, kết quả là cải thiện được việc tìm vector đặc trưng. Mel Frequency Cepstral kiếm dữ liệu với tỷ lệ thiết lập dữ liệu nhỏ và Coefficients (MFCC) - hệ số Mel được sử yêu cầu lưu trữ bộ nhớ nhỏ. Tel:0986060545, Email: pthientng@gmail.com Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên | 80 Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 74(12): 80 - 85 Bài báo này trình bày phương pháp tìm kiếm khung. Quá trình phân khung được thể hiện âm nhạc theo nội dung sử dụng đặc trưng trong hình 2. đường bao phổ kết hợp phương pháp phân cụm K-means, cuối cùng là đưa ra một số kết quả thực nghiệm. CƠ SỞ LÝ THUYẾT Quá trình lọc theo thang Mel Cepstral Hình 2. Phân khung tín hiệu Theo Beth Logan [3], MFCC gồm 5 bước: Hàm cửa sổ bỏ đi những hiệu ứng phụ và 1. Chia tín hiệu thành các khung vector đặc trưng cepstral được thực hiện trên 2. Với mỗi khung, ta thu được biên độ phổ. mỗi khung cửa sổ. Thông thường, cửa sổ Hamming được sử dụng, cửa sổ này có dạng: 3. Lấy log của biên độ 2 n 4. Chuyển đổi sang thang Mel w( n ) 0.54 0.46cos ,0 n N 1 (1) N 1 5. Thực hiện biến đổi Cosine rời rạc. Ý tưởng ở đây là giảm bớt sự méo phổ bằng việc sử dụng các cửa sổ để giảm tín hiệu về không tại điểm bắt đầu và kết thúc mỗi khung. Biến đổi Fourier rời rạc của mỗi khung được Hình 1. Quá trình tạo các đặc tính MFCC tính toán và lấy logarith biên độ phổ. Thông Quan sát quá trình trên ta thấy, âm thanh tin về pha bị bỏ qua do biên độ phổ là quan được chia thành những khung có độ dài cố trọng hơn pha. Thực hiện lấy logarith biên độ định. Mục đích là để lấy mẫu những đoạn tín phổ do âm lượng của tín hiệu là xấp xỉ hiệu nhỏ (theo lý thuyết là ổn định). Trong logarith. Bước tiếp theo là biến đổi phổ theo việc lấy mẫu dữ liệu, chúng ta xem xét đến tín thang Mel. Từ kết quả này, trong vector Mel hiệu âm thanh đã được số hóa bằng việc rời – spectral của các thành phần tương quan cao, rạc hóa các giá trị trên những khoảng đều bước cuối cùng là thực hiện biến đổi cosine nhau vì vậy cần phải chắc chắn rằng tốc độ rời rạc để tổng hợp vector phổ Mel để tương lấy mẫu là đủ lớn để mô tả tín hiệu dạng quan lại các thành phần này. sóng. Tấn số lấy mẫu nên ít nhất gấp đôi tần Độ lệch tần số Mel số dạng sóng như trong định lý của Nyquist. Tốc độ lấy mẫu phổ biến là 8000, 11025, Để mô tả chính xác sự tiếp nhận tần số của hệ 22050, 44000, thông thường sử dụng tần số thống thính giác, người ta xây dựng một trên 10kHz thang khác – thang Mel. Phân khung là quá trình chia mẫu tín hiệu Độ lệch tần số Mel làm nhẵn phổ và làm nổi thành một số khung chồng lấp lên nhau hoặc lên các tần số cảm thụ có nghĩa. Biến đổi Fourier lên tín hiệu qua bộ lọc thông dải để không, mục đích của phân khung là để lấy làm đơn giản phổ mà không làm mất dữ liệu. mẫu các đoạn tín hiệu nhỏ. Bản chất của âm Điều này được thực hiện bằng cách tập hợp thanh là không ổn định, vì vậy, biến đổi các thành phần phổ thành một dải tần số. Phổ Fourier sẽ thể hiện tần số xảy ra trên toàn được làm đơn giản hóa do sử dụng một giàn miền thời gian thay vì thời gian cụ thể. Do đó bộ lọc để tách phổ thành các kênh. Các bộ lọc khi tín hiệu là không ổn định, thì nó nên được được đặt cách đều nhau trên thang Mel và lấy chia nhỏ thành các cửa sổ rời rạc, nhờ đó mỗi logarit trên thang tần số, các kênh có tần số tín hiệu trong một cửa sổ trở nên tĩnh và phép thấp là không gian tuyến tính trong khi các biến đổi Fourier có thể thực hiện trên mỗi kênh có tần số cao là không gian logarit. Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên | 81 Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 74(12): 80 - 85 Tai người không cảm nhận sự thay đổi tần số 1. Cố định vùng giá trị dưới mỗi bộ lọc và đôi của tiếng nói tuyến tính mà theo thang Mel. khi đưa thang về 1. Đặt M bằng số băng lọc Thang tần số Mel tuyến tính ở tần số dưới yêu cầu 1kHz và logarit ở tần số cao hơn 1kHz. Ta 2. Phân bố đều trên thang tần số Mel chọn tần số 1kHz, 40 dB trên ngưỡng nghe 3. Chuyển đổi từ Hz sang Wi trên thang tuyến 1000 Mel. Do đó công thức gần đúng biểu tính. Mối quan hệ giữa mel và frq được cho diễn quan hệ tần số ở thang Mel và thang bởi công thức: tuyến tính như sau: m=ln(1+f/700)*1000/ln(1+1000/700) (3) (2) Phƣơng pháp phân cụm K-means Một phương pháp để chuyển đổi sang thang K-means là một phương pháp phân cụm. Mel là sử dụng băng lọc. Khoảng cách của Phương pháp này quan sát k cụm trong dữ băng lọc được định nghĩa bởi một hằng số tần liệu, và trả lại vector chỉ số của K cụm đã số mel theo thời gian. Băng lọc này được áp quan sát. dụng trong miền tần số, nó có thể xem như K-means quan sát trong dữ liệu và tìm cách các điểm thu được của bộ lọc chính. Với các phân vùng dữ liệu sao cho dữ liệu trong một khung nhỏ tốt nhất là sử dụng các bộ lọc dạng cụm càng gần nhau càng tốt và so với dữ liệu tam giác hoặc thậm chí hình chữ nhật vì độ trong các cụm khác phải càng xa càng tốt. phân giải là quá thấp trong miền tần số thấp. Mỗi cụm được xác định bởi các thành phần của nó và bởi thành phần trung tâm của nó. Thành phần trung tâm của mỗi cụm là thành phần mà có tổng khoảng cách từ các đối tượng trong cụm đến nó là nhỏ nhất. Cụm trung tâm được tính toán khác nhau với mỗi thước đo khoảng cách, để tổng khoảng cách là nhỏ nhất với mỗi tiêu chuẩn đánh giá. Để thực hiện phương thức K-means ta sử Hình 3. Băng lọc khoảng cách theo tần số mel dụng một thuật toán lặp để tính tổng khoảng cách từ mỗi đối tượng tới cụm trung tâm là Mỗi bộ lọc trong băng lọc được nhân với phổ nhỏ nhất trên toàn bộ cụm. Thuật toán này di tín hiệu vì vậy chỉ có một giá trị đơn của chuyển các đối tượng giữa các cụm cho tới cường độ trên bộ lọc được trả lại. Điều này có khi tổng khoảng cách không thể giảm hơn thể đạt được qua các tính toán của ma trận được nữa. Kết quả là tạo được các cụm có đơn. Kết quả là tổng của biên độ trong dải lọc khoảng cách đủ nhỏ và có độ phân cách hợp và vì vậy làm giảm độ chính xác tới mức mà lý. Độ nhỏ của dữ liệu có thể được chỉ ra bằng tai của con người có thể cảm nhận được. việc thay đổi các tham số đầu vào giống với số lượng cụm trung tâm và số lần lặp. Ý tưởng chính ở đây là tìm cách xác định cụm trung tâm k từ mỗi cụm. Nên lựa chọn điểm trung tâm vì các vị trí khác nhau cho các kết quả khác nhau. Trong điều kiện lý tưởng chúng phải cách xa các điểm khác tối đa khả Hình 4. Phổ sau khi lọc theo thang Mel năng có thể. Mỗi điểm trong dữ liệu được gắn Quá trình độ lệch tần số mel được thực hiện với điểm trung tâm gần nhất. Điểm trung tâm theo ba bước sau: thứ k mới sẽ được tính toán lại từ kết quả Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên | 82 Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 74(12): 80 - 85 phân cụm của bước trước và quá trình nhóm các điểm dữ liệu với các điểm trung tâm gần nhất sẽ được thực hiện lặp đi lặp lại và điều đó sẽ tiếp tục cho tới khi xác định được điểm trung tâm chính. Phương pháp phân cụm K-means tìm nhóm có kích thước nhỏ nhất trong tổng bình phương các cụm, chúng ta sử dụng thuật toán Hình 6. Phương pháp phân cụm K-means sai số bình phương để tính bình phương KẾT QUẢ THỰC NGHIỆM khoảng cách Euclidean. Thuật toán K-means thực hiện theo các Chuẩn bị dữ liệu bước sau: Dữ liệu bao gồm 10 bài hát nhạc trẻ Việt nam 1. Đặt K điểm vào vùng phân cụm các đối được lưu ở định dạng PCM wave, tần số lấy tượng. Các điểm này mô tả nhóm trung tâm mẫu 44 KHz, mã hóa 16 bit trên một mẫu. đầu tiên. Mỗi bài hát được trích ra một đoạn ngắn < 5 s 2. Gán mỗi đối tượng vào một nhóm có điểm sử dụng làm mẫu tìm kiếm. trung tâm gần nhất. 3. Khi tất cả các đối tượng đã được đưa vào Các tham số thực nghiệm các nhóm, tính toán lại vị trí của K điểm trung Đặc trưng MFCC được cài đặt với các tham tâm. số sau : Kích cỡ khung là 512 ms, không sử 4. Thực hiện lặp lại bước 2 và 3 cho tới khi dụng khung chồng lấp, số bộ lọc trong dãy bỏ đi được các điểm trung tâm ở xa. Điều này băng lọc Mel là 20, số hệ số Ceptral là 12, giúp phân cách các đối tượng thành các nhóm không sử dụng các hệ số đạo hàm Delta, kết có kích thước nhỏ nhất có thể. Thủ tục lặp sẽ luôn kết thúc khi điểm trung hợp các hệ số MFCC với 1 hệ số năng lượng tâm không thay đổi. Tuy nhiên, cần lưu ý Giống như Beth Logan [8], phân lớp bằng rằng các thuật toán không nhất thiết phải đưa cách phân hệ số cepstral thành 16 cụm theo ra những kết quả tối ưu. Hình 5 mô tả các thuật toán K-means chuẩn. Sử dụng khoảng bước đã nêu trên. Mỗi bước dưới đây tương cách Euclidean để tính toán độ tương tự. ứng với trình tự của biểu đồ. Kết quả thực nghiệm và đánh giá Chọn số lượng cụm k. Ví dụ k=5 Tạo ra ngẫu nhiên vị trí trung tâm cụm Chương trình demo tìm kiếm bài hát theo đặc Tại mỗi Centre tìm điểm trung tâm của trưng đường bao phổ MFCC thử nghiệm trên chính nó cơ sở dữ liệu nhỏ (10 bài hát) nên được thiết Thực hiện bước nhảy kế tích hợp cả thao tác huấn luyện và nhận Thực hiện lặp lại cho tới khi kết thúc dạng cho trực quan. Thao tác tìm kiếm nhận dạng được thử nghiệm với từng mẫu âm thanh riêng rẽ và ghi lại kết quả thủ công. Kết quả nhận dạng đúng sau đó được tổng hợp lại để cho ra kết quả nhận dạng của hệ thống. Trong thực tế khi lượng dữ liệu huấn luyện lớn cần thực hiện huấn luyện trước và lưu trong cơ sở dữ liệu. Thao tác nhận dạng và tìm kiếm được tách ra độc lập so sánh với cơ sở dữ liệu huấn luyện đã lưu. Việc tách riêng Hình 5. Thủ tục K-means 2 thao tác huấn luyện và tìm kiếm sẽ làm Hình 6 minh họa phương thức phân cụm K giảm thời gian khi tiến hành thử nghiệm. trong hình 5. Chú ý rằng những dữ liệu tương tự được nhóm cùng nhau. Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên | 83 Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 74(12): 80 - 85 Trong chương trình thử nghiệm, kết quả nhận nội dung”, Luận văn thạc sỹ công nghệ thông tin, dạng đúng cuối cùng sau 10 lần thử nghiệm là Đại học Thái Nguyên, 12/2009. [2]. Phùng Thị Thu Hiền, PGS.TS. Thái Quang 100%. Kết quả này cao hơn kết quả đã công Vinh, Phùng Trung Nghĩa, Lê Tuấn Anh, “Tìm bố trong [8] và [10] dù dùng cùng thuật toán. kiếm âm nhạc theo nội dung sử dụng đặc trưng Lý do có thể do chương trình demo mới thử tần số cơ bản F0 và giải thuật thời gian động nghiệm trên bộ cơ sở dữ liệu rất nhỏ. Hơn nữa DTW”, Tạp chí Khoa học & Công nghệ ISSN, độ dài âm thanh đầu vào (trích 1 đoạn từ file 1859 – 2171, 2009, T55 – 59. [3]. Beth Logan and Ariel Salomon, “A Music âm thanh cần tìm kiếm) đủ lớn (so với âm Similarity Function Based on Signal Analysis”, thanh tìm kiếm). Tỷ lệ nhận dạng sẽ giảm Cambridge Research Laboratory xuống khi dùng cơ sở dữ liệu lớn hơn (đặc [4]. S.Blackburn and D. De Roure, “A tool for biệt khi trong cơ sở dữ liệu có các bài hát có content based navigation of music”, in ACM những phần tương tự nhau), tỷ lệ nhận dạng Multimedia ,1998 và tìm kiếm đúng cũng sẽ giảm xuống khi độ [5]. R. Mc Nab, L. Smith, I. Witten, C.Henderson, and S.Cunningham, “Towards the digital music dài mẫu âm thanh đầu vào là nhỏ. library: Tune retrieval from acoustic input,” in Về mặt thời gian, quá trình huấn luyện và sau Digital Libraries 1996, 1996, pp.11-18 đó tìm kiếm hết ~ 4 s với một bài hát. [6]. A.Ghias, J.Logan, D. Chamberlin and B.Smith, “Query by humming,” in ACM Chương trình mô phỏng được xây dựng trên Multimedia, 1995 phần mềm matlab: [7]. David Pye, “Content Based Methods for the Management of Digital Music” AT& T Labaratories Cambridge [8]. Beth Logan and Stephen Chu, “Music Summarization Using Key Phrases”, Cambridge Research Laboratories [9]. J.T. Foote, “Content-based retrieval of Music and Audio,” in SPIE, 1997, p.p 138- 147 [10]. J.-S. Roger Jang, Hong-Ru Lee, "Hierarchical Filtering Method for Content-based Music Retrieval via Acoustic Input", The 9th ACM Multimedia Conference, PP. 401-410, Ottawa, Ontario, Canada, September 2001. [11]. Z.Liu and Q.Huang, “Content-based indexing and retrieval by example in audio,” in Hình 7. Kết quả chạy chương trình ICME 2000, 2000 Hƣớng phát triển TÀI LIỆU THAM KHẢO Cần xây dựng một cơ sở dữ liệu âm nhạc đủ [1]. Phùng Thị Thu Hiền, “Trích chọn đặc trưng lớn để thử nghiệm. Từ đó sẽ đánh giá được độ âm thanh trong bài toán tìm kiếm âm nhạc theo nội dung”, Luận văn thạc sỹ công nghệ thông tin, chính xác, hiệu quả của các phương pháp tìm Đại học Thái Nguyên, 12/2009. kiếm và có thể đề xuất các phương pháp cải [2]. Phùng Thị Thu Hiền, PGS.TS. Thái Quang tiến thao tác trích đặc trưng và phân lớp của Vinh, Phùng Trung Nghĩa, Lê Tuấn Anh, “Tìm hệ thống tìm kiếm. kiếm âm nhạc theo nội dung sử dụng đặc trưng tần số cơ bản F0 và giải thuật thời gian động Hướng nghiên cứu tiếp theo sẽ là tìm hiểu sâu DTW”, Tạp chí Khoa học & Công nghệ ISSN, hơn về các phương pháp phân lớp dữ liệu 1859 – 2171, 2009, T55 – 59. triển vọng như dùng mạng Neural, giải thuật di truyền GA, mô hình Markov ẩn HMM, TÀI LIỆU THAM KHẢO [1]. Phùng Thị Thu Hiền, “Trích chọn đặc trưng âm thanh trong bài toán tìm kiếm âm nhạc theo Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên | 84 Phùng Thị Thu Hiền và cs Tạp chí KHOA HỌC & CÔNG NGHỆ 74(12): 80 - 85 SUMMARY CONTENT-BASED MUSIC RETRIEVAL USING SPECTRAL ENVELOPE FEATURE AND K-MEANS ALGORITHM Phung Thi Thu Hien1 , Vu Tat Thang2, Thai Quang Vinh2, Nguyen Van Huy1 1Thai Nguyen University of Technology 2Institute of Information Technology - VAST In multimedia database, music retrieval is an important research topic. Current music searching is based on text indexing. However, this kind of method has some drawbacks. It is difficult to remember the text keywords such as song name, author name, singer name or the lyric of songs. Content-based music searching overcomes these drawbacks. In state of the art approaches, feature vectors of music signal are built based on their physical characteristics as volume, energy, and spectrum.Recently, some researches use another approach, which based on the signal processing techniques incorporating with human auditory analysis. This approach minimizes the redundant information as well as accurately represents the music signal. This paper presens a method of song searching using Mel ceptral spectral envelope and K-means algorithm. Tel: 0986060545, Email: pthientng@gmail.com Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên | 85
File đính kèm:
- tim_kiem_am_nhac_theo_noi_dung_su_dung_dac_trung_duong_bao_p.pdf