频谱模式识别的问题

我想做一个从钢琴演奏中分辨出哪些声音在响的程序，然后就可以依此把谱弄出来，这样即使找不到谱，也可以练习一些曲子。

对于钢琴，按下一个键之后，将会发出音高对应频率的基音，以及基因频率整数倍的泛音。例如，如果我按下A4键，将会有基音频率为440Hz的最强峰，其余会有880Hz、1320Hz、1760Hz等等的泛音峰。

如果按下多个键，大致可以认为是哪些键各自的基音泛音的加和。看起来模式似乎挺简单的。

然后我就写了个神经网络，非常简单的2层后传网，输入为傅立叶变换产生的频谱（只使用强度信息，不使用相位信息），第二层只有1个节点，其输出表示某个音是不是在响，但效果不理想：能够训练成识别单个音的，但是如果给双音和声的输入，就识别不了；而如果训练的时候把和声的输入也塞进去，就训练不出来……

原先试过第二层88个节点，每个节点表示一个音，效果更加不理想，连单音识别都训练不出来。

大家有什么建议？比如换一种更简单的方法？

这个跟语音识别是不是类似啊。 人家说话那么多音都可以识别，你也可以考虑他们那种办法？

不是说现在的都是基于统计学的什么算法来作的？不了解阿

我觉得肯定可以识别，而且这个的模式明显比语音简单好多，应当不难才对。
可我在训练BP网络时采用了各种策略，最好只做到了识别各个单个按键之间，一和声就挂了。