| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 引言 | 第12-13页 |
| 1.2 研究背景 | 第13-15页 |
| 1.3 研究动机 | 第15页 |
| 1.4 研究内容和主要贡献 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-18页 |
| 第2章 相关工作概述 | 第18-26页 |
| 2.1 引言 | 第18页 |
| 2.2 音乐领域知识 | 第18-20页 |
| 2.2.1 和弦进行 | 第18-19页 |
| 2.2.2 节奏型 | 第19页 |
| 2.2.3 乐器特性 | 第19-20页 |
| 2.2.4 和谐性 | 第20页 |
| 2.2.5 音乐风格 | 第20页 |
| 2.3 机器学习方法 | 第20-22页 |
| 2.3.1 序列学习 | 第20-21页 |
| 2.3.2 多任务学习 | 第21-22页 |
| 2.4 音乐生成方法 | 第22-25页 |
| 2.4.1 基于传统方法的音乐生成 | 第22-24页 |
| 2.4.2 基于深度学习方法的音乐生成 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 旋律和编曲生成方法 | 第26-44页 |
| 3.1 引言 | 第26页 |
| 3.2 旋律和编曲生成问题 | 第26-28页 |
| 3.2.1 问题描述 | 第26-27页 |
| 3.2.2 问题形式化定义 | 第27-28页 |
| 3.3 旋律和编曲生成框架 | 第28-29页 |
| 3.4 基于和弦的节奏和旋律交叉生成模型CRMCG | 第29-32页 |
| 3.4.1 节奏生成部分 | 第30页 |
| 3.4.2 旋律生成部分 | 第30-31页 |
| 3.4.3 交叉生成及训练部分 | 第31-32页 |
| 3.5 基于多任务学习的多乐器联合编曲模型MICA | 第32-35页 |
| 3.5.1 注意力单元Attention Cell | 第33页 |
| 3.5.2 感知机单元MLP Cell | 第33-34页 |
| 3.5.3 联合学习部分 | 第34页 |
| 3.5.4 生成部分 | 第34-35页 |
| 3.6 实验 | 第35-42页 |
| 3.6.1 实验数据集 | 第35页 |
| 3.6.2 实验设置 | 第35-36页 |
| 3.6.3 旋律生成实验结果 | 第36-38页 |
| 3.6.4 编曲生成实验结果 | 第38-42页 |
| 3.7 本章小结 | 第42-44页 |
| 第4章 多风格编曲生成方法 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 多风格编曲生成问题 | 第44-46页 |
| 4.2.1 问题描述 | 第44-45页 |
| 4.2.2 问题形式化定义 | 第45-46页 |
| 4.3 多风格多乐器联合编曲模型MSMICA | 第46-52页 |
| 4.3.1 生成对抗网络 | 第47-48页 |
| 4.3.2 多序列生成对抗网络 | 第48页 |
| 4.3.3 生成器 | 第48-50页 |
| 4.3.4 判别器 | 第50-51页 |
| 4.3.5 模型训练方法 | 第51-52页 |
| 4.4 实验 | 第52-57页 |
| 4.4.1 实验数据集 | 第52-53页 |
| 4.4.2 实验设置 | 第53-54页 |
| 4.4.3 实验结果及分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 总结及展望 | 第58-62页 |
| 5.1 本文总结 | 第58-59页 |
| 5.2 研究展望 | 第59-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 在读期间发表的学术论文与取得的研究成果 | 第68页 |
