数字钢琴乐谱难度等级识别算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 基于回归算法的钢琴乐谱难度识别 | 第9-10页 |
| 1.2.2 基于聚类实现乐谱难度识别 | 第10-11页 |
| 1.3 面临的问题 | 第11页 |
| 1.4 本文工作和内容安排 | 第11-14页 |
| 第2章 特征空间的建立 | 第14-22页 |
| 2.1 新的难度特征的定义与提取 | 第14-16页 |
| 2.2 实验数据集的建立 | 第16-17页 |
| 2.2.1 数据源收集 | 第16页 |
| 2.2.2 数据预处理 | 第16-17页 |
| 2.2.3 解决数据不平衡问题 | 第17页 |
| 2.3 评估难度相关特征的有效性 | 第17-20页 |
| 2.3.1 回归拟合对比实验 | 第17-18页 |
| 2.3.2 ReliefF权重算法 | 第18-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 P-KNN算法实现钢琴乐谱难度识别 | 第22-34页 |
| 3.1 KNN分类算法原理 | 第23-24页 |
| 3.2 测度学习理论 | 第24-26页 |
| 3.3 P-KNN算法 | 第26-27页 |
| 3.4 P-KNN算法的具体实现 | 第27-28页 |
| 3.5 仿真实验与结果分析 | 第28-31页 |
| 3.5.1 k折交叉验证及实验结果 | 第29-30页 |
| 3.5.2 最近邻数k对结果的影响 | 第30-31页 |
| 3.6 本章小结 | 第31-34页 |
| 第4章 ML-SVM算法实现钢琴乐谱难度识别 | 第34-50页 |
| 4.1 SVM理论基础 | 第34-44页 |
| 4.1.1 线性可分时SVM的分类思想 | 第35-38页 |
| 4.1.2 线性不可分时SVM的分类思想 | 第38-41页 |
| 4.1.3 核函数 | 第41-44页 |
| 4.2 ML-SVM分类模型 | 第44-45页 |
| 4.3 ML-SVM算法实现原理 | 第45页 |
| 4.4 一对余扩展ML-SVM到多分类 | 第45-46页 |
| 4.5 网格搜索算法进行参数寻优 | 第46-47页 |
| 4.6 仿真实验与结果分析 | 第47-48页 |
| 4.7 本章小结 | 第48-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 发表论文和参加科研情况说明 | 第56-58页 |
| 致谢 | 第58-59页 |
