| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 乐器识别研究现状 | 第9页 |
| 1.3 论文的研究目标和作者主要工作 | 第9-10页 |
| 1.4 论文组织结构 | 第10-12页 |
| 第二章 乐器识别的基础知识 | 第12-17页 |
| 2.1 乐器基础知识 | 第12-13页 |
| 2.1.1 乐器种类 | 第12页 |
| 2.1.2 乐器声学参数 | 第12-13页 |
| 2.2 乐器的音频特点 | 第13-14页 |
| 2.2.1 音频格式 | 第13-14页 |
| 2.2.2 时域特点 | 第14页 |
| 2.2.3 频域特点 | 第14页 |
| 2.3 音频信号预处理 | 第14-16页 |
| 2.4 本章小结 | 第16-17页 |
| 第三章 声学特征参数及其提取方法 | 第17-22页 |
| 3.1 几种常见的乐器识别声学特征参数 | 第17-18页 |
| 3.1.1 线性预测倒谱系数LPCC | 第17-18页 |
| 3.1.2 振幅包络特征 | 第18页 |
| 3.1.3 基于MPEG-7的声学特征参数 | 第18页 |
| 3.2 Mel倒谱系数MFCC | 第18-19页 |
| 3.3 Mel差分倒谱系数DeltaMFCC | 第19页 |
| 3.4 特征参数提取的实现 | 第19-21页 |
| 3.5 本章小结 | 第21-22页 |
| 第四章 基于Weka平台的分类器模型 | 第22-34页 |
| 4.1 贝叶斯网络模型 | 第22-25页 |
| 4.1.1 贝叶斯网络基本原理 | 第22-23页 |
| 4.1.2 朴素贝叶斯分类器 | 第23-25页 |
| 4.2 神经网络分类模型 | 第25-27页 |
| 4.2.1 BP神经网络模型 | 第25-26页 |
| 4.2.2 径向基函数神经网络模型 | 第26-27页 |
| 4.3 决策树—J48 | 第27-30页 |
| 4.3.1 ID3算法 | 第28-29页 |
| 4.3.2 J48算法 | 第29-30页 |
| 4.4 随机森林 | 第30-32页 |
| 4.4.1 随机森林定义 | 第30-32页 |
| 4.5 半监督学习方法 | 第32-33页 |
| 4.5.1 半监督学习方法概述 | 第32-33页 |
| 4.5.2 半监督学习在Weka平台上的应用 | 第33页 |
| 4.6 本章小结 | 第33-34页 |
| 第五章 实验结果与分析 | 第34-44页 |
| 5.1 实验数据 | 第34-36页 |
| 5.1.1 实验数据收集与处理 | 第34页 |
| 5.1.2 静音段处理 | 第34-36页 |
| 5.2 实验方案 | 第36-38页 |
| 5.2.1 实验步骤 | 第36-38页 |
| 5.3 实验结果与分析 | 第38-43页 |
| 5.3.1 采用MFCC特征参数的分类识别结果 | 第38-39页 |
| 5.3.2 30至40维MFCC特征参数的分类识别 | 第39页 |
| 5.3.3 MFCC、DeltaMFCC组合特征参数的分类识别 | 第39-40页 |
| 5.3.4 30至40维MFCC、DeltaMFCC组合特征参数的分类识别 | 第40-41页 |
| 5.3.5 多种分类器的识别结果 | 第41-42页 |
| 5.3.6 Weka平台上半监督学习实验 | 第42-43页 |
| 5.4 本章小结 | 第43-44页 |
| 第六章 总结与展望 | 第44-45页 |
| 6.1 总结 | 第44页 |
| 6.2 展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48页 |
