基于深度注意力机制的音乐流派分类方法研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-14页 |
| 1.1 课题研究背景与意义 | 第7-8页 |
| 1.2 音乐流派分类的研究现状 | 第8-11页 |
| 1.2.1 传统的音乐流派分类 | 第8-10页 |
| 1.2.2 基于深度学习的音乐流派分类 | 第10-11页 |
| 1.3 本文主要研究内容及章节安排 | 第11-14页 |
| 1.3.1 本文主要内容 | 第11-12页 |
| 1.3.2 章节安排 | 第12-14页 |
| 2 相关理论及技术 | 第14-31页 |
| 2.1 引言 | 第14-15页 |
| 2.2 音乐特征 | 第15-19页 |
| 2.2.1 时域特征 | 第16-17页 |
| 2.2.2 频域特征 | 第17-18页 |
| 2.2.3 倒谱域特征 | 第18-19页 |
| 2.3 STFT声谱图 | 第19-21页 |
| 2.4 卷积神经网络 | 第21-25页 |
| 2.5 循环神经网络 | 第25-27页 |
| 2.6 注意力机制与编解码框架 | 第27-31页 |
| 3 基于深度串行注意力机制的分类模型 | 第31-47页 |
| 3.1 引言 | 第31页 |
| 3.2 基于深度串行注意力机制的分类模型实现 | 第31-37页 |
| 3.2.1 双向循环神经网络 | 第34-36页 |
| 3.2.2 Adam优化算法 | 第36-37页 |
| 3.3 音乐流派分类实验结果与分析 | 第37-46页 |
| 3.3.1 数据集介绍与数据集增强 | 第37-40页 |
| 3.3.2 实验设置 | 第40-44页 |
| 3.3.3 实验结果分析 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于深度并行注意力机制的分类模型 | 第47-58页 |
| 4.1 引言 | 第47页 |
| 4.2 基于深度并行注意力机制的分类模型实现 | 第47-51页 |
| 4.2.1 并行线性注意力模型 | 第48-49页 |
| 4.2.2 并行CNN注意力模型 | 第49-51页 |
| 4.3 音乐流派分类实验结果与分析 | 第51-56页 |
| 4.3.1 实验设置 | 第51-52页 |
| 4.3.2 实验结果分析 | 第52-56页 |
| 4.4 本章小结 | 第56-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64-65页 |
| 致谢 | 第65-67页 |
