| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13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 |
| 1.3 本文研究内容 | 第11页 |
| 1.4 本文组织结构 | 第11-13页 |
| 第二章 音乐情感理论与情感模型 | 第13-20页 |
| 2.1 引言 | 第13页 |
| 2.2 情感心理模型 | 第13-16页 |
| 2.2.1 离散形式的情感模型 | 第13-15页 |
| 2.2.2 维度形式的情感模型 | 第15-16页 |
| 2.3 情感认知模型 | 第16-19页 |
| 2.3.1 朴素贝叶斯分类器(NBC) | 第16-17页 |
| 2.3.2 决策树 | 第17页 |
| 2.3.3 k-近邻(KNN) | 第17-18页 |
| 2.3.4 人工神经网络(ANN) | 第18页 |
| 2.3.5 支持向量机(SVM) | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 音乐特征分析 | 第20-33页 |
| 3.1 引言 | 第20页 |
| 3.2 基于音频的音乐特征分析 | 第20-27页 |
| 3.2.1 音乐的基本要素 | 第20-21页 |
| 3.2.2 音乐的时域特征 | 第21-23页 |
| 3.2.3 音乐的频域特征 | 第23-24页 |
| 3.2.4 音乐的倒谱特征 | 第24-27页 |
| 3.3 基于歌词的音乐特征分析 | 第27-32页 |
| 3.3.1 歌词的向量空间模型(VSM)表示 | 第27-28页 |
| 3.3.2 CHI特征选择方法 | 第28-30页 |
| 3.3.3 改进的CHI特征选择方法 | 第30-31页 |
| 3.3.4 潜在语义分析(LSA) | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于SVM的多模态音乐情感分类 | 第33-47页 |
| 4.1 引言 | 第33页 |
| 4.2 支持向量机(SVM) | 第33-42页 |
| 4.2.1 最优分类超平面 | 第34-35页 |
| 4.2.2 线性支持向量机 | 第35-39页 |
| 4.2.3 非线性支持向量机 | 第39-40页 |
| 4.2.4 核函数及参数选择 | 第40-41页 |
| 4.2.5 支持向量机多分类方法 | 第41-42页 |
| 4.3 多模态融合方法 | 第42-46页 |
| 4.3.1 特征级联早融合法(EFFC) | 第43-44页 |
| 4.3.2 线性结合晚融合法(LFLC_4) | 第44页 |
| 4.3.3 子任务结合晚融合法(LFSM) | 第44-45页 |
| 4.3.4 改进的LFSM融合法 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 多模态音乐情感分类系统的实现 | 第47-57页 |
| 5.1 系统整体框架 | 第47-48页 |
| 5.2 模块设计 | 第48-51页 |
| 5.2.1 音乐库的建立 | 第48页 |
| 5.2.2 预处理 | 第48-49页 |
| 5.2.3 音乐特征分析 | 第49-51页 |
| 5.2.4 分类模型 | 第51页 |
| 5.2.5 分类评价指标 | 第51页 |
| 5.3 实验结果与分析 | 第51-56页 |
| 5.3.1 基于音频的音乐情感分类(Audio-Only) | 第51-52页 |
| 5.3.2 基于歌词的音乐情感分类(Lyric-Only) | 第52-54页 |
| 5.3.3 基于音频和歌词的多模态的音乐情感分类(Audio+Lyric) | 第54-55页 |
| 5.3.4 多模态融合方法的比较 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 本文总结 | 第57-58页 |
| 6.2 未来工作展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 攻读硕士学位期间撰写的论文 | 第62-63页 |
| 致谢 | 第63页 |
