海量音乐的哼唱检索研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的与意义 | 第10-13页 |
| 1.3 相关技术的国内外研究现状 | 第13-14页 |
| 1.4 主要内容和组织结构 | 第14-15页 |
| 第二章 相关技术介绍 | 第15-30页 |
| 2.1 引言 | 第15-16页 |
| 2.2 旋律特征提取 | 第16-19页 |
| 2.2.1 音高曲线提取 | 第16-17页 |
| 2.2.2 音高向量提取 | 第17-19页 |
| 2.2.3 建立旋律片段索引 | 第19页 |
| 2.3 旋律特征距离计算 | 第19-24页 |
| 2.3.1 查询扩展 | 第19-20页 |
| 2.3.2 线性伸缩 | 第20-21页 |
| 2.3.3 边界对齐线性伸缩算法 | 第21-22页 |
| 2.3.4 重音移位递归对齐算法 | 第22-24页 |
| 2.3.5 距离权重分配 | 第24页 |
| 2.4 深度置信网络原理 | 第24-28页 |
| 2.4.1 深度学习基本思想 | 第25页 |
| 2.4.2 受限玻尔兹曼机 | 第25-26页 |
| 2.4.3 深度置信网络 | 第26-28页 |
| 2.5 基于局部敏感哈希的哼唱检索系统设计 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 基于深度学习的哼唱检索系统设计 | 第30-71页 |
| 3.1 引言 | 第30-33页 |
| 3.2 旋律特征聚类 | 第33-39页 |
| 3.2.1 音高向量的距离 | 第33-34页 |
| 3.2.2 扁平聚类 | 第34-38页 |
| 3.2.3 层次聚类 | 第38-39页 |
| 3.3 训练深度置信网络模型 | 第39-41页 |
| 3.4 生成旋律候选集 | 第41-43页 |
| 3.5 优化基于深度置信网络的哼唱检索系统 | 第43-51页 |
| 3.5.1 优化系统设计 | 第44-46页 |
| 3.5.2 优化深度置信网络训练过程 | 第46-49页 |
| 3.5.3 优化生成旋律候选集过程 | 第49-51页 |
| 3.6 系统分析 | 第51-58页 |
| 3.6.1 输出特征量化 | 第51-52页 |
| 3.6.2 特征空间构建及分析 | 第52-55页 |
| 3.6.3 特征空间寻址及分析 | 第55-58页 |
| 3.6.4 检索系统效率分析 | 第58页 |
| 3.7 实验结果及分析 | 第58-70页 |
| 3.7.1 实验数据准备 | 第59-60页 |
| 3.7.2 旋律数据库建立阶段实验 | 第60-67页 |
| 3.7.3 在线检索阶段实验 | 第67-70页 |
| 3.8 本章小结 | 第70-71页 |
| 第四章 海量音乐检索系统优化 | 第71-80页 |
| 4.1 引言 | 第71页 |
| 4.2 海量音乐下的问题分析 | 第71-72页 |
| 4.3 分布式系统架构 | 第72-75页 |
| 4.3.1 HDFS设计 | 第73页 |
| 4.3.2 HDFS的概念 | 第73-74页 |
| 4.3.3 HDFS数据交互 | 第74-75页 |
| 4.4 海量音乐检索系统设计 | 第75-78页 |
| 4.4.1 分布式建立索引和检索 | 第75-77页 |
| 4.4.2 主控服务器与被控服务器交互流程 | 第77-78页 |
| 4.5 实验结果及分析 | 第78-79页 |
| 4.6 本章小结 | 第79-80页 |
| 第五章 总结与展望 | 第80-82页 |
| 5.1 论文总结 | 第80-81页 |
| 5.2 研究展望 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 致谢 | 第85页 |
