| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究的背景及意义 | 第8页 |
| 1.2 国外内研究的现状与发展趋势 | 第8-11页 |
| 1.3 本文研究内容简介 | 第11页 |
| 1.4 论文结构安排 | 第11-14页 |
| 第二章 乐器识别的常用特征与分类器 | 第14-26页 |
| 2.1 乐器识别的系统架构 | 第14页 |
| 2.2 乐器识别常用特征 | 第14-18页 |
| 2.2.1 音色描述符特征 | 第14-16页 |
| 2.2.2 梅尔倒谱系数 | 第16-17页 |
| 2.2.3 K-SVD以及正交匹配追踪 | 第17-18页 |
| 2.3 降维方法 | 第18-19页 |
| 2.3.1 T-SNE降维 | 第18-19页 |
| 2.3.2 PCA降维 | 第19页 |
| 2.4 分类器原理 | 第19-23页 |
| 2.4.1 GMM-HMM | 第19-22页 |
| 2.4.2 SVM分类算法 | 第22-23页 |
| 2.5 数据集与评价指标 | 第23-24页 |
| 2.5.1 数据集 | 第23-24页 |
| 2.5.2 乐器识别的评价指标 | 第24页 |
| 2.6 本章小结 | 第24-26页 |
| 第三章 结合多尺度时频调制与MPCA的乐器识别 | 第26-36页 |
| 3.1 基于多尺度时频调制与MPCA的乐器识别基本原理 | 第26-31页 |
| 3.1.1 听觉谱图 | 第26-27页 |
| 3.1.2 多尺度时频调制 | 第27-29页 |
| 3.1.3 多线性主成分分析算法 | 第29-31页 |
| 3.2 算法实现步骤 | 第31-32页 |
| 3.3 仿真实验与结果分析 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于深度混合神经网与听觉谱图的乐器识别 | 第36-46页 |
| 4.1 引言 | 第36页 |
| 4.2 基于深度混合神经网与听觉谱图的乐器识别基本原理 | 第36-39页 |
| 4.2.1 去噪自编码器 | 第36页 |
| 4.2.2 受限玻尔兹曼机 | 第36-38页 |
| 4.2.3 自适矩估计优化算法 | 第38-39页 |
| 4.3 算法实现步骤 | 第39-40页 |
| 4.4 仿真实验结果与分析 | 第40-45页 |
| 4.4.1 第一层DA隐藏层节点数量的选取 | 第41页 |
| 4.4.2 深度混合神经网络评价 | 第41-43页 |
| 4.4.3 深度混合神经网络输入特征的评价 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于改进卷积神经网与听觉谱图的乐器识别 | 第46-55页 |
| 5.1 基于改进卷积神经网与听觉谱图的乐器识别原理 | 第46-48页 |
| 5.1.1 卷积网络的前后向计算 | 第46-47页 |
| 5.1.2 改进的多尺度卷积核 | 第47-48页 |
| 5.2 算法实现步骤 | 第48-49页 |
| 5.3 仿真实验与结果分析 | 第49-54页 |
| 5.3.1 尺度卷积核评价 | 第49-50页 |
| 5.3.2 卷积神经网络评价 | 第50-52页 |
| 5.3.3 卷积网络输入特征的评价 | 第52-53页 |
| 5.3.4 训练复杂度的评价 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 主要结论与展望 | 第55-57页 |
| 主要结论 | 第55-56页 |
| 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第62页 |
