基于卷积深度置信网络的歌手识别
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 歌手识别的国内外研究现状 | 第12-13页 |
| 1.3 论文的研究内容和结构安排 | 第13-15页 |
| 第二章 音乐信号的相关理论 | 第15-29页 |
| 2.1 歌手识别原理 | 第15-16页 |
| 2.2 人声的产生 | 第16页 |
| 2.3 音乐的构成 | 第16-18页 |
| 2.3.1 音调 | 第17页 |
| 2.3.2 音强 | 第17页 |
| 2.3.3 音色 | 第17-18页 |
| 2.4 声音信号的感知 | 第18-20页 |
| 2.4.1 听觉系统 | 第18-19页 |
| 2.4.2 掩蔽效应 | 第19-20页 |
| 2.5 音乐信号的预处理 | 第20-22页 |
| 2.5.1 采样 | 第20页 |
| 2.5.2 预加重 | 第20-21页 |
| 2.5.3 分帧加窗 | 第21-22页 |
| 2.6 音乐信号的特征量 | 第22-28页 |
| 2.6.1 短时能量 | 第22-23页 |
| 2.6.2 短时平均过零率 | 第23页 |
| 2.6.3 频谱 | 第23-24页 |
| 2.6.4 线性预测系数 | 第24-25页 |
| 2.6.5 线性预测倒谱系数 | 第25-26页 |
| 2.6.6 梅尔频率倒谱系数 | 第26-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 神经网络及深度学习相关理论 | 第29-46页 |
| 3.1 神经网络简介 | 第29-34页 |
| 3.1.1 神经元模型 | 第29-31页 |
| 3.1.2 神经网络的类别 | 第31-33页 |
| 3.1.3 神经网络的学习模式 | 第33-34页 |
| 3.2 反向传播网络模型与学习算法 | 第34-37页 |
| 3.3 SVM分类器 | 第37-38页 |
| 3.4 深度学习 | 第38-41页 |
| 3.5 深度学习的常用基础模型 | 第41-45页 |
| 3.5.1 卷积神经网络模型 | 第41-43页 |
| 3.5.2 自编码器模型 | 第43-45页 |
| 3.5.3 限制玻尔兹曼机模型 | 第45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 卷积深度置信网络模型 | 第46-58页 |
| 4.1 限制玻尔兹曼机(RBM)模型 | 第46-51页 |
| 4.1.1 基于能量的模型（EBM） | 第46-47页 |
| 4.1.2 玻尔兹曼机（BM） | 第47-48页 |
| 4.1.3 RBM模型 | 第48-49页 |
| 4.1.4 RBM训练方法 | 第49-51页 |
| 4.2 卷积限制玻尔兹曼机(CRBM)模型 | 第51-56页 |
| 4.2.1 CRBM模型 | 第52-53页 |
| 4.2.2 池化 | 第53-55页 |
| 4.2.3 CRBM学习算法 | 第55-56页 |
| 4.3 卷积深度置信网络(CDBN)模型 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 仿真实验 | 第58-73页 |
| 5.1 卷积深度置信网络在清唱歌曲中的应用 | 第58-69页 |
| 5.1.1 音乐歌曲数据库 | 第58-59页 |
| 5.1.2 数据预处理 | 第59-61页 |
| 5.1.3 传统特征实验 | 第61-64页 |
| 5.1.4 CDBN特征实验 | 第64-66页 |
| 5.1.5 实验结果对比及分析 | 第66-69页 |
| 5.2 卷积深度置信网络在网络音乐歌曲中的应用 | 第69-72页 |
| 5.2.1 音乐歌曲数据库 | 第69页 |
| 5.2.2 数据预处理 | 第69-70页 |
| 5.2.3 分类特征提取 | 第70页 |
| 5.2.4 实验结果对比及分析 | 第70-72页 |
| 5.3 本章小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间取得的研究成果 | 第81-82页 |
| 致谢 | 第82-83页 |
| 附件 | 第83页 |
