基于深度学习的乐器分类方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 选题背景及研究意义 | 第10-12页 |
| 1.1.1 选题背景 | 第10页 |
| 1.1.2 研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 音频识别技术的发展及研究现状 | 第12-14页 |
| 1.2.2 乐器分类方法的发展及研究现状 | 第14-16页 |
| 1.3 本文的研究内容和组织结构 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 组织结构 | 第17-18页 |
| 1.4 本文创新点 | 第18-20页 |
| 2 相关理论介绍 | 第20-35页 |
| 2.1 音乐分类的相关理论 | 第20-27页 |
| 2.1.1 音乐信号的相关理论知识 | 第20-22页 |
| 2.1.2 传统声学特征量 | 第22-25页 |
| 2.1.3 音乐分类任务中的经典分类方法 | 第25-27页 |
| 2.2 深度学习的相关理论 | 第27-33页 |
| 2.2.1 深度学习的内涵 | 第27-28页 |
| 2.2.2 深度学习方法的优势 | 第28-29页 |
| 2.2.3 深度学习的常见模型 | 第29-33页 |
| 2.3 本章小结 | 第33-35页 |
| 3 基于DA-BM混合模型的音乐分类方法研究 | 第35-52页 |
| 3.1 音乐分类问题的描述 | 第35-37页 |
| 3.1.1 特征提取 | 第35-36页 |
| 3.1.2 训练分类器 | 第36-37页 |
| 3.2 深度自编码器 | 第37-38页 |
| 3.3 深度玻尔兹曼机模型 | 第38-40页 |
| 3.4 深度学习混合模型DA-BM | 第40-51页 |
| 3.4.1 搭建混合模型DA-BM | 第40页 |
| 3.4.2 混合模型的训练 | 第40-43页 |
| 3.4.3 训练过程中的优化方法 | 第43-45页 |
| 3.4.4 DA-BM模型顶层分类器的选择 | 第45-51页 |
| 3.5 本章小结 | 第51-52页 |
| 4 混合模型DA-BM在乐器分类问题中的应用 | 第52-80页 |
| 4.1 数据采集 | 第52-53页 |
| 4.2 数据预处理 | 第53-58页 |
| 4.2.1 预加重 | 第54页 |
| 4.2.2 分帧 | 第54-55页 |
| 4.2.3 加窗 | 第55页 |
| 4.2.4 傅里叶变换 | 第55-58页 |
| 4.3 实验与结果分析 | 第58-79页 |
| 4.3.1 混合模型DA-BM网络结构的设计 | 第58-64页 |
| 4.3.2 DA-BM模型的顶层分类器的性能对比 | 第64-65页 |
| 4.3.3 混合模型DA-BM的有效性验证 | 第65-67页 |
| 4.3.4 不同特征量的性能对比 | 第67-79页 |
| 4.4 本章小结 | 第79-80页 |
| 5 总结与展望 | 第80-84页 |
| 5.1 研究工作总结 | 第80-82页 |
| 5.2 未来工作展望 | 第82-84页 |
| 参考文献 | 第84-90页 |
| 致谢 | 第90-91页 |
| 攻读硕士学位期间发表的论文及科研情况 | 第91-92页 |
| 附录 混合模型DA-BM的主程序代码 | 第92-98页 |
