基于深度信念网络与隐马尔科夫模型的音乐自动分类算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 音乐分类的研究现状 | 第9-11页 |
| 1.3 深度学习对音乐分类的意义 | 第11页 |
| 1.4 本文内容与结构 | 第11-13页 |
| 2 音乐分类综述 | 第13-26页 |
| 2.1 音乐特征提取 | 第13-22页 |
| 2.1.1 时域特征 | 第14-15页 |
| 2.1.2 频域特征 | 第15-19页 |
| 2.1.2.1 常见频域特征 | 第15-17页 |
| 2.1.2.2 谱差异特征 | 第17-18页 |
| 2.1.2.3 归一化音频频谱包络 | 第18-19页 |
| 2.1.3 倒谱域特征 | 第19-22页 |
| 2.1.3.1 线性预测倒谱系数 | 第19-20页 |
| 2.1.3.2 梅尔频率倒谱系数 | 第20-22页 |
| 2.2 机器学习与模型建立 | 第22-26页 |
| 2.2.1 K最近邻法 | 第22-23页 |
| 2.2.2 朴素贝叶斯算法 | 第23页 |
| 2.2.3 支持向量机 | 第23-24页 |
| 2.2.4 高斯混合模型 | 第24页 |
| 2.2.5 隐马尔科夫模型 | 第24-25页 |
| 2.2.6 K均值聚类 | 第25-26页 |
| 3 神经网络和深度学习 | 第26-39页 |
| 3.1 传统神经网络 | 第26-29页 |
| 3.1.1 人工神经网络 | 第26-28页 |
| 3.1.2 反向传播神经网络 | 第28-29页 |
| 3.2 深度学习神经网络 | 第29-39页 |
| 3.2.1 深度学习基本思想 | 第29-30页 |
| 3.2.2 深度学习模型基本组成 | 第30-34页 |
| 3.2.2.1 网络节点 | 第30页 |
| 3.2.2.2 限制波尔兹曼模型 | 第30-34页 |
| 3.2.3 深度学习模型 | 第34-37页 |
| 3.2.3.1 深度神经网络 | 第34-35页 |
| 3.2.3.2 深度信念网络 | 第35-37页 |
| 3.2.3.3 卷积神经网络 | 第37页 |
| 3.2.4 深度学习训练过程 | 第37-39页 |
| 4 基于DBN-HMM的音乐分类算法 | 第39-51页 |
| 4.1 预处理 | 第39-40页 |
| 4.1.1 分帧 | 第39-40页 |
| 4.1.2 预加重 | 第40页 |
| 4.1.3 加窗 | 第40页 |
| 4.2 提取特征参数 | 第40-44页 |
| 4.2.1 特征提取 | 第40-44页 |
| 4.2.1.1 梅尔多频系数 | 第40-41页 |
| 4.2.1.2 情绪特征向量 | 第41-44页 |
| 4.2.2 融合特征向量 | 第44页 |
| 4.3 基于DBN-HMM结构的音乐分类 | 第44-51页 |
| 4.3.1 GMM-HMM结构 | 第45-46页 |
| 4.3.2 DNN-HMM结构 | 第46-47页 |
| 4.3.3 基于DBN-HMM结构的音乐分类 | 第47-51页 |
| 5 仿真结果与讨论 | 第51-60页 |
| 5.1 实验条件 | 第51页 |
| 5.1.1 软硬件条件 | 第51页 |
| 5.1.2 音乐样本库 | 第51页 |
| 5.1.3 分类质量评价标准 | 第51页 |
| 5.2 基于DBN-HMM的音乐分类系统仿真实现 | 第51-56页 |
| 5.2.1 特征提取参数设定 | 第51-54页 |
| 5.2.2 DBN-HMM网络参数设定 | 第54-55页 |
| 5.2.3 DBN-HMM音乐分类系统分类结果 | 第55-56页 |
| 5.3 DBN网络参数对音乐分类精度的影响 | 第56-58页 |
| 5.3.1 DBN-HMM六层音乐分类系统 | 第56页 |
| 5.3.2 DBN-HMM七层音乐分类系统 | 第56-57页 |
| 5.3.3 DBN-HMM八层音乐分类系统 | 第57-58页 |
| 5.4 不同分类系统的分类精度对比 | 第58-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表学术论文情况 | 第65-66页 |
| 致谢 | 第66-67页 |
