| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文主要工作 | 第12页 |
| 1.4 本文章节安排 | 第12-14页 |
| 第二章 相关方法介绍 | 第14-25页 |
| 2.1 音乐信号的预处理 | 第14-17页 |
| 2.2 深度学习 | 第17-21页 |
| 2.2.1 卷积神经网络 | 第17-20页 |
| 2.2.2 循环神经网络 | 第20-21页 |
| 2.3 哈希学习 | 第21-24页 |
| 2.3.1 传统哈希方法 | 第22-23页 |
| 2.3.2 深度哈希方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于CNN的音乐风格识别 | 第25-39页 |
| 3.1 引言 | 第25-26页 |
| 3.2 基于CNN的音乐风格识别框架 | 第26页 |
| 3.3 音乐风格识别算法 | 第26-30页 |
| 3.3.1 Harmonic/Percussive分离算法 | 第26-28页 |
| 3.3.2 网络结构 | 第28-29页 |
| 3.3.3 网络训练和学习方法 | 第29-30页 |
| 3.4 实验结果及分析 | 第30-38页 |
| 3.4.1 数据集 | 第31页 |
| 3.4.2 参数优化实验 | 第31-35页 |
| 3.4.3 不同音乐风格的识别率比较 | 第35-36页 |
| 3.4.4 不同特征图实验比较 | 第36页 |
| 3.4.5 数据扩充实验对比 | 第36-37页 |
| 3.4.6 与其他方法的准确率对比 | 第37-38页 |
| 3.5 总结 | 第38-39页 |
| 第四章 基于卷积循环哈希的音乐识别 | 第39-58页 |
| 4.1 引言 | 第39-40页 |
| 4.2 基于CRNNH的音乐识别框架 | 第40-42页 |
| 4.3 基于CRNNH的音乐识别技术 | 第42-48页 |
| 4.3.1 预处理 | 第42-43页 |
| 4.3.2 卷积特征 | 第43-44页 |
| 4.3.3 LSTM | 第44-45页 |
| 4.3.4 用于哈希的多层LSTM | 第45-46页 |
| 4.3.5 损失函数 | 第46-48页 |
| 4.4 实验结果及分析 | 第48-57页 |
| 4.4.1 CRNNH算法流程 | 第48-49页 |
| 4.4.2 数据集 | 第49-50页 |
| 4.4.3 实验参数设置及评估准则 | 第50-51页 |
| 4.4.4 对比实验及分析 | 第51-54页 |
| 4.4.5 数据扩充实验 | 第54-55页 |
| 4.4.6 与其他方法的对比 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-67页 |
| 攻读硕士期间发表的论文 | 第67-68页 |
| 致谢 | 第68页 |