| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 深度学习简介及研究进展 | 第9-11页 |
| 1.3 论文安排 | 第11页 |
| 1.4 本章小结 | 第11-12页 |
| 第二章 音乐分类基本概念与方法 | 第12-16页 |
| 2.1 常用音乐特征 | 第12-13页 |
| 2.2 音乐情绪识别方法 | 第13-15页 |
| 2.2.1 数据的采集和处理 | 第13-14页 |
| 2.2.2 音乐分类模型的训练 | 第14-15页 |
| 2.3 本章小结 | 第15-16页 |
| 第三章 深度学习介绍 | 第16-28页 |
| 3.1 深度学习的历史 | 第16-18页 |
| 3.2 受限玻尔兹曼机介绍 | 第18-23页 |
| 3.2.1 受限玻尔兹曼机结构介绍 | 第18-20页 |
| 3.2.2 受限玻尔兹曼机训练过程 | 第20-23页 |
| 3.3 深度信念网络 | 第23-24页 |
| 3.3.1 深度信念网络结构介绍 | 第23-24页 |
| 3.3.2 深度信念网络训练过程 | 第24页 |
| 3.4 卷积神经网络介绍 | 第24-27页 |
| 3.4.1 卷积神经网络结构介绍 | 第25-26页 |
| 3.4.2 卷积神经网络的训练过程 | 第26-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第四章 基于深度神经网络的音乐分类方法 | 第28-42页 |
| 4.1 曲库的选择 | 第28-29页 |
| 4.2 原始音乐特征提取 | 第29-32页 |
| 4.3 基于深度信念网络的音乐分类算法 | 第32-36页 |
| 4.3.1 网络结构 | 第32-34页 |
| 4.3.2 激活函数选择 | 第34-35页 |
| 4.3.3 Dropout | 第35页 |
| 4.3.4 其他一些技巧 | 第35-36页 |
| 4.4 基于卷积深度信念网络的音乐分类算法 | 第36-41页 |
| 4.4.1 单卷积核受限玻尔兹曼机和信念网络 | 第36-40页 |
| 4.4.2 多卷积核受限玻尔兹曼机和信念网络 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 实验结果与分析 | 第42-61页 |
| 5.1 基于CUDA和Python的深度神经网络架构 | 第42-51页 |
| 5.1.1 基于CUDA和Python的深度神经网络架构 | 第44-45页 |
| 5.1.2 基于GPU的矩阵操作 | 第45-48页 |
| 5.1.3 Python矩阵操作接口 | 第48-49页 |
| 5.1.4 面向对象的神经网络操作 | 第49-51页 |
| 5.2 基于Softmax的音乐情绪分类 | 第51-52页 |
| 5.3 基于深度信念网络的音乐情绪分类 | 第52-58页 |
| 5.3.1 样本数量和迭代次数对受限玻尔兹曼机的影响 | 第52-53页 |
| 5.3.2 隐藏层节点数量和激活函数 | 第53-54页 |
| 5.3.3 Dropout与ReLU | 第54-56页 |
| 5.3.4 不同输入特征的影响 | 第56-57页 |
| 5.3.5 与Softmax对比 | 第57-58页 |
| 5.4 基于深度信念网络的音乐情绪分类 | 第58-60页 |
| 5.4.0 单卷积核受限玻尔兹曼机性能测试 | 第58-59页 |
| 5.4.1 多卷积核受限玻尔兹曼机性能测试 | 第59页 |
| 5.4.2 卷积信念网络分类性能测试 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 攻读学位期间发表的学术论文 | 第69页 |
