基于深度神经网络的音乐流派分类研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究的背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 国内研究现状 | 第13-14页 |
| 1.2.2 国外研究现状 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 章节安排 | 第16-17页 |
| 第二章 音乐信号分析与深度学习基本理论 | 第17-31页 |
| 2.1 音乐信号分析基础 | 第17-22页 |
| 2.1.1 音乐的要素及表现形式 | 第17页 |
| 2.1.2 音程与频率 | 第17-19页 |
| 2.1.3 音乐流派概述 | 第19-21页 |
| 2.1.4 音乐流派数据集 | 第21-22页 |
| 2.2 音乐信号的特征与表达 | 第22-26页 |
| 2.2.1 音色定义及其特征提取 | 第22-23页 |
| 2.2.2 节奏特征的提取 | 第23-25页 |
| 2.2.3 音高特征的提取 | 第25-26页 |
| 2.3 深度学习与神经网络概述 | 第26-30页 |
| 2.3.1 神经网络的结构 | 第27-29页 |
| 2.3.2 反向传播算法 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于循环神经网络的音乐流派分类算法 | 第31-51页 |
| 3.1 循环神经网络的基本原理 | 第31-36页 |
| 3.1.1 循环神经网络基本结构 | 第31-33页 |
| 3.1.2 循环神经网络的训练 | 第33-34页 |
| 3.1.3 循环神经网络记忆单元的类型 | 第34-36页 |
| 3.2 循环神经网络的音乐流派分类算法实现 | 第36-43页 |
| 3.2.1 音乐特征集选取 | 第37-40页 |
| 3.2.2 网络结构设计 | 第40-43页 |
| 3.3 实验与结果分析 | 第43-49页 |
| 3.3.1 循环网络层数与性能的关系 | 第43-45页 |
| 3.3.2 记忆单元类型之间的对比 | 第45页 |
| 3.3.3 不同池化方法的对比 | 第45-47页 |
| 3.3.4 与传统算法对比 | 第47-48页 |
| 3.3.5 两个数据集的分类性能分析 | 第48-49页 |
| 3.4 本章小结 | 第49-51页 |
| 第四章 基于卷积神经网络的音乐流派分类算法 | 第51-70页 |
| 4.1 卷积神经网络概述 | 第51-54页 |
| 4.1.1 卷积神经网络基本结构 | 第51-53页 |
| 4.1.2 卷积神经网络的训练 | 第53-54页 |
| 4.2 声谱图的提取 | 第54-57页 |
| 4.2.1 短时傅里叶声谱 | 第54-55页 |
| 4.2.2 梅尔声谱 | 第55-56页 |
| 4.2.3 常数Q声谱 | 第56-57页 |
| 4.3 网络的结构与设计 | 第57-63页 |
| 4.3.1 网络的输入 | 第57页 |
| 4.3.2 网络的设计 | 第57-63页 |
| 4.4 实验与结果分析 | 第63-69页 |
| 4.4.1 不同声谱图对分类性能的影响 | 第63-64页 |
| 4.4.2 三种类型卷积核的分类性能对比 | 第64-66页 |
| 4.4.3 池化方式对分类性能的影响 | 第66页 |
| 4.4.4 残差网络分类性能对比 | 第66-67页 |
| 4.4.5 结合循环神经网络的分类实验结果 | 第67-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 总结 | 第70-71页 |
| 5.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |
