| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 音乐流派识别分类的研究历史与现状 | 第10-12页 |
| 1.3 中国传统乐器识别分类的研究历史与现状 | 第12-13页 |
| 1.4 论文主要内容的结构安排 | 第13-15页 |
| 2 音乐识别分类的理论 | 第15-30页 |
| 2.1 音乐特征的提取 | 第15-18页 |
| 2.1.1 音乐的时域特征 | 第16页 |
| 2.1.2 音乐的频域特征 | 第16-17页 |
| 2.1.3 音乐的倒谱域特征 | 第17-18页 |
| 2.2 音乐识别分类任务中的经典识别分类方法 | 第18-21页 |
| 2.2.1 基于决策树的识别分类方法 | 第18页 |
| 2.2.2 基于K最近邻分类算法的识别分类方法 | 第18-19页 |
| 2.2.3 基于支持向量机的识别分类方法 | 第19-20页 |
| 2.2.4 基于逻辑回归的识别分类方法 | 第20-21页 |
| 2.3 提取音乐特征的新技术——深度学习的概述 | 第21-29页 |
| 2.3.1 深度学习的发展历史 | 第21-22页 |
| 2.3.2 浅层学习与深度学习的比较 | 第22-23页 |
| 2.3.3 深度学习的结构 | 第23页 |
| 2.3.4 深度学习的常用模型 | 第23-29页 |
| 2.3.4.1 卷积神经网络 | 第23-25页 |
| 2.3.4.2 受限玻尔兹曼机 | 第25-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于深度置信网络的音乐流派识别分类 | 第30-56页 |
| 3.1 软硬件实验条件 | 第30页 |
| 3.2 音乐流派库 | 第30-32页 |
| 3.3 流派音乐信号预处理 | 第32-35页 |
| 3.3.1 预加重 | 第32-34页 |
| 3.3.2 分帧 | 第34页 |
| 3.3.3 加窗 | 第34-35页 |
| 3.4 流派音乐的原始特征参数提取 | 第35-38页 |
| 3.5 基于深度置信网络的音乐流派识别分类算法 | 第38-49页 |
| 3.5.1 深度置信网络的网络结构 | 第38-40页 |
| 3.5.2 深度置信网络的训练 | 第40-43页 |
| 3.5.2.1 预训练 | 第40-42页 |
| 3.5.2.2 网络微调 | 第42-43页 |
| 3.5.3 深度置信网络的模型参数选择 | 第43-46页 |
| 3.5.4 改进的深度置信网络及网络参数选择 | 第46-49页 |
| 3.5.4.1 Dropout模型 | 第46-47页 |
| 3.5.4.2 Dropout系数的确定 | 第47-48页 |
| 3.5.4.3 动量的引入 | 第48-49页 |
| 3.6 结果分析 | 第49-54页 |
| 3.6.1 识别分类性能评价指标 | 第49页 |
| 3.6.2 基于传统方法与深度置信网络对音乐流派识别分类的性能比较 | 第49-50页 |
| 3.6.3 基于传统方法与深度置信网络对音乐流派识别分类的混淆矩阵 | 第50-54页 |
| 3.7 本章小结 | 第54-56页 |
| 4 基于深度置信网络的中国传统乐器识别分类 | 第56-69页 |
| 4.1 中国传统乐器库 | 第56-58页 |
| 4.2 中国传统乐器音乐信号预处理 | 第58页 |
| 4.3 中国传统乐器音乐的原始特征参数提取 | 第58-60页 |
| 4.4 基于深度置信网络的中国传统乐器识别分类算法 | 第60-63页 |
| 4.4.1 深度置信网络的网络结构 | 第60-61页 |
| 4.4.2 防止过拟合策略 | 第61页 |
| 4.4.3 深度置信网络的模型参数选择 | 第61-63页 |
| 4.5 结果分析 | 第63-68页 |
| 4.5.1 基于传统方法与深度置信网络对中国传统乐器识别分类的性能比较 | 第63-64页 |
| 4.5.2 基于传统方法与深度置信网络对中国传统乐器识别分类的混淆矩阵 | 第64-67页 |
| 4.5.3 不同训练集基于深度置信网络对中国传统乐器识别分类的性能比较 | 第67-68页 |
| 4.6 本章小结 | 第68-69页 |
| 5 总结和展望 | 第69-71页 |
| 5.1 工作总结 | 第69-70页 |
| 5.2 工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 附录 | 第76页 |
