基于乐段特征的MIDI音乐风格分类研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12页 |
| 1.3 研究现状 | 第12-15页 |
| 1.3.1 MIDI音乐特征提取研究现状 | 第13-15页 |
| 1.3.2 分类器研究现状 | 第15页 |
| 1.4 论文的主要内容和安排 | 第15-17页 |
| 第二章 人工神经网络理论基础 | 第17-34页 |
| 2.1 人工神经网络简介 | 第17-18页 |
| 2.2 M-P模型 | 第18-20页 |
| 2.3 感知器神经网络 | 第20-22页 |
| 2.3.1 单层感知器模型 | 第20-21页 |
| 2.3.2 多层感知器模型 | 第21-22页 |
| 2.4 BP神经网络 | 第22-26页 |
| 2.4.1 BP神经网络的数学模型 | 第22-23页 |
| 2.4.2 BP算法原理 | 第23-25页 |
| 2.4.3 BP神经网络训练步骤 | 第25-26页 |
| 2.5 网络模型的最优化方法 | 第26-29页 |
| 2.5.1 随机梯度下降 | 第26-27页 |
| 2.5.2 动量方法 | 第27页 |
| 2.5.3 Nesterov梯度加速法 | 第27-28页 |
| 2.5.4 Adagrad方法 | 第28页 |
| 2.5.5 RMSProp方法 | 第28-29页 |
| 2.5.6 Adam方法 | 第29页 |
| 2.6 交叉熵损失函数 | 第29-30页 |
| 2.7 激活函数 | 第30-33页 |
| 2.7.1 双曲正切函数 | 第30-31页 |
| 2.7.2 线性整流函数 | 第31-32页 |
| 2.7.3 Softmax函数 | 第32-33页 |
| 2.8 本章小结 | 第33-34页 |
| 第三章 MIDI文件特征提取 | 第34-50页 |
| 3.1 MIDI文件简介 | 第34-35页 |
| 3.2 MIDI文件构成 | 第35-38页 |
| 3.2.1 MIDI头块构成 | 第35-36页 |
| 3.2.2 MIDI音轨块构成 | 第36-38页 |
| 3.3 MIDI文件音符提取 | 第38-40页 |
| 3.3.1 时间单位换算 | 第38-39页 |
| 3.3.2 音符矩阵生成 | 第39-40页 |
| 3.4 主旋律提取算法 | 第40-43页 |
| 3.4.1 Skyline主旋律提取算法 | 第40-41页 |
| 3.4.2 多音轨聚类主旋律提取算法 | 第41-43页 |
| 3.5 乐段的划分 | 第43-48页 |
| 3.5.1 旋律面积和响度面积 | 第44-46页 |
| 3.5.2 基于能量特征向量的乐段划分算法 | 第46-48页 |
| 3.6 乐段特征提取 | 第48-49页 |
| 3.7 本章小结 | 第49-50页 |
| 第四章 基于GRU的MIDI分类器设计 | 第50-59页 |
| 4.1 RNN模型 | 第50-55页 |
| 4.1.1 RNN结构 | 第50-51页 |
| 4.1.2 RNN数学分析 | 第51-53页 |
| 4.1.3 RNN性能分析 | 第53-55页 |
| 4.2 GRU模型 | 第55-57页 |
| 4.2.1 GRU隐藏层结构 | 第55-57页 |
| 4.2.2 GRU性能分析 | 第57页 |
| 4.3 基于GRU的MIDI分类器 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 实验与对比分析 | 第59-66页 |
| 5.1 主旋律提取算法实验 | 第59-61页 |
| 5.1.1 实验评判标准 | 第59-60页 |
| 5.1.2 实验结果与分析 | 第60-61页 |
| 5.2 音乐风格分类实验 | 第61-65页 |
| 5.2.1 深度学习框架Keras | 第62页 |
| 5.2.2 实验步骤与结果分析 | 第62-65页 |
| 5.3 本章小结 | 第65-66页 |
| 总结与展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 附件 | 第72页 |
