基于神经网络的算法作曲系统
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 算法作曲的概念 | 第12页 |
| 1.2 算法作曲的主要方法与相关研究历史 | 第12-14页 |
| 1.3 算法作曲的主要难点 | 第14页 |
| 1.4 算法作曲的研究意义与相关应用 | 第14-15页 |
| 1.5 本文组织结构 | 第15-16页 |
| 第二章 音乐的特征属性 | 第16-30页 |
| 2.1 音乐的基础知识 | 第16页 |
| 2.2 常用音乐特征介绍 | 第16-23页 |
| 2.2.1 音高 | 第16-18页 |
| 2.2.2 音长 | 第18-20页 |
| 2.2.3 音量 | 第20页 |
| 2.2.4 音色 | 第20-21页 |
| 2.2.5 音程 | 第21-22页 |
| 2.2.6 节奏 | 第22页 |
| 2.2.7 调式 | 第22页 |
| 2.2.8 和声 | 第22-23页 |
| 2.3 音乐特征的表示 | 第23-29页 |
| 2.3.1 直接表示法 | 第23-24页 |
| 2.3.2 0-1表示法 | 第24页 |
| 2.3.3 抽象空间表示法 | 第24-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 神经网络学习模块 | 第30-45页 |
| 3.1 神经网络学习的目标 | 第30-31页 |
| 3.2 BP神经网络的训练 | 第31-33页 |
| 3.3 递归神经网络——算法作曲的总样貌 | 第33-35页 |
| 3.4 传统的递归神经网络的弊端——梯度的消失 | 第35-37页 |
| 3.5 解决梯度消失的方法—LSTM算法 | 第37-44页 |
| 3.6 LSTM用于算法作曲 | 第44页 |
| 3.7 本章小结 | 第44-45页 |
| 第四章 训练数据聚类模块 | 第45-53页 |
| 4.1 训练数据的分布 | 第45-46页 |
| 4.2 音乐抽象空间的具体化 | 第46-52页 |
| 4.2.1 音乐风格空间 | 第47-48页 |
| 4.2.2 音乐情感空间 | 第48-50页 |
| 4.2.3 利用机器学习算法定义抽象空间 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第五章 自动作曲系统实现说明 | 第53-64页 |
| 5.1 自动作曲系统架构 | 第53-54页 |
| 5.2 开发环境 | 第54页 |
| 5.3 训练数据预处理模块 | 第54-56页 |
| 5.4 训练数据聚类模块 | 第56页 |
| 5.5 网络训练模块 | 第56-57页 |
| 5.6 用户界面模块 | 第57-58页 |
| 5.7 作曲模块说明 | 第58-59页 |
| 5.8 用户使用流程 | 第59-61页 |
| 5.9 系统在多线程方面的不足 | 第61页 |
| 5.10 系统结果展示 | 第61-63页 |
| 5.11 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-67页 |
| 6.1 本文工作总结 | 第64-65页 |
| 6.2 未来工作展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
