声明
摘要
1 绪论
1.1 论文研究背景和意义
1.2 音乐自动分类研究方法现状
1.3 西洋乐器自动分类技术的发展及研究现状
1.4 论文结构安排和创新点
2 音乐信号量
2.1 音乐的基本物理量
2.1.1 频率
2.1.2 谱能量
2.2 音乐学领域的信号量
2.2.1 音调
2.2.2 响度
2.2.3 音色
2.3 音乐生理学
2.3.1 人耳听觉特性模型
2.3.2 听觉临界频带
2.3.3 听觉掩蔽效应
2.4 本章小结
3 音乐自动分类介绍
3.1 音乐信号特征提取
3.1.1 时域特征
3.1.2 频域特征
3.1.3 MFCC特征参数
3.2 深度神经网络理论
3.2.1 神经元模型
3.2.2 误差逆传播算法
3.2.3 受限玻尔兹曼机
3.2.4 深度学习
3.3 本章小结
4 基于自建字典库的西洋乐器音乐稀疏表示
4.1 过完备字典稀疏表示理论简介
4.2 稀疏表示字典库选择
4.2.1 传统字典库
4.2.2 本文创建的字典库
4.3 稀疏分解算法
4.3.1 稀疏分解算法的研究现状
4.3.2 凸松弛算法
4.3.3 贪婪匹配追踪算法
4.4 实验结果及分析
4.4.1 实验1 钢琴音乐信号基于本文所构字典库重构效果
4.4.2 实验2 吉他音乐信号基于本文所构字典库重构效果
4.4.3 实验3 小提琴音乐信号基于本文所构字典库重构效果
4.4.4 实验4 萨克斯音乐信号基于本文所构字典库重构效果
4.4.5 实验5 竖笛音乐信号基于本文所构字典库重构效果
4.4.6 实验6 百音盒音乐信号基于本文所构字典库重构效果
4.5 本章小结
5 基于稀疏表示和深度神经网络模型的西洋乐器自动分类
5.1 DBN神经网络结构
5.1.1 RBM参数设置
5.1.2 对比散度快速学习算法
5.1.3 预训练及微调
5.1.4 softmax分类器
5.2 深度神经网络工作站配置
5.3 音乐样本库的建立
5.4 西洋乐器音乐信号特征表示
5.4.1 预处理
5.4.2 稀疏特征提取
5.5 实验分析与结果
实验1:微调迭代次数对深度神经网络模型的影响
实验2:隐藏层数及隐藏层结点数对深度神经网络模型的影响
实验3:稀疏特征与深度神经网络结合的分类结果
5.6 本章小结
6 总结与展望
专利申请情况
致谢
参考文献