声明
摘要
1 绪论
1.1 研究背景与意义
1.2 音乐分类的研究现状
1.3 深度学习对音乐分类的意义
1.4 本文内容与结构
2 音乐分类综述
2.1 音乐特征提取
2.1.1 时域特征
2.1.2 频域特征
2.1.3 倒谱域特征
2.2 机器学习与模型建立
2.2.1 K最近邻法
2.2.2 朴素贝叶斯算法
2.2.3 支持向量机
2.2.4 高斯混合模型
2.2.5 隐马尔科夫模型
2.2.6 K均值聚类
3 神经网络和深度学习
3.1 传统神经网络
3.1.1 人工神经网络
3.1.2 反向传播神经网络
3.2 深度学习神经网络
3.2.1 深度学习基本思想
3.2.2 深度学习模型基本组成
3.2.3 深度学习模型
3.2.4 深度学习训练过程
4 基于DBN-HMM的音乐分类算法
4.1 预处理
4.1.1 分帧
4.1.2 预加重
4.1.3 加窗
4.2 提取特征参数
4.2.1 特征提取
4.2.2 融合特征向量
4.3 基于DBN-HMM结构的音乐分类
4.3.1 GMM-HMM结构
4.3.2 DNN-HMM结构
4.3.3 基于DBN-HMM结构的音乐分类
5 仿真结果与讨论
5.1 实验条件
5.1.1 软硬件条件
5.1.2 音乐样本库
5.1.3 分类质量评价标准
5.2 基于DBN-HMM的音乐分类系统仿真实现
5.2.1 特征提取参数设定
5.2.2 DBN-HMM网络参数设定
5.2.3 DBN-HMM音乐分类系统分类结果
5.3 DBN网络参数对音乐分类精度的影响
5.3.1 DBN-HMM六层音乐分类系统
5.3.2 DBN-HMM七层音乐分类系统
5.3.3 DBN-HMM八层音乐分类系统
5.4 不同分类系统的分类精度对比
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢