為了適應(yīng)音樂信息檢索領(lǐng)域和現(xiàn)實世界對音樂信號中樂器信息的需求,深度學(xué)習(xí)開始被應(yīng)用于樂器識別任務(wù)。本文以復(fù)調(diào)音樂中的主樂器識別為研究課題,基于樂器識別理論基礎(chǔ),重點研究卷積神經(jīng)網(wǎng)絡(luò)、多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)、復(fù)合網(wǎng)絡(luò)以及損失函數(shù)在樂器識別中的作用和效果。論文主要內(nèi)容分為五部分。作為樂器識別任務(wù)的基線,本文詳細(xì)介紹并分析了用于樂器識別的ConvNet網(wǎng)絡(luò),包括實驗使用的數(shù)據(jù)集、網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練及測試配置和評估參數(shù),使用兩種不同的提取特征作為輸入數(shù)據(jù)對ConvNet展開實驗并將實驗結(jié)果作為后續(xù)研究的基線。針對起振類型對精度和召回率產(chǎn)生顯著影響的問題,本文對ConvNet進(jìn)行改進(jìn),向ConvNet網(wǎng)絡(luò)引入輔助分類,通過同時執(zhí)行主分類和輔助分類實現(xiàn)多任務(wù)學(xué)習(xí)。文章通過分析音樂信號設(shè)計了基于誤判率分析、基于樂器家族和基于起振類型的三種分組策略,基于分組策略獲得樂器的組別標(biāo)簽并用于輔助分類。多任務(wù)的學(xué)習(xí)結(jié)構(gòu)可以獲得更泛化的表示,并且過擬合和陷入局部最小值的風(fēng)險較小。對于訓(xùn)練網(wǎng)絡(luò)使用的損失函數(shù),文章向二元交叉熵中引入中心損失以減小類內(nèi)間距。為了驗證所提出的改進(jìn)方法的有效性,本文設(shè)計了一系列實驗對提出的多任務(wù)學(xué)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

樂器識別的一般流程

西洋樂器三分類法

振幅隨時間變化過程

【參考文獻(xiàn)】：
期刊論文
[1]基于深度玻爾茲曼機(jī)的樂器分類問題研究[J]. 周暢,米紅娟.  計算機(jī)應(yīng)用研究. 2019(07)
[2]結(jié)合多尺度時頻調(diào)制與多線性主成分分析的樂器識別[J]. 王飛,于鳳芹.  計算機(jī)應(yīng)用. 2018(03)
[3]An overview of multi-task learning[J]. Yu Zhang,Qiang Yang.  National Science Review. 2018(01)
[4]基于相空間重構(gòu)和柔性神經(jīng)樹的樂器分類[J]. 郅逍遙,李臨生,郭喆,郭一娜,閆慶森.  計算機(jī)應(yīng)用與軟件. 2015(02)
[5]樂器分類體系[J]. 埃利克·M·馮·霍恩博斯特爾,柯特·薩克斯,安東尼·貝恩斯,克勞斯·P·沃斯曼,劉勇,Hans Sauseng.  中國音樂. 2014(01)
[6]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計算機(jī)研究與發(fā)展. 2013(09)



本文編號：3557078