基于深度学习的流行音乐“快乐因子”提取研究开题报告

全文总字数：1420字

1. 研究目的与意义

深度学习本质上是一种复杂的，层级非常深的神经网络。

2012年，基于nvidia gpu的并行计算技术 cuda(统一计算架构compute unified device architecture)被大规模的应用于神经网络计算。

gpu 集群的出现，使得利用百万乃至更大级别的数据集训练规模庞大的深度神经网络，从不可能成为了可能。

2. 国内外研究现状分析

近几年深度学习发展迅速，google，facebook等一系列信息产业大公司纷纷宣布将人工智能作为下一个战略重心。

google公司的deepmind团队将深度学习用于数据中心的能源节约，每年可以节省数百万美元的开支。

google翻译在神经网络的支持下中英翻译准确率获得惊人的提升，原本的翻译差距缩小了55%-85%。

3. 研究的基本内容与计划

内容： 采用现有的深度学习技术，对网络音乐进行特征学习，发现不同类型音乐的本质区别，比如快乐音乐与忧伤音乐的区别。

主要采用卷积神经网络cnn及其他一些方法。

在网络上下载大量的mp3格式音乐，解码为合适的数据格式。

4. 研究创新点

传统音乐软件在为用户提供推荐时使用的是协同过滤算法，这一算法适用性很好，但需要大量历史数据支撑，同时会导致还没有多少人听过的新曲和较冷门歌曲得不到推荐。

若能从音频信号本身入手，则可以避免这些问题，在只针对个人的数据样本上做出推荐。