지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 정현수
- 발행연도
- 2020
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용수42
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
음악은 인간에게는 필수적인 요소이며 인류 문화 발전의 원동력이다. 컴퓨터와 모바일 기기의 발전으로 음악에 대한 접근성이 더욱 좋아짐에 따라 음악 시장도 지속적으로 성장하고 있는 추세이다. 음악 장르는 음악을 분류하기 위한 수단으로 박자, 템포, 멜로디의 높낮이 등의 수많은 특징을 사용하여 분류한다.
본 논문에서는 전처리 과정을 통하여 음악의 특징을 추출하고 머신러닝 기법으로 학습시켜 장르를 구분하는 방법을 제안한다. CNN (Convolutional Neural Network), LSTM (Long Short-Term Memory)의 두 가지 머신러닝 알고리즘을 사용하여 알고리즘 별 성능을 비교 분석한다.
경음악(light Music), 발라드(Ballad), 록(Rock), 블루스(Blues), 알앤비(R&B), 클래식(Classic) 등 크게 6가지 장르로 분류 실험을 수행 한 결과로 CNN을 이용한 머신러닝 기법의 정확도가 98.7%로 가장 높았으며 이는 특징을 자동으로 추출해주는 CNN의 특성 때문이라고 생각한다.
본 논문에서는 전처리 과정을 통하여 음악의 특징을 추출하고 머신러닝 기법으로 학습시켜 장르를 구분하는 방법을 제안한다. CNN (Convolutional Neural Network), LSTM (Long Short-Term Memory)의 두 가지 머신러닝 알고리즘을 사용하여 알고리즘 별 성능을 비교 분석한다.
경음악(light Music), 발라드(Ballad), 록(Rock), 블루스(Blues), 알앤비(R&B), 클래식(Classic) 등 크게 6가지 장르로 분류 실험을 수행 한 결과로 CNN을 이용한 머신러닝 기법의 정확도가 98.7%로 가장 높았으며 이는 특징을 자동으로 추출해주는 CNN의 특성 때문이라고 생각한다.
목차
국문초록 5영문초록 7제 1 장 서론 1제 2 장 관련 연구 22.1 시스템 음악의 역사 22.2 MIDI (Musical Instruments DigitalInterface) 32.3 장르 구분에 관한 연구 3제 3 장 분류를 위한 머신러닝 기법 53.1 CNN 53.1.1 합성곱 (Convolution) 63.1.2 풀링 (Pooling) 63.1.3 필터 (Filter)와 Stride 63.1.4 패딩 (Padding) 73.1.5 CNN 모델 구조 83.2 LSTM 103.2.1 셀 상태 (Cell State) 113.2.2 게이트 (Gate) 113.2.3 제거 게이트 (Forget Gate) 123.2.4 입력 게이트 (Input Gate) 123.2.5 출력 게이트 (Ouput Gate) 123.2.6 LSTM 모델 구조 13제 4 장 실험 및 결과 144.1 학습 데이터 구성 144.2 실험에 사용된 머신러닝 구조 144.3 전처리 과정 154.4 실험 환경 174.5 실험 결과 17제 5 장 결론 20참고문헌 21
최근 본 자료
댓글(0)
0