| Název: | Generátor podkresové hudby |
| Další názvy: | Elevator Music Generator |
| Autoři: | Janeček, Zdeněk |
| Vedoucí práce/školitel: | Ekštein Kamil, Ing. Ph.D. |
| Oponent: | Habernal Ivan, Ing. Ph.D. |
| Datum vydání: | 2016 |
| Nakladatel: | Západočeská univerzita v Plzni |
| Typ dokumentu: | diplomová práce |
| URI: | http://hdl.handle.net/11025/23660 |
| Klíčová slova: | strojové učení;neuronová síť;markovský model;rbm;hluboké učení;rekurentní neuronová síť;hudba;generativní model;midi |
| Klíčová slova v dalším jazyce: | machine learning;neural network;markov model;rbm;deep belief;recurrent neural network;music;generative model;midi |
| Abstrakt: | Tato práce popisuje možné techniky modelování vícehlasé hudby použitím kombinace rekurentních neuronových sítí a Omezených boltzmanových strojů. Tato kombinace umožnila rozpoznat temporální závislosti v mnohodimenzionálních sekvencích včetně harmonie. První kapitola popisuje úlohu generování hudby v širších souvislostech, definuje základní pojmy a reprezentace dat. Další kapitoly představují pravděpodobnostní modely používané pro generování hudby v plné obecnosti. Předposlední kapitola se zabývá trénováním popsaných modelů pomocí gradientních metod v kombinaci s kontrastivní divergencí a zpětnou propagací v čase. Poslední část práce řeší implementaci a ohodnocení LSTM-RBM modelu. |
| Abstrakt v dalším jazyce: | This thesis focuses on the possible techniques of modelling polyphony music using the combination of Recurrent Neural Network and Restricted Boltzmann Machine. Such a combination allows to distinguish the temporal dependencies in high-dimensional sequences along with high-level harmony learning. The first chapter describes the task of music generation in a wider context and defines basic data representations. The following two chapters intruduce probabilistic models used for Polyphonic Music Generation in a general context. The second to last chapter deals with training the described models using gradient methods in the combination of Contrastive Divergence and Backpropagation Through Time. The last chapter of the thesis resolves the implementation and evaluation of the LSTM-RBM model. |
| Práva: | Plný text práce je přístupný bez omezení. |
| Vyskytuje se v kolekcích: | Diplomové práce / Theses (KIV) |
Soubory připojené k záznamu:
| Soubor | Popis | Velikost | Formát | |
|---|---|---|---|---|
| janecekz.pdf | Plný text práce | 1,32 MB | Adobe PDF | Zobrazit/otevřít |
| A14N0112Phodnoceni-ved.PDF | Posudek vedoucího práce | 917,17 kB | Adobe PDF | Zobrazit/otevřít |
| A14N0112Pposudek-op.PDF | Posudek oponenta práce | 381,43 kB | Adobe PDF | Zobrazit/otevřít |
| A14N0112Pobhajoba.PDF | Průběh obhajoby práce | 217,54 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/23660Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.