Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorEkštein Kamil, Ing. Ph.D.
dc.contributor.authorJaneček, Zdeněk
dc.contributor.refereeHabernal Ivan, Ing. Ph.D.
dc.date.accepted2016-6-13
dc.date.accessioned2017-02-21T08:27:55Z-
dc.date.available2015-9-1
dc.date.available2017-02-21T08:27:55Z-
dc.date.issued2016
dc.date.submitted2016-5-12
dc.identifier66679
dc.identifier.urihttp://hdl.handle.net/11025/23660
dc.description.abstractTato 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.cs
dc.format60 s.cs
dc.format.mimetypeapplication/pdf
dc.language.isocscs
dc.publisherZápadočeská univerzita v Plznics
dc.rightsPlný text práce je přístupný bez omezení.cs
dc.subjectstrojové učenícs
dc.subjectneuronová síťcs
dc.subjectmarkovský modelcs
dc.subjectrbmcs
dc.subjecthluboké učenícs
dc.subjectrekurentní neuronová síťcs
dc.subjecthudbacs
dc.subjectgenerativní modelcs
dc.subjectmidics
dc.titleGenerátor podkresové hudbycs
dc.title.alternativeElevator Music Generatoren
dc.typediplomová prácecs
dc.thesis.degree-nameIng.cs
dc.thesis.degree-levelNavazujícícs
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.thesis.degree-programInženýrská informatikacs
dc.description.resultObhájenocs
dc.rights.accessopenAccessen
dc.description.abstract-translatedThis 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.en
dc.subject.translatedmachine learningen
dc.subject.translatedneural networken
dc.subject.translatedmarkov modelen
dc.subject.translatedrbmen
dc.subject.translateddeep beliefen
dc.subject.translatedrecurrent neural networken
dc.subject.translatedmusicen
dc.subject.translatedgenerative modelen
dc.subject.translatedmidien
Vyskytuje se v kolekcích:Diplomové práce / Theses (KIV)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
janecekz.pdfPlný text práce1,32 MBAdobe PDFZobrazit/otevřít
A14N0112Phodnoceni-ved.PDFPosudek vedoucího práce917,17 kBAdobe PDFZobrazit/otevřít
A14N0112Pposudek-op.PDFPosudek oponenta práce381,43 kBAdobe PDFZobrazit/otevřít
A14N0112Pobhajoba.PDFPrůběh obhajoby práce217,54 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/23660

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Vysokoškolské kvalifikační práce / Theses
  3. Fakulta aplikovaných věd / Faculty of Applied Sciences
  4. Katedra informatiky a výpočetní techniky / Department of Computer Science and Engineering
  5. Diplomové práce / Theses (KIV)