Generátor podkresové hudby

Show simple item record
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.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.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.description.resultObhájenocs
dc.format60 s.cs
dc.format.mimetypeapplication/pdf
dc.identifier66679
dc.identifier.urihttp://hdl.handle.net/11025/23660
dc.language.isocscs
dc.publisherZápadočeská univerzita v Plznics
dc.rightsPlný text práce je přístupný bez omezení.cs
dc.rights.accessopenAccessen
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.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
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.thesis.degree-levelNavazujícícs
dc.thesis.degree-nameIng.cs
dc.thesis.degree-programInženýrská informatikacs
dc.titleGenerátor podkresové hudbycs
dc.title.alternativeElevator Music Generatoren
dc.typediplomová prácecs
local.relation.IShttps://portal.zcu.cz/StagPortletsJSR168/CleanUrl?urlid=prohlizeni-prace-detail&praceIdno=66679

Files

Original bundle
Showing 1 - 4 out of 4 results
No Thumbnail Available
Name:
janecekz.pdf
Size:
1.29 MB
Format:
Adobe Portable Document Format
Description:
Plný text práce
Download
No Thumbnail Available
Name:
A14N0112Phodnoceni-ved.PDF
Size:
917.17 KB
Format:
Adobe Portable Document Format
Description:
Posudek vedoucího práce
Download
No Thumbnail Available
Name:
A14N0112Pposudek-op.PDF
Size:
381.43 KB
Format:
Adobe Portable Document Format
Description:
Posudek oponenta práce
Download
No Thumbnail Available
Name:
A14N0112Pobhajoba.PDF
Size:
217.54 KB
Format:
Adobe Portable Document Format
Description:
Průběh obhajoby práce
Download

Collections

Theses (KIV)