基于深度学习的音乐风格识别与生成技术研究与原型实现
发布时间：2021-04-27 07:42
使用计算机自动生成不同风格的音乐是音乐信息检索和音乐制作中比较重要的热门领域。越来越多的研究者投入到自动化音乐生成领域中,目前音乐自动化生成已经被很多的作曲家运用。由于深度学习和机器学习在最近几年的兴起,以及计算机软硬件性能的高速提升,为自动化生成不同流派的音乐奠定了很好的基础。在此之前,大多数研究者都是使用深度学习网络进行音乐的流派分类识别。现在,更多的研究者开始使用深度学习进行音乐生成,因此研究不同流派的音乐生成很有意义。由于LSTM网络在处理长时间序列问题上有很好的效果,因此本文在已经对LSTM网络有了一定的了解的前提下,运用所掌握的相关深度学习知识,设计并实现了一个能生成多种流派音乐的算法模型。本课题的主要研究内容包含以下几方面:1.音乐数据的预处理,在预处理过程中包含了音轨的分离和运用音轨拼接等技术对音乐特征进行获取,特征包括了音色、音调和响度等。同时还对音乐数据进行了量化处理,输入数据和输出数据格式进行了设计。2.在LSTM网络的基础上,重新设计了音乐流派风格识别和生成网络。在该网络中所有的音乐流派子网都共享了解释层,这样可以大大减少模型参数的学习,提升学习效率。每一个音乐...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 国内外研究现状
1.3 本文的主要研究内容
1.4 本论文的结构安排
第二章 相关基础理论和相关技术
2.1 音乐流派和音乐特征
2.1.1 音乐流派分类
2.1.2 音乐特征选择
2.2 MIDI音乐相关概念
2.2.1 MIDI事件
2.2.2 MIDI音乐格式
2.3 深度学习相关概念
2.3.1 神经元
2.3.2 激活函数
2.3.3 梯度下降
2.3.4 超参数
2.4 RNN神经网络
2.4.1 网络结构
2.4.2 正向传播算法
2.4.3 反向传播算法
2.4.4 LSTM网络
2.5 本章小结
第三章 基于深度学习的音乐风格识别与生成模型设计
3.1 音乐风格识别与生成模型流程设计
3.2 数据预处理
3.2.1 音轨分离
3.2.2 音乐特征的获取
3.2.3 数据的向量化
3.3 MIDI内容编码设计
3.3.1 输入矩阵的设计
3.3.2 输出矩阵的设计
3.4 音乐流派分析模型设计
3.4.1 音乐流派分析模型结构
3.4.2 双向LSTM层设计
3.4.3 线性层设计
3.5 音乐风格分析模型设计
3.5.1 音乐风格分析模型结构
3.5.2 解释层设计
3.5.3 多任务音乐流派子网单元设计
3.6 本章小结
第四章 基于深度学习的音乐风格识别与生成网络的实现与训练
4.1 模型开发平台与开发环境
4.2 训练与测试数据
4.3 音乐风格识别与生成网络结构实现及参数选择
4.3.1 网络结构实现
4.3.2 损失函数
4.3.3 其隐藏层层数和个数的选择
4.3.4 其他参数
4.4 网络的训练与优化
4.4.1 网络的训练
4.4.2 音乐序列的生成
4.4.3 网络的优化
4.5 本章小结
第五章 音乐风格识别与生成算法实验结果与分析
5.1 迭代次数和隐藏层神经元个数对实验的影响
5.1.1 迭代次数对实验的影响
5.1.2 隐藏层神经元个数影响分析
5.2 生成音乐序列频谱图和声谱图分析
5.2.1 生成音乐序列频谱图分析
5.2.2 生成音乐声谱图分析
5.3 生成音乐流派分类结果
5.3.1 分类准确率评价标准
5.3.2 分类算法选择和结果
5.4 两种生成音乐方法对比分析
5.5 本章总结
第六章 总结与展望
6.1 全文总结
6.2 后续工作展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于递归神经网络的自动作曲算法[J]. 李雄飞,冯婷婷,骆实,张小利. 吉林大学学报(工学版). 2018(03)
[2]语音图文信息处理中的深度学习方法进展专刊序言[J]. 柯登峰,俞栋,贾珈. 自动化学报. 2016(06)
[3]基于深度学习语音分离技术的研究现状与进展[J]. 刘文举,聂帅,梁山,张学良. 自动化学报. 2016(06)
[4]多媒体技术研究:2014——深度学习与媒体计算[J]. 吴飞,朱文武,于俊清. 中国图象图形学报. 2015(11)
[5]基于RNN-RBM语言模型的语音识别研究[J]. 黎亚雄,张坚强,潘登,胡惮. 计算机研究与发展. 2014(09)
[6]深度学习及其在目标和行为识别中的新进展[J]. 郑胤,陈权崎,章毓晋. 中国图象图形学报. 2014(02)
[7]基于Hilbert映射的元胞自动机音乐生成算法[J]. 王存睿,段晓东,刘向东,李志洁. 微电子学与计算机. 2010(01)
[8]隐马尔可夫模型（HMM）及其应用[J]. 王志堂,蔡淋波. 湖南科技学院学报. 2009(04)
[9]算法作曲的研究进展[J]. 冯寅,周昌乐. 软件学报. 2006(02)
[10]基于内外概率算法的音乐节奏自动生成[J]. 余立功,卜佳俊,陈纯. 浙江大学学报(工学版). 2005(12)
本文编号：3163073
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：92 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究工作的背景与意义
1.2 国内外研究现状
1.3 本文的主要研究内容
1.4 本论文的结构安排
第二章 相关基础理论和相关技术
2.1 音乐流派和音乐特征
2.1.1 音乐流派分类
2.1.2 音乐特征选择
2.2 MIDI音乐相关概念
2.2.1 MIDI事件
2.2.2 MIDI音乐格式
2.3 深度学习相关概念
2.3.1 神经元
2.3.2 激活函数
2.3.3 梯度下降
2.3.4 超参数
2.4 RNN神经网络
2.4.1 网络结构
2.4.2 正向传播算法
2.4.3 反向传播算法
2.4.4 LSTM网络
2.5 本章小结
第三章 基于深度学习的音乐风格识别与生成模型设计
3.1 音乐风格识别与生成模型流程设计
3.2 数据预处理
3.2.1 音轨分离
3.2.2 音乐特征的获取
3.2.3 数据的向量化
3.3 MIDI内容编码设计
3.3.1 输入矩阵的设计
3.3.2 输出矩阵的设计
3.4 音乐流派分析模型设计
3.4.1 音乐流派分析模型结构
3.4.2 双向LSTM层设计
3.4.3 线性层设计
3.5 音乐风格分析模型设计
3.5.1 音乐风格分析模型结构
3.5.2 解释层设计
3.5.3 多任务音乐流派子网单元设计
3.6 本章小结
第四章 基于深度学习的音乐风格识别与生成网络的实现与训练
4.1 模型开发平台与开发环境
4.2 训练与测试数据
4.3 音乐风格识别与生成网络结构实现及参数选择
4.3.1 网络结构实现
4.3.2 损失函数
4.3.3 其隐藏层层数和个数的选择
4.3.4 其他参数
4.4 网络的训练与优化
4.4.1 网络的训练
4.4.2 音乐序列的生成
4.4.3 网络的优化
4.5 本章小结
第五章 音乐风格识别与生成算法实验结果与分析
5.1 迭代次数和隐藏层神经元个数对实验的影响
5.1.1 迭代次数对实验的影响
5.1.2 隐藏层神经元个数影响分析
5.2 生成音乐序列频谱图和声谱图分析
5.2.1 生成音乐序列频谱图分析
5.2.2 生成音乐声谱图分析
5.3 生成音乐流派分类结果
5.3.1 分类准确率评价标准
5.3.2 分类算法选择和结果
5.4 两种生成音乐方法对比分析
5.5 本章总结
第六章 总结与展望
6.1 全文总结
6.2 后续工作展望
致谢
参考文献
【参考文献】：
期刊论文
[1]基于递归神经网络的自动作曲算法[J]. 李雄飞,冯婷婷,骆实,张小利. 吉林大学学报(工学版). 2018(03)
[2]语音图文信息处理中的深度学习方法进展专刊序言[J]. 柯登峰,俞栋,贾珈. 自动化学报. 2016(06)
[3]基于深度学习语音分离技术的研究现状与进展[J]. 刘文举,聂帅,梁山,张学良. 自动化学报. 2016(06)
[4]多媒体技术研究:2014——深度学习与媒体计算[J]. 吴飞,朱文武,于俊清. 中国图象图形学报. 2015(11)
[5]基于RNN-RBM语言模型的语音识别研究[J]. 黎亚雄,张坚强,潘登,胡惮. 计算机研究与发展. 2014(09)
[6]深度学习及其在目标和行为识别中的新进展[J]. 郑胤,陈权崎,章毓晋. 中国图象图形学报. 2014(02)
[7]基于Hilbert映射的元胞自动机音乐生成算法[J]. 王存睿,段晓东,刘向东,李志洁. 微电子学与计算机. 2010(01)
[8]隐马尔可夫模型（HMM）及其应用[J]. 王志堂,蔡淋波. 湖南科技学院学报. 2009(04)
[9]算法作曲的研究进展[J]. 冯寅,周昌乐. 软件学报. 2006(02)
[10]基于内外概率算法的音乐节奏自动生成[J]. 余立功,卜佳俊,陈纯. 浙江大学学报(工学版). 2005(12)
本文编号：3163073
本文链接：https://www.wllwen.com/wenyilunwen/musictheory/3163073.html
