基于神经网络的算法作曲与情感识别研究

发布时间：2020-05-21 23:14

【摘要】：音乐是一种重要的艺术形式。随着人们生活质量的提高,娱乐方式趋于多样化。众多的游戏、动画、短视频等都需要大量的原创作曲来支持,但专业的音乐制作成本较高,风格曲式较为单一,无法满足人们的个性化需求。随着机器学习的发展,计算机自动作曲将大大提高音乐创作力,降低非专业人员的创作门槛,同时辅助作曲家开拓新的创作思路。为方便检索和管理,文中对生成的音乐进行了情感归类。文中分析了常用的算法作曲方法,包括HMM模型的方法、音乐规则的方法、遗传算法以及目前流行的神经网络作曲算法。为提高作曲效率,本文使用神经网络实现算法作曲。基于目前的研究,本文提出了一种新的算法作曲网络MCNN,通过构建合理的Reward函数来调整生成网络LSTM的概率分布,同时使用音乐理论规则来约束生成音乐风格,实现特定风格音乐的智能生成。文中数据库选用古典风格的钢琴曲,并对古典风格钢琴曲的旋律规则、和声规则、编排规则及切分音个数四个方面进行了建模。本文提出一种基于最小距离的客观评价方法,通过提取古典音乐的特征包括音域、重复音符、垂直四度、节奏变异性、平行运动、垂直三音调、和弦持续时间、音高共八个维度进行客观评估;同时构建了基于专业人士打分的主观评价系统,从音乐的旋律、节奏、和声、音乐质地及表达力度五个角度进行主观评价,并验证了本文算法的优越性。音乐的产生依赖于创作者情感的迸发。本文提出一种差分进化加权的随机森林分类模型,通过融合音乐的时域特征、频域特征、听觉语谱图特征及非线性Hurst参数,实现音乐的情感分类。
【图文】：

卷积计算,卷积核

与普通的全连接神经网络相比，卷积神经网络的节点之间是部分相连的。卷积层与池化层交替连接，实现特征的逐层提取，最后由全连接层完成分类任务。卷积层通过卷积运算，可提取上一层局部区域的特征。在图像处理中，对一个图片进行卷积计算，本质上就是通过卷积核来实现图像的滤波过程。图像的卷积计算过程可用公式（2.16）表示。(2.16)其中， f ( x , y )表示图像上第 x 行、第 y 列上的点灰度值，， w( x , y )为卷积核，a,b 为卷积核的大小，表示参与卷积计算的邻域范围。卷积核中，权值大的量所对应的邻域范围特征对最后的结果贡献越大。卷积核相当于一个权重模板，在图像矩阵中滑动游走，滑动一次，就进行一次卷积计算，并将结果作为图像上对应像素点的响应。如图 2.12 所示，假设输入图片是一个6 6的矩阵，卷积核为一个3 3的矩阵，且滑动步长设置为 1，通过对图像中蓝色的区域通过卷积核计算，得到第（0,0）位置的值为 17。( , ) ( , ) ( , ) ( , )a bs a t bf x y w x y w s t f x s y t

数据处理过程,音乐

3 基于 MCNN 网络的音乐生成算法高分，去掉一个最低分，然后求均值，公式如（3.11）。其中 x 可分别代表 5个参数，即旋律、节奏、和声、音乐质地及表达力度。1811( )18iiE x x (3.11)3.7 实验3.7.1 数据库及数据预处理实验中使用 Classical Piano Midi Page（CPMG）数据集作为训练样本[35]，该数据库收集了 18 世纪-19 世纪的多个作曲家的古典音乐集，通过分割筛选得到 9600 个音乐样本。实验中用到的音乐样本时长约为 20s。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：J614;TP183

【相似文献】