【摘要】：音樂是一種重要的藝術(shù)形式。隨著人們生活質(zhì)量的提高,娛樂方式趨于多樣化。眾多的游戲、動畫、短視頻等都需要大量的原創(chuàng)作曲來支持,但專業(yè)的音樂制作成本較高,風格曲式較為單一,無法滿足人們的個性化需求。隨著機器學習的發(fā)展,計算機自動作曲將大大提高音樂創(chuàng)作力,降低非專業(yè)人員的創(chuàng)作門檻,同時輔助作曲家開拓新的創(chuàng)作思路。為方便檢索和管理,文中對生成的音樂進行了情感歸類。文中分析了常用的算法作曲方法,包括HMM模型的方法、音樂規(guī)則的方法、遺傳算法以及目前流行的神經(jīng)網(wǎng)絡(luò)作曲算法。為提高作曲效率,本文使用神經(jīng)網(wǎng)絡(luò)實現(xiàn)算法作曲�；谀壳暗难芯�,本文提出了一種新的算法作曲網(wǎng)絡(luò)MCNN,通過構(gòu)建合理的Reward函數(shù)來調(diào)整生成網(wǎng)絡(luò)LSTM的概率分布,同時使用音樂理論規(guī)則來約束生成音樂風格,實現(xiàn)特定風格音樂的智能生成。文中數(shù)據(jù)庫選用古典風格的鋼琴曲,并對古典風格鋼琴曲的旋律規(guī)則、和聲規(guī)則、編排規(guī)則及切分音個數(shù)四個方面進行了建模。本文提出一種基于最小距離的客觀評價方法,通過提取古典音樂的特征包括音域、重復音符、垂直四度、節(jié)奏變異性、平行運動、垂直三音調(diào)、和弦持續(xù)時間、音高共八個維度進行客觀評估;同時構(gòu)建了基于專業(yè)人士打分的主觀評價系統(tǒng),從音樂的旋律、節(jié)奏、和聲、音樂質(zhì)地及表達力度五個角度進行主觀評價,并驗證了本文算法的優(yōu)越性。音樂的產(chǎn)生依賴于創(chuàng)作者情感的迸發(fā)。本文提出一種差分進化加權(quán)的隨機森林分類模型,通過融合音樂的時域特征、頻域特征、聽覺語譜圖特征及非線性Hurst參數(shù),實現(xiàn)音樂的情感分類。
【圖文】：

與普通的全連接神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)的節(jié)點之間是部分相連的。卷積層與池化層交替連接，實現(xiàn)特征的逐層提取，最后由全連接層完成分類任務(wù)。卷積層通過卷積運算，可提取上一層局部區(qū)域的特征。在圖像處理中，對一個圖片進行卷積計算，本質(zhì)上就是通過卷積核來實現(xiàn)圖像的濾波過程。圖像的卷積計算過程可用公式（2.16）表示。(2.16)其中， f ( x , y )表示圖像上第 x 行、第 y 列上的點灰度值，， w( x , y )為卷積核，a,b 為卷積核的大小，表示參與卷積計算的鄰域范圍。卷積核中，權(quán)值大的量所對應(yīng)的鄰域范圍特征對最后的結(jié)果貢獻越大。卷積核相當于一個權(quán)重模板，在圖像矩陣中滑動游走，滑動一次，就進行一次卷積計算，并將結(jié)果作為圖像上對應(yīng)像素點的響應(yīng)。如圖 2.12 所示，假設(shè)輸入圖片是一個6 6的矩陣，卷積核為一個3 3的矩陣，且滑動步長設(shè)置為 1，通過對圖像中藍色的區(qū)域通過卷積核計算，得到第（0,0）位置的值為 17。( , ) ( , ) ( , ) ( , )a bs a t bf x y w x y w s t f x s y t

3 基于 MCNN 網(wǎng)絡(luò)的音樂生成算法高分，去掉一個最低分，然后求均值，公式如（3.11）。其中 x 可分別代表 5個參數(shù)，即旋律、節(jié)奏、和聲、音樂質(zhì)地及表達力度。1811( )18iiE x x (3.11)3.7 實驗3.7.1 數(shù)據(jù)庫及數(shù)據(jù)預處理實驗中使用 Classical Piano Midi Page（CPMG）數(shù)據(jù)集作為訓練樣本[35]，該數(shù)據(jù)庫收集了 18 世紀-19 世紀的多個作曲家的古典音樂集，通過分割篩選得到 9600 個音樂樣本。實驗中用到的音樂樣本時長約為 20s。
【學位授予單位】：鄭州大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：J614;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預測法[J];金融經(jīng)濟;2017年18期

2 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡(luò)的短期電力負荷預測研究[J];電工技術(shù);2019年11期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學;2019年04期

8 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

9 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

10 蘇秀婷;;耦合神經(jīng)網(wǎng)絡(luò)的同步[J];紹興文理學院學報(自然科學);2016年03期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2675058