[發(fā)明專利]一種基于LSTM的鋼琴演奏自動評分方法在審
| 申請?zhí)枺?/td> | 202010555829.3 | 申請日: | 2020-06-17 |
| 公開(公告)號: | CN111724813A | 公開(公告)日: | 2020-09-29 |
| 發(fā)明(設計)人: | 田君;程昭德 | 申請(專利權)人: | 東莞理工學院 |
| 主分類號: | G10L25/51 | 分類號: | G10L25/51;G10L25/30;G10L25/03;G06F16/61;G06F16/65;G06F16/683;G06F21/60;G06N3/04;G06N3/08 |
| 代理公司: | 北京卓恒知識產(chǎn)權代理事務所(特殊普通合伙) 11394 | 代理人: | 李迪 |
| 地址: | 523000 廣東省*** | 國省代碼: | 廣東;44 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 基于 lstm 鋼琴 演奏 自動 評分 方法 | ||
1.一種基于LSTM的鋼琴演奏自動評分方法,其特征在于,所述方法步驟包括:
步驟S1、建立音樂數(shù)據(jù)庫,以對MIDI文件信息進行存儲與管理;
步驟S2、提取鋼琴音樂文件的MIDI音樂物理特征;
步驟S3、將需要評分的鋼琴音樂文件的所有音符文件的特征信息向量化,以將音符信息與其對應的時間相結(jié)合;
步驟S4、將相關音符信息編碼為對應的one-hot向量;
步驟S5、通過二元向量的表達方式對音調(diào)狀態(tài)進行加密;
步驟S6、輸入矩陣,其中,矩陣的縱坐標為時間序列,橫坐標為音調(diào)值;
步驟S7、建立基于LSTM的評分模型,并對評分模型進行訓練,以獲得模型參數(shù);
步驟S8、利用已訓練好的評分模型對待評價的鋼琴音樂文件進行評分處理,并輸出評分結(jié)果。
2.根據(jù)權利要求1所述的評分方法,其特征在于:步驟S5中所述通過二元向量的表達方式對音調(diào)狀態(tài)進行加密,具體加密方式為:用[0,0]表示鋼琴琴鍵當前未被壓下的狀態(tài);用[1,0]表示鋼琴琴鍵當前被壓下的狀態(tài);用[1,1]表示鋼琴琴鍵當前時刻被壓下且前一時刻也被壓下的狀態(tài)。
3.根據(jù)權利要求1所述的評分方法,其特征在于:所述步驟S7中,在利用所述評分模型訓練時,采用小批量梯度下降法,并采用對數(shù)極大自然函數(shù)作為損失函數(shù)進行訓練。
4.根據(jù)權利要求3所述的評分方法,其特征在于:所述步驟S7中,在利用所述評分模型訓練時,采用對數(shù)極大自然函數(shù)作為損失函數(shù)時,其中Mini-batch=10,迭代次數(shù)為6000,學習率為0.0001,優(yōu)化器為RMSProp優(yōu)化器。
5.根據(jù)權利要求1所述的評分方法,其特征在于:所述步驟S1中,所述音樂數(shù)據(jù)庫為ySQL建立數(shù)據(jù)庫。
6.根據(jù)權利要求1所述的評分方法,其特征在于:所述MIDI音樂物理特征包括音調(diào)、音強。
7.根據(jù)權利要求1所述的評分方法,其特征在于:所述步驟S4中,將音符信息編碼為對應的one-hot向量時,采用One-hot編碼。
8.根據(jù)權利要求1所述的評分方法,其特征在于:所述步驟S8中,所述評分結(jié)果包括優(yōu)、良、中、較差以及差五個評分等級。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于東莞理工學院,未經(jīng)東莞理工學院許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202010555829.3/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 用于高階長短期記憶網(wǎng)絡的系統(tǒng)和方法
- 基于深度學習LSTM的空調(diào)故障診斷方法
- 基于注意力機制的時間序列預測方法、裝置及存儲介質(zhì)
- 一種基于PCA-LSTM網(wǎng)絡的廢水處理智能監(jiān)控方法
- 一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡的居民負荷預測方法及系統(tǒng)
- 用于預測血糖水平的循環(huán)神經(jīng)網(wǎng)絡裝置和系統(tǒng)
- 基于情景LSTM結(jié)構網(wǎng)絡的微博情感分析方法
- 語音信號處理方法、裝置、電子設備和存儲介質(zhì)
- 基于約束并行LSTM分位數(shù)回歸的電力負荷概率預測方法
- 基于深度網(wǎng)絡AS-LSTM的命名實體識別系統(tǒng)及識別方法





