文摘

传统的交响乐表演需要获得大量数据的效果评估,以确保数据的真实性和稳定性。在处理的过程中观众评价数据,有大型计算尺寸和低数据相关性等问题。在此基础上,本文研究了观众的教学质量评价模型基于多层感知器的遗传神经网络算法对数据处理环节的评价交响乐团的演奏效果。多层感知器结合收集观众的评价数据信息;遗传神经网络算法用于实现多变量分析综合分析和客观评价的声乐交响乐团的演奏过程的数据和效果根据受众的不同特征和表情评估。准确变化进行了分析和评价。实验结果表明,交响乐团的演奏的性能评价模型基于多层感知器神经网络遗传算法可以实时定量评估,至少是在精度高于主流评价方法获得的结果的数据后处理与优化迭代算法为核心的23.1%,其适用范围也更广泛,具有重要现实意义的实时定量评价交响乐的性能的影响。

1。介绍

目前,大部分研究管弦乐的过程性能的影响评价是基于传统的“性能类型和旋律特征研究和声乐升值”类型,“表演观众评价”所做的补充研究[1]。近年来,迅速发展和推广的交响音乐、交响乐的智能分析模式性能的影响变得越来越重要,已经成为一个重要的参考指数交响乐团(2]。多元化、综合性和交响乐的性能分析模型的定量表征已经成为当今主流评价目标(3]。目前,现有的管弦乐表现效果评价主要是分为两种模式:定性评价和定量评价(4]。然而,定性评价问题,如大错误和主观因素,而定量评价可以控制评价的准确性,但它有高评价的问题需求定位精度方面的规则(5]。如何有效地定量评价和定性评价相结合已成为研究的主流方向评估交响乐性能的影响(6]。

本文的创新是多层感知器神经网络遗传算法用于交响乐性能的评价。在此基础上,它可以充分利用大量的交响乐性能数据和提取适当的交响乐性能信息。数据量化、信息提取和分析观众的表情变化,情感表现等进行动态地实现整体亲近观众评价数据。与当前主流绩效评估方法的数据分析和后处理,交响乐绩效评估管理和分析模型提出的这项研究使用multitransformed神经网络因素定量描述不同性能的定量表征特征的过程。协议之间的相似程度的维度的分析模型和预期的评价指标完成的排名影响性能的旋律与量化指标,可以有效地分析影响因素的特征性能的交响曲。

探讨受众的规范化方案评价和管弦乐性能影响的分析,分为五个部分。部分1介绍了本研究的背景和总体框架。部分2介绍了相关工作在观众管弦乐性能影响的评价和分析。部分3构造一个交响乐的质量评价模型的性能分析模式基于多层感知器神经网络遗传算法和客观评价方法,采用多层感知器神经网络因素交响乐的方法构建一个评价指标体系性能影响分析模式。部分4进行实验分析和验证的定量指标管弦乐性能影响观众评价和分析模型。部分5总结了工作和提出了一些发现。

众所周知,它是相对落后在交响乐的性能分析模型使用计算机技术创新和质量评价(7]。目前,一些学者关注这一领域。里德et al。8)表示,捕捉音乐表演的虚拟现实(VR)是越来越感兴趣的工程师、文化组织、和公众,使用虚拟现实技术可以感知和定位三维空间内声音的来源。吴et al。9开放交响探索audience-performer交互设计在现场音乐表演,在数字技术的帮助下,观众可以通过投票来决定各种音乐进行即兴表演模式。Schedl et al。10)首次发现的最紧迫的挑战是他们认为音乐推荐系统(夫人)正面临从学术和行业的角度,回顾了先进的解决这些挑战,并讨论了它们的局限性。为了解决问题目前的现有数据在线音乐服务平台异构,广泛,林和紊乱,et al。11)提出了一种异构知识的神经网络模型对短期音乐推荐,和实验结果表明,该方法优于当前最先进的短期音乐推荐系统在一个真实的数据集。此外,它也可以推荐更多相对不受欢迎的歌曲和经典模型进行比较。注意识别乐谱识别的核心和关键;黄等。12)提出了一个基于深卷积神经网络的端到端检测模型和特征融合,和这个模型能够直接处理整个图像,然后输出符号类别和音符的音高和时间。尽管上述研究成果可以创新交响乐团的演奏效果评价的链接,他们仍不能有效解决智能分析性能的影响评价和管理(13- - - - - -20.]。

综上所述,可以看出,大多数当前的管弦乐性能影响分析模型不涉及一个智能评价方法基于性能的影响和观众的评价。交响乐的延迟效应的评价在主流科学研究,大多数研究统一收集性能数据的链接,其次是后处理和分析的数据,但很少意识到链接的“数据收集”的交响乐。数据分析影响评价综合实时动态处理分析。另一方面,尽管多层感知遗传神经网络算法已经逐渐应用于音乐评价,它没有被快速有效地广泛应用于多元分析的阶段和动态数据的实时处理。因此,重要的是要研究管弦乐表现效能评估方法基于多层感知器神经网络遗传算法。

3所示。方法

3.1。想法的应用遗传神经网络算法对多层感知器基于数学计算理论

不再有世界上成功的智能模型应用研究领域的优化问题和仿真的教学质量评估与遗传算法相比,粒子群贪婪算法和局部优化神经网络算法(21- - - - - -26]。多层感知器神经网络遗传算法(GA-MLP-NN)是基于神经网络算法和遗传算法,结合信息之间的相关性及其快速优化的解决方案。

在此基础上,在管弦乐性能影响的分析和评价模型基于多层感知器神经网络遗传算法,遗传因素基于多层感知器神经网络算法是首先设计;即通过结合神经网络因素基于可变性和观众管弦乐的过程中性能评价的影响,管弦乐性能影响的定量评价是实现。然后,多层感知器神经网络遗传算法用于准确划分一系列教学过程中的信息表示在交响乐的性能分析,从而达到高度的分类不同品质的交响乐的过程性能分析和研究和旋律来生成目标(交响分隔器性能分析模式)和一个非常高度的协同关系,推到下一个阶段的流程的优化来实现量化的效果评估。

3.2。管弦乐建设基于GA-MLP-NN算法性能的影响评价模型

在构建管弦乐表现效果评价模型和评价链接基于多层感知器神经网络遗传算法(GA-MLP-NN),多层感知器神经网络遗传算法用于分类不同类型的交响音乐在不同的阶段根据声音的分析模式的相似性和乐器的协同作用的相似性,然后旋律分析过程中的信息不同的交响乐演出分为二级部门,而且,通过多层感知器神经网络遗传算法,不同程度的交响乐演出效果类型选择二级部门和更新,以确保效果分析的分层和更新和管理不同类型的交响乐演出。其数据处理过程如图1。


图1
数据分析和处理的过程GA-MLP-NN算法。

的步骤如下所示。

在第一步中,数据分析和处理的链接时,神经网络数据分类根据程度的数据之间的联系和区别的模量长度数据矢量化后,和一个标签为每个分类组生成供后续使用。监督学习和神经网络编码的策略选择参数设置(可行解集)转换成一个多层感知器结构的多层感知器神经网络遗传算法。为了实现这个过程,本研究结合了一个新的基于模型的多因素耦合管弦乐表现过程评价方法,它使用变形耦合随机序列代替常见的管弦乐内容和旋律类型,然后将它实现最优测定不同类型的管弦乐性能和性能过程计划和开展模拟验证评估这管弦乐性能分析质量评价方案。它有一个良好的客观评价能力。在这个过程中,仿真结果分析的迭代次数之间的关系和耦合的分层感知器如图2。


图2
迭代次数之间的关系的分析和GA-MLP-NN下的耦合程度感知器算法。

从图2可以看出,在处理的过程中不同的数据集和平均下多层感知器神经网络遗传算法,在分析的迭代次数的增加,不同的变化模式耦合层感知器更明显和类似的在一定范围内,这是因为多层感知器神经网络遗传算法的过程遵循分类数据在操作的过程中处理的数据。这是因为多层感知器神经网络遗传算法遵循规则的分类数据在处理数据操作之前。

感性的表达功能 ,空间功能 ,和分层的功能 下面给出使用在这个过程中,他们经常被应用于图像处理等领域,图像识别和图像分类(27- - - - - -31日]: 在哪里 是原始的输入数据。仿真分析的结果与不同数量的感知器神经元节点的数量在这个阶段在图所示3。


图3
模拟不同数量的感知器之间的关系和神经元节点的数量。

我们可以看到在图3,增加感知器在多层感知器神经网络遗传算法下,神经元节点的数量的变化在不同的数据库组的分析不同模式是相似的(所有下降,然后上升,然后下降),这是由于向量矩阵的特定群体的形成根据不同语言内容和旋律可变性的管弦乐表现观众评价方法,而这些矩阵由不同的向量。这些向量组有不同的向量特征值根据不同系统的相似性分析不同的交响乐表演的能力,从而实现数据的转换相同的交响乐性能分析过程分为空间向量和数字信息的存储和处理根据语言的表现力和现有水平,这个过程需要二次处理数据的分析;那么相应的二级感知功能 ,真实度匹配函数 ,和效果分析功能 表示为 在哪里 是原始的输入数据。仿真分析的结果之间的关系的分析策略和不同维度的分析品质因数这一阶段在图所示4。


图4
模拟不同维度的分析策略之间的关系和分析品质因数GA-MLP-NN算法。

我们可以看到在图4随尺寸的增加,分析策略下的多层感知器神经网络遗传算法,不同的变化模式的分析质量因素是更明显的过程中分析不同的数据信息(4组数据类型:2组训练数据和2组性能数据),这是因为多层感知器神经网络遗传算法用于这项研究在处理类似的信息是基于不同的质量水平不同的管弦乐性能分析模式为基础实现使用一个二级部门不同的旋律类型在相同的管弦乐性能分析。

在第二步中,一个神经网络节点函数定义。我们采取一系列交响类型符合算法规则 。因此,神经网络节点功能

这一步的基本实现如下:神经编码的个体 交响乐的表现对象。执行图层1的结果,第二层,第三层,第四层的变体 在哪里 是不同的变化规律。 是 - - - - - -维信息。

然后执行常规递归或附近操作的多层感知器神经网络遗传算法,如交换过去的三、然后下变异结果1,2,3,4层是变异因素

仿真的结果分析不同水平的变量之间的关系和影响评价指标因素在这个阶段如图5。


图5
仿真分析结果之间的关系的变异因素不同水平和效果评价指标因素。

我们可以看到在图5多层感知器神经网络遗传算法下,与层变化因素的增加,效果评价指标因素都表现出不同程度的波动模式在分析的过程中不同的数据信息,这是由包含类型的交响乐的一组相同的空间位置阶段多个评价数据的设置操作。

3.3。优化过程的管弦乐的效果评价模型基于GA-MLP-NN算法性能

在这个管弦乐表现效果评价模型,为了使不同类型的评价方法评价水平的最大化不同的管弦乐类型基于现有的旋律音色和特征信息状态管弦乐表现的过程中,管弦乐表现效果评价模型结合神经网络算法和贪婪算法优化规则,及其优化分析过程如图6。


图6
基于GA-MLP-NN交响绩效评估算法的优化模型。

具体优化过程分为两个步骤。

首先,现有水平共同交响乐的信息类型是首先用来确定适当的递归策略根据相应的特征值和适应实现随机产生的初始化神经元节点。当语言功能组中的任意两个交响乐的值是不一样的,这意味着性能表述行为的两个交响乐的旋律非常不同,分离和自动实现计算的交响乐,执行递归postadaptation值,并将它们与特性值和比较适应下一个目标的检测分析。当多层感知器神经网络遗传算法在深部开采加工不同的交响乐表演,它生成不同类型的相似性交响乐的旋律表达方法对应的交响乐演出。

第二,在优化过程中多层感知器神经网络遗传算法的管弦乐表现效果评价模型,多层感知器的遗传神经网络算法,在实际评估过程的一个特定的交响乐表演,转换目标的水平场音色特征信息管弦乐表现类型为computer-recognizable数据信息(如向量组和矩阵)经过特殊处理,然后使用它在这个过程中,不同数量的指针之间的关系模式和不同的程度的交响乐性能效果如图7。


图7
仿真分析结果之间关系的不同数量的指针模式和不同程度的交响乐。

我们可以看到在图7的数量,增加评价维度的指针模式下多层感知器神经网络遗传算法,有不同程度的改变在管弦乐中性能的影响评价指标的过程中分析不同类型的数据信息,这是因为不同的指针模式将导致大的差异评价维度,并将深化数据之间的相关性。

4所示。结果分析和讨论

4.1。实验设计验证的管弦乐表现效果评价模型

组装基于交响乐的综合评价模型的性能分析和交响乐表述行为的旋律分析可以更准确的评估和分析的区别和特点,不同类型的交响音乐。因此,在进行实验之前,需要一致性假设非核心因素以降低随机因素的干扰。

在实验设计链接,这种评价模型可以进行功能监测时获得特征信息不同的管弦乐表演,然后从监测数据,实现特征信息提取进行进一步研究通过旋律的分析过程和评价航空公司的过程中多个管弦乐表演,,最后,通过数据分析的动态检测和实验过程,与标准化的特征值分析模型,实现评价的核心指标。这个实验过程中输入数据的格式和前面的仿真分析过程数据矩阵由定量评估数据向量组,它使用的功能如何提取输入数据。数据矩阵是动态调整的尺寸(这样计算时间可以自适应优化)。输入层、隐层和输出层有100个节点的上限。此外,数据间隔的交叉率和变异率都是0.2 - -1.0。

评估会议,存储信息的特点,交响乐的语言和旋律将存储为进一步综合评价的质量在稍后的阶段,不同的声乐分析模式,实现一个智能分析交响乐的质量性能分析,从而客观评价交响乐的创新模式下的性能分析基于多层感知器神经网络遗传算法。

根据多个有影响力的指标,它是可能实现的优化和高质量发展的每一个声乐分析模型方案,快速提高每个交响乐的数据记录类型,从而实现智能记录不同的学生。这管弦乐性能评价模型分析四个指标(管弦乐表现类型、旋律特点、受众评价和性能效果)为对象的第一组和第二组的对象,和实验分析的结果的深度递归处理各级神经网络在图所示8。


图8
实验分析结果深度递归神经网络在不同级别的处理。

我们可以看到在图8下,多层感知器神经网络遗传算法,实验数据的评估效率也显著提高,增加的数量在三个不同的阈值因素神经网络层(0.1 / 0.5/1.0),这是因为神经网络层的增加会导致增加的最大维度数据分析,同时使单一的处理数据的速度增加,所以综合评价效率也更快。另一方面,作为神经网络的层数的变化,其内部数据相关性也有不同程度的耦合变化,和三个阈值的变化可以产生更多的与不同的数据之间的关系。因此,随着神经网络层数的增加,其评估效率也显著提高。

4.2。实验结果和分析

的比较结果管弦乐性能影响的客观指标评价结合多层感知器神经网络遗传算法和智能模糊评价如表所示1。

表1
比较不同方法下的不同的评价指标。

分析结果在实验的误差程度下的多层感知器神经网络遗传算法如图9。


图9
分析结果的误差程度在实验。

从图9,可以看出错误程度的管弦乐性能影响分析了不同方法下多层感知器神经网络遗传算法不同,他们都表现出不同的趋势。与GA-NN方法和MLP-NN方法相比,GA-MLP-NN方法获得最小的误差和精度最高,和误差可以控制在有效的范围内不到8倍的分析,因此GA-MLP-NN法具有更好的稳定性评价。

因此,结合图的结果9根据实验结果,可以分析性能分析的改进和观众评价一个随机的交响曲(提取过程是在20%和80%之间从空间的中心位置,和随机数用于不规则提取)作为对照实验,其中一个交响乐开始适度低水平的性能分析和观众评价(结合水平排名)。通过多层感知器的应用遗传神经网络算法和模糊评价的管弦乐性能影响分析模型,结果发现,实验组和对照组有性能上的改进效果分析和观众评价。一个改善小组排名在75.3%的整体分析效果在30.1%。其他管弦乐性能效果从15.4%提高到了12.8%的总体分析中影响排名的观众群体。这表明目前的管弦乐表现效果评估管理和基于多层感知器神经网络遗传算法分析模型能够定量评价和多维分析的管弦乐表现效果,实际意义的管弦乐表现的创新和应用效果评价管理。

5。结论

为了更好地实现交响乐团的演奏效果,定量评价增强创新当前交响乐团的演奏效果的评价和分析模型在中国势在必行。在此基础上,本文使用基于多层感知器的遗传神经网络算法和模糊评价模型,首先选择三个特征参数与交响乐绩效分析和提出了一种评价系统特征参数的基础上交响乐团的演奏效果。管弦乐表现效果评价模型评价从多个角度通过研究类型的管弦乐表演,声乐演奏能力,协调能力,观众的评价效果,音色特征提取分析的分析过程。最后的实验结果表明,使用多层感知器神经网络遗传算法描述创新模式的有效性综合评价所能达到的水平。然而,这项研究没有评估特定类型的管弦乐表演的有效性目标的方式,因此深入研究可以进行应用程序和自定义分析的范围。

数据可用性

使用的数据来支持本研究的发现可以要求作者。

的利益冲突

作者宣称没有利益冲突。

确认

本文的工作是上海音乐学院的支持。