文摘

舞蹈,作为一个独特的表达方式,通常是伴随着音乐和呈现给观众在视觉上,改善人们的文化和精神生活,同时加强他们的创造力。和舞蹈编排通常是由几个熟练的编舞者,无论单独或结合使用,与高水平的专业知识和复杂性。用动作捕捉技术和人工智能技术的引入,基于音乐,电脑现在可以做自主编排和科技正在改变艺术家产生艺术的方式。电脑音乐编排必须解决两个基本问题:如何创建现实的和创造性的舞步不依赖动作捕捉和手动创建和如何提高音乐和舞蹈同步利用适当的音乐和运动元素和匹配算法。本文采用混合密度网络生成适合目标音乐舞蹈三个步骤,行动,行动筛选,和特性匹配,解决上述两个问题。

1。介绍

颜色作用合成技术广泛用于虚拟角色的创建和postretouching电脑游戏,广告,近年来和电影制作。虚拟角色行动绘画技术是计算机图形学的一个至关重要的部分,因为他们允许虚拟角色模仿真正的人类的行为。他们是一个非常活跃的研究领域。动作捕捉技术的发明和广泛使用已获得的真实性和安全行动,但它仍只是一个重复的数据。在游戏、动画、虚拟现实和各种各样的其他应用程序,人们有强烈的愿望与虚拟人物看起来像人类。什么样的创造性的活动,如跳舞,等待虚拟角色的舞蹈动作,尤其是自定义舞蹈动画中,动画师必须手动修改每个骨头的位置和旋转坐标系模型中处于关键位置的?完成这份工作不仅需要时间,也需要高水平的人才在动画的一部分,虚拟角色的范围限制舞蹈动画(1]。因此,一个成功的舞蹈合成算法技术可以应用于各种领域,如音乐舞蹈教学,游戏角色运动的一代,人类行为研究,虚拟现实(2]。在上述基础上,本文提出了一种新颖的解决方案如下:一种自动音乐编排算法,利用舞蹈数据,深入学习算法训练训练模型,并结合过滤条件自动生成训练模型和智能地满足预期的舞蹈动作和安排基于匹配的音乐和舞蹈动作剪辑。算法可以修改包括独特的和原始的舞蹈动作,有效地取代传统的编排算法和提供真正的价值3]。算法主要用于3 d电脑动画人物和游戏角色。动画合成、虚拟现实、舞蹈指导,和其他领域的兴趣也很重要。

2。相关概念阐述

2.1。研究背景

近年来,中国经济发展加速,居民的可支配收入增加了年复一年,推进旅游目的地旅游业的快速增长。然而,不规则的旅游业经营等问题和低旅游目的地游客满意度仍从根本上解决。所以未来的旅游研究的方向和重点是如何建立一个良好的旅游环境,保持旅游业可持续发展,提供积极的经济优势,提高游客旅游经历,丰富旅游目的地居民的文化生活4]。

2.2。表达式

舞蹈,作为一个独特的表达方式,通常是伴随着音乐和呈现给观众以视觉的方式,丰富人们的文化和精神生活,同时也鼓励他们创造性的冲动。专业的舞蹈指导单独工作或团队开发专业和复杂的舞蹈编排。用动作捕捉技术和人工智能技术的引入,基于音乐,电脑现在可以做自主编排和科技正在改变艺术家产生艺术的方式。首先是如何生成现实的舞蹈动作不使用动作捕捉;二是如何使用适当的音乐和运动特性,然后匹配算法来提高同步的音乐和舞蹈5]。在三个过程,创造运动,运动检测,和特征匹配、混合密度网络用于生成舞蹈符合目标的歌。生成的舞蹈在这个研究提高了运动的连贯性和现实主义相比,之前的调查。主观用户评分表明,舞蹈在这个研究结果与音乐在更高的程度上,基于混合密度网络行动生成算法(6]。本文涵盖了音乐发展的步骤操作数据集,动作分类的前提,和训练数据的特征表示。动作生成模型用于本文的模型结构,以及模型中参数选择训练和预测技术,然后讨论了(7]。参数管理方法和coherence-based行动滤波算法详细描述在使用行动模型生成,构建和测试评估算法,并提供了实验结果。音乐和运动组件包括编排。多级音乐和运动特征匹配方法是开发编排舞蹈动作生成基于音乐的品质目标。整个音乐特征提取系统,包括BPM和匹配算法,首先显示。节奏和强度特征提取技术,数据分割和特征匹配算法,然后运动连接算法描述的舞蹈合成方法(8]。然后适当的实验设计来验证编排结果,介绍了和实验评估标准,以及实验结果。

2.3。研究模型

而不是依靠用户的手工生产和动作捕捉数据,运动一代问题必须解决,为了设计一个有效的计算机编排算法确保编排足够现实和小说。本章实现了运动生成技术基于一种混合密度网络(9]。开始,我们生成music-action数据集分类数据,并使用特性来描述训练数据。本章构建操作生成模型从第二章中概述的序列生成模型,完成模型的训练和行动,并执行行动创造过程参数控制(10]。本章选择生成运动序列基于一致性和给候选人运动图书馆未来编排,以确保质量生成的动作,让他们适合进一步的编排。

本文的BPMs中相应的音乐为每个类型的舞蹈数据集提取,和平均和最值如表所示1。从表1,街舞的平均BPM 150.83;民间舞蹈的平均BPM是120.62。BPM的最大值为街舞和民间舞蹈是176.17和142.39,分别和最小值分别为100.64和86.45,分别。BPM的偏态街舞和民间舞蹈小于0,表明这两个指数的分布是没有多,小于3的峰度。JB-statistic相伴概率值的所有变量为0.0000,这表明最初的假设“系列遵循正态分布”是拒绝JB-test所有变量在1%的显著性水平;因此,连续变量的BPM街舞和民间舞蹈不服从正态分布。它可以发现,对于舞蹈风格,BPM的平均值为街舞较大,和民间舞蹈的平均值是最小的。看着每个类型的舞蹈动作,它可以发现,街舞运动的整体速度更快的民间舞蹈。换句话说,越快的舞蹈应该有一个更大的BPM平均值,这是符合不同舞蹈速度的BPM和直观的视听感觉。然而,BPM范围并不集中,功能价值本身并不足以描述音乐的整体特征。

2.4。目标和算法性能

本研究的目标是开发一个神经网络,音乐带来的,和计算机自动编排,提高了新奇和相干生成的舞蹈动作,提高了生成的和谐运动,音乐,舞蹈和允许用户控制生成的结果根据他们的偏好。这项研究侧重于建筑音乐运动的数据集。虽然有一些公开的运动数据,大多数都是体育数据,例如跑步和打球。伴随着音乐跳舞运动数据是罕见的。动作和音乐数据尤其在深度上优于基本类型的培训研究音乐和舞蹈动作之间的关系(11]。因此,VMD行动和WAV音乐文件从网络检索与内置music-dance运动及其支持文件数据集192段,1057344帧,和大约587帧用于这项研究。提出了一个新的策略生成过程的操作,参数控制算法,consistency-based行动滤波算法及其应用,提高创建的真实性和一致性的目标行动,保证动作质量的一致性。骨位置的一致性评估行动基于每个关节的速度变化率在相邻帧操作生产,并利用混合高斯模型的平均输出密度采用网络作为骨架在行动过滤(12]。当与其他控制方法相比,平均方法生产更现实的运动。生成的原始操作数据数据比屏幕上的更多的一致行动。建议包括集成整体特征匹配与当地特征匹配来创建一个多级音乐和活动特征匹配算法(13),如表所示1和图1。

本文认为更多的笔记一段音乐包含平均酒吧,即更频繁的注意变化,富有音乐的乐感和相应的舞蹈动作应该更加多样化。基于这一观点,指出本文计算的平均持续时间(帧)的整块。音乐信号的帧总数来标示的总数变化指出[14]。算法的具体步骤如下:( )通过CQT信号转换的音乐(○),代表音乐信号的频率幅值在每一帧的每个半音程。音乐信号的频率振幅k半音程框架表示。每个资产价格的稳定性试验进行ADF单位根检验。

当目标进入音乐,整体特征提取首先确定舞蹈风格和舞蹈速度最有可能对应于目标音乐,如BPM和改变音符的平均持续时间的比较表,表中列出的值2,然后选择相应的运动生成模型生成运动(15]。

本文认为音乐的整体速度应与运动速度呈正相关,和运动的速度可以衡量的速度明显的地方身体部位(胳膊、腿等)除了全身的整体运动(16]。

此外,从上面可以看出,改变音符的平均持续时间越短,这意味着notes正在发生变化,如表所示2和图2。

3所示。实证分析

有两种音乐分割方法:一个是音乐结构是由几个重复的模式,和音乐可以分割提取重复模式;另一种方法是采取一个固定的节奏段作为音乐段的长度(16]。第一想法,重复的模式可能是由相同的重复通过不同的乐器,所以结构分析的方法应该是依靠笔记的顺序,不应影响音色的乐器或声音。但这个想法很难在实践中17]。

这是因为每个乐器的音色有一个基本特性,这始终是由主题及其泛音的频率是基频的整数倍数)(18]。当不同的乐器演奏相同的注意,虽然它基本上是相同的,泛音的能量分布是不同的,所以很难直接在频域中提取准确的重复模式。其次,并不是所有的音乐旋律有严格的重复模式,甚至如果他们这样做,他们可能会远离对方(19]。因此,不同长度的音乐片段分割后可能是伟大的,这是不利于后续行动的匹配部分。对于第二个想法,它实际上是更符合现实。例如,在舞蹈教学中,音乐和运动和几个eight-beat节奏通常是分段的长度。这种分割方法获得的音乐片段的长度更均匀,这是方便后续的匹配和编排音乐和运动。根据这个想法,当音乐是分段的,有节奏的时期是首先提取,音乐的节拍器的长度Tmaz估计,音乐是根据几个分段的长度(20.]。

另一方面,人们普遍认为,音乐以更快的节奏和速度,相应的编排动作的变化更快,音乐部分的持续时间也较短的编排和舞蹈教学的过程。我们已经知道BPM歌曲的速度标记;BPM是BPM歌曲的长度成反比21),如表所示3和图3。

3.1。匹配分析

每个合成的舞蹈风格的输出是取悦用户,证明本研究中描述的音乐编排算法是有效的。两种类型的舞蹈有平均值的连贯性,真实性,和程度的匹配得分高于音乐,显示消费者合成的结果感到满意。这三个指标的街舞具有最大的评级,如观察图。街舞风格运动的节奏明显,波动的振幅更大,而民间舞蹈动作的幅度通常是微小的,它可能是用户很难区分一个小运动和抖动数据、影响知觉(22]。御宅族舞蹈的可怜的合成结果相比,街头跳舞是由于更大的御宅族舞蹈动作的多样性和低浓度的行动,这使得它很难训练和学习动作生成模型的动作数据集在第三章的研究开发。只有一个42的参加评分的用户错误地判断了街舞和御宅族舞蹈的风格,和其他用户的评估是正确的,所表示的最优滞后阶检验和协整检验后,后续访问。

从最大延迟订单4的测试结果,可以看出,LR,消防工程,AIC, SC,总部表明最优滞后阶是3。根据多数原则,3是选为最优滞后秩序,建立VAR模型(3)(23),如表所示4和5和图4。

从表可以看出4,“不协整向量”的最初假设不能拒绝了10%的跟踪统计或最大eigenroot统计,因此,伦敦布伦特原油期货和黄金未来价格系列不共合体24]。

JJ协整检验,可以看出没有协整关系,VEC模型无法建立,所以应该建立VAR模型平滑后不同的变量。自不同变量dlgf和dllco都是平滑的,可以建立VAR模型。模型是

4所示。用户研究

多级编排算法基于音乐和运动特点,提出了在这一章,目标是提高合奏的音乐和舞蹈动作。音乐总体特征提取和匹配,当地的节奏和强度特征提取和匹配,和中间帧插值过程的算法。基于视觉效果的合成舞蹈,舞蹈结果直观地评估以分析该算法的有效性和合成舞蹈的影响。实验6是用来测试如果层次音乐和动作特征匹配方法是有效的;舞蹈综合影响研究音乐和动作特性是否匹配算法基于节奏和强度特性是有效的(25]。

视觉效果在定性研究可以验证算法的性能,但这并不能提供一个完整的定量评价指标的试验结果。领域的计算机辅助音乐编排,难以科学、定量分析舞台舞蹈的效果,也没有统一的客观和量化评价指标,所以经常使用主观评价标准来检查实验结果(26]。摘要35研究生被邀请进行用户体验研究使用手册用户评级方法。为了确保用户有一定的音乐和舞蹈的审美认知和足够的音乐感觉和确保评级的可靠性,用户能力测试实验设计问卷调查。用户能力测试实验中,两个音乐舞蹈的训练数据集提出了参与测试人员:有音乐与舞蹈和其他具有相同的音乐匹配另一个无与伦比的舞蹈。参与者被要求选择不匹配的舞蹈片段,只有那些选择正确的有足够的音乐感觉感知音乐的节奏和动作来判断的程度相匹配的音乐和动作。小说框架提供了自动音乐编排本研究为了生成舞蹈动作都是小说和连贯和匹配目标的音乐,以及确保适当编排系统的鲁棒性和泛化能力。框架分为四个部分:模型训练和运动创建、编排和合成,和舞蹈可视化利用三维角色动画是最关键的步骤,模型训练和运动生成和编排基于音乐和运动特性是最重要的27),如图5。

在这项研究中,我们提出一个参数管理方法和coherence-based运动过滤策略来增加生成的动作的真实性和一致性。根据实验结果,均值技术促进了现实主义的生产操作,过滤操作数据的一致性是大大改善相比,生成的原始操作数据。加强音乐的目的和行动统一和一致性,这项工作提出了一个多层次的音乐和动作特征匹配方法,结合整体特征匹配与当地特征匹配。音乐与舞蹈动作,整体功能是使用第一,紧随其后的是节奏和强度特征匹配本地音乐运动片段功能。当控制基于整体音乐特征添加到最终合成的结果,每一个运动的速度和其他品质片段更一致,和整个编排更美学(28]。在本文中,我们看的完整过程计算机音乐编排和提出一个计算机音乐编排的框架,提供了一种新的解决问题的办法。框架包括一个运动数据集建设模块和模型训练模块。

框架由四个模块组成:运动数据集建设、模型训练和运动的一代,舞蹈编排和合成,和3 d角色动画可视化,所有这些保证真实性、独特性,兼容舞蹈的音乐片段。与传统的算法相比,合成编排更新颖多样化,本文和编排系统具有较强的稳定性和泛化能力比音乐运动映射模型获得的机器学习算法。此外,用户的需求可以反映在编排结果,使得该编排系统更加实用。

尽管本文中提出的算法可以获得更好的计算机音乐编排效果和确保编排动作的新奇和一致性以及符合目标的音乐,研究的方向特征提取,特征匹配和舞蹈音乐和运动的评价是不够的。本文的不足和后续工作的方向主要如下:现有研究较少的行动研究高级特性,以及基于行动特征筛选算法提出了本文主要使用行动底层工人的特性。在未来的研究中,我们可以试着分析操作的高级功能;当测量当地的音乐和行动之间的匹配,只有双方的节奏和强度特性。在未来的研究中,我们可以尝试包括其他常见的音乐和运动更抽象的特性,如情绪和风格;没有足够的研究方法来评估效果的音乐编排。在现有的研究中,舞蹈合成的影响往往是衡量视觉效果,如主观评级由专业人士在快照的舞蹈动作和合成舞蹈视频。一个共同的目标数量指标的评估效果的音乐编排尚未提出,这还需要进一步的研究。

特征匹配相结合的目标是减少目标歌曲的综合素质的影响在编排,同时提高质量,一致性和和谐的音乐和运动。首先,音乐的整体目标注意密度和每分钟跳动(BPM)注意密度提取使用一个常数 - - - - - -首次匹配变换等功能的移动速度,然后,当地的音乐和运动片段数据匹配使用的节奏和强度。多级特征匹配算法是用来建造更多的主题舞蹈舞蹈运动片段序列合成更多的统一速度等特性。提出了一种新的解决方案结合混合密度网络运动创建算法与多级音乐运动特征匹配算法的用户控制。电脑音乐编排框架旨在提供一个新鲜的概念求解计算机音乐编排的挑战。框架,其中包括一个运动数据集建设模块,模型训练和运动生成模块,一个舞蹈编排和合成模块,和一个三维角色动画可视化模块,可以确保真实性,新奇,同时音乐和谐的舞蹈片段。只有操作映射基于投影模型,提供伟大的稳定性和泛化能力相比,音乐由深层神经网络。此外,在编排模块,用户可以控制当地的移动速度和舞蹈空间骨架,它仍然可以与自动计算机编排共舞;为了控制编排结果根据偏好,这个框架是更有用的。

为了提高计算机自动音乐编排的真实性和多样性,本章提出了一种运动生成算法基于一种混合度网络秘密方法。首先,它介绍了建设的音乐运动数据集是通过手动标签分类的基础上,和运动数据预处理获得的特征表示模型训练数据。行动构建完成后,生成模型训练比较行动代在不同训练时间的影响。然后,介绍了三种参数控制方法生成过程中的操作,过滤和生成的原始操作是基于行动的一致性,以确保一致性和验证数据的真实性。算法能够生成足够现实和多元化的舞蹈动作,根据实验的结果。平均法生成最稳定的运动;随着训练时间的推移,人类的骨骼结构生成的运动变得更现实,和关节之间的相对关系变得更加稳定;consistency-based运动滤波算法也达到了预期效果,在本章所介绍的和运动生成算法产生最好的结果为后续的音乐和运动可行性,如图6。

系统可分为三个阶段:模型训练,运动一代,和音乐的安排。系统使用预先构建的数据集训练运动生成模型,获得运动生成的模型不同的风格和速度,并存储模型与最优结果。音乐编排之前,系统使用各种行动代模型生成一定数量的动作剪辑和构建各种候选人通过相干滤波操作数据库。用户可以直接在此基础上编排的音乐或运动产生他们自己的候选人,然后编排音乐。流程图使用模型训练,流程图使用动作生成和筛选,和音乐编排流程基于多级音乐和动作特征匹配算法。此外,系统介绍了用户控制步骤的整体音乐特征匹配算法,提供了一个用户控制接口,并给出了两个可选的方法:一是使用动作匹配,系统默认参数,另一个是为用户设置局部骨速度阈值和空间阈值的行动的一部分,然后执行动作匹配。换句话说,系统可以调整匹配结果的音乐和动作舞蹈特点,根据用户的要求,因此调整编排结果目标控件根据用户的偏好。如果用户希望最后的编排有截然不同的地方身体部位的运动特征(胳膊、腿等),他可以设置一个更高的骨头速度阈值和以匹配运动与骨段速度大于阈值,如图7。

音乐的特征提取和匹配算法和行动前节取得了多个目标的匹配结果的行动段音乐,和连通性约束满足相邻段。在此基础上,本节将分析相邻的动力反应生成过渡连接段,解决行动突变问题,拼接操作段划分为一系列完整的行动来完成最后的舞蹈安排。在这一节中讨论的行动突变属于小马产生的突变作用环节及其附近的行动;段被称为动作的连接,和固定的距离将立即引起混乱的连接操作,影响舞蹈的视觉外观。中间帧插值算法是利用在这一节中插入框架和行动领域行动部分的结论基于插值权重和执行之间的插值中间的行为生成最终的插入操作。该算法插值操作允许自然链接两个行动领域。之前的动作的同时,一些属性段结束动作。插值运动保持运动的连续性,但可能会有不切实际的运动,如脚滑,和值不应太高防止插值运动持续过长,破坏外观。

我们提出一个多层次编排算法基于音乐和动作特性研究,以提高效率的和谐的目标行动的音乐和舞蹈。的方法包括步骤音乐和运动特征提取和匹配,当地的节奏和强度特征提取、匹配和中间帧插值来评估算法的有效性和合成舞蹈的影响。

电脑音乐编排的问题已经被先前的作者和研究相应的计算机自动音响系统;音乐编排系统提出了。系统可以大致分为两类:一是基于Shirati (2006) (1)为代表的传统音乐和运动的人设计的工程师的特性和特征匹配算法选择目标构造运动的音乐数据库,和运动数据库通常包含动作捕捉数据;另一种是基于Alemi (2017) (2]基于机器学习算法,直接构建音乐舞蹈映射模型,和一般来说,音乐和运动特征之间的映射关系是通过模型训练,所以舞蹈动作对应目标音乐可以计算,和下面的图显示了框架的音乐编排系统,如图8。

在本文中,一个新的自动音乐编排系统框架研究解决以前工作的缺点,使生成的舞蹈动作小说和相干分析和匹配的目标音乐同时确保编排系统有足够的泛化能力。框架主要包括早期数据集建设、模型训练和培训。框架分为四个部分:运动的一代,编排,合成,使用三维角色动画和舞蹈可视化;核心步骤模型训练和运动的一代,以及舞蹈安排基于音乐和运动特性。

降尺度技术动作,高斯过程,基于隐马尔可夫模型,和其他机器学习运动生成算法都用于研究舞蹈。识别潜在的音乐和舞蹈运动特征之间的联系。高维属性的运动可以被映射到低维空间,可以用来捕捉潜在相关性背后联合旋转动作捕捉数据使用降维技术。然而,这种方法需要准备和处理过程,如序列比对和集数据长度,和运动数据的及时性不能立即进行建模,限制其使用真正的舞蹈运动数据。高斯潜变量模型过程postvariation模型可以有效地总结人类云的变化的力量,但它不适合实时模型生成,因为大的计算和内存资源需要克服的局限性已经提到这两个以前的模型,但他们的捕获数据变化的能力是有限的。

音乐带来的舞蹈一代不仅要考虑跨通道sequence-to-sequence映射还强调music-to-dance映射的复杂性。音乐和舞蹈动作之间的关系是任意的,受到表演者的风格和专业知识和性格特征。此外,音乐和舞蹈之间的映射关系的变化从短期长期同步,同步的姿势和节奏和舞蹈的形成模式提出了一个复杂的时间层次结构。从这个角度来看,神经网络具有更好的表达能力比HMM模型。学会了使用LSTM-1模式,和舞蹈序列生成。他们使用了六个小时的当代舞蹈微软Kinect所捕获的数据训练模型。经过训练的网络可以提取舞蹈风格(舞者的动作)的表达,语法(块或编排的语言)和语义(舞蹈作品的主题)。然而,该算法并不提供任何控制生成的过程和结果如何,整个过程没有任何的音乐伴奏。条件玻耳兹曼机限制玻尔兹曼机的结构(FCRBM)适用于控制的属性生成的实时数据,并允许生成操作。Alemi(2017)表明,GrooveNet并不依赖于分类或分割音频信号FCRBM模型可以学习连续跨通道从音频信息映射到数据以一种无监督的方式采取行动。 With only 23 minutes of music, FCRBM is trained using a small dataset of dance movements, and the resulting model can be independent, generating basic dance movements based on audio, and you can also learn and generate movements based on training songs. However, this does not have obvious limitations in the poor performance of unheard music and is not very practical and should propose a music-oriented dance synthesis method based on the LSTM model and autoencoder model. The model takes sound features as input and outputs the final dance composition by extracting the mapping between sound and motion features.

5。本文的主要结果

(1)这项工作提高了现实主义和相干性生成的运动通过引入一个参数控制算法和coherence-based运动过滤机制的运动生成的过程。根据实验的结果,均值技术提高了现实主义的生产行为和提高过滤操作数据的一致性相比,生成的原始操作数据(2)这项工作提出了一种多级音乐和动作特征匹配方法,结合整体特征匹配与当地特性匹配为了增加音乐和行动统一和一致性。舞蹈动作匹配后的基于整体音乐特点,当地的音乐运动片段匹配基于节奏和强度。根据试验结果,添加一个控制基于整体音乐特点使每个动作的速度和其他功能片段在最后的合成结果更一致和整体编排审美(3)本研究检视整个过程详细的计算机音乐编排并建议电脑音乐编排框架作为一个新颖的解决方案所面临的挑战。框架由四个模块组成:运动数据集建设、模型训练和运动的一代,舞蹈编排和合成,和3 d角色动画可视化,所有这些可以确保真实性,新奇,同时音乐舞蹈片段的兼容性。与传统的算法相比,合成编排更新颖多样化,本文和编排系统具有较强的稳定性和泛化能力比音乐运动映射模型获得的机器学习算法。此外,用户的需求可以反映在编排的结果,这使得编排系统提出了更实用

6。问题和未来前景

尽管本文中提出的算法可以获得更好的计算机音乐编排效果和确保新奇和编排动作的一致性和兼容性与目标的音乐,研究的方向特征提取,特征匹配和舞蹈音乐和运动的评价是不够的。本文的不足之处和随后的未来研究方向主要如下:(1)行动研究较少高级特性在现有的研究中,和动作特征筛选算法提出了本文主要利用行动底层工人的特性。在未来的研究中,我们可以试着分析操作的高级特性(2)本文在考虑本地音乐的匹配程度和行动,只有双方的节奏和强度特性。在未来的研究中,可以尝试包括其他更抽象的音乐和运动的共同特征,比如情感和风格(3)本文并不充分检查对评估的影响音乐编排的方法。目前,跳起舞来的时候可评估的效果合成在现有的研究中,通常是通过直观的视觉效果来衡量;例如,当评估舞蹈合成的影响在目前的研究中,通常是通过直观的视觉效果来衡量,如果专业人士邀请主观设置音乐快照的舞蹈动作,合成的舞蹈视频,等。该行业尚未提出总目标量化指标评价音乐编排的影响,和未来的研究是必要的

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了吉林省高等教育科学研究项目:研究的实际改革高校审美教育的新媒体沟通。