文摘

在本文中,我们使用旋律多传感器信息融合结合5 g物联网进行深入研究和分析了钢琴的经验模型的性能。多通道数据的形式,两个主要的存储形式,音频和MIDI,选择。首先,音频信号处理技术和深度学习技术用于提取序列依次浅和高级特性,然后,两个模态数据的对齐的帮助下完成序列比对算法。加密数据的问题不能查询上传区块链,本文提出了一种物联网加密数据查询机制基于区块链和布鲁姆的过滤器。加密区块链存储物联网索引的时间属性,以确保数据一致性,明显被拆封了的,和可追溯性。一个新的损失函数训练多通道模型是专为钢琴表演的信号。该模型生成的钢琴表演与传统钢琴表演一代的不同之处在于,它不需要手动添加复杂的钢琴表演规则但生成直接与钢琴表演钢琴表演理论规则,训练数据集初始钢琴表演和生成的钢琴表演,和弦的稳定性,提高了约束和提高注意对时间的依赖。在实验结果的分析,生成的旋律被邀请50进行评价和分析。钢琴就模式化GAN网络整体性能的一代模型研究中提出使生成的钢琴表演旋律更取悦耳朵通过和弦约束和自主学习的内容时刻,有着重要的理论和实际意义的创造和实现质量和批量钢琴表演。

1。介绍

在传统的网络管理机制,每个网络传感器的工作是相互独立的,和有效的信息提取和集成,因此不能反映网络的全球性地位,这不仅没有达到加强管理,同时也提高管理的效果。员工的负担需要分析多个传感器的检测结果。网络管理必须能够收集来自多个传感器的数据在一个复杂多变的网络环境,规范,保险丝,并评估收集到的不确定信息,以视觉方式呈现评价结果来帮助网络管理。人们做出快速决策和解决网络安全问题的出现。

在日常生活中,每天都不断地产生大量的数据,和各种各样的数据变得越来越复杂。同时,这波干扰钢琴表演市场和钢琴表演行业正在经历一场根本性的改变(1]。从原始记录今天的数码钢琴演奏,钢琴表演工作已经进入了大数据的时代。随着日益强大的计算系统和更大的存储介质,研究基于大数据的钢琴表演已经成为可能。在计算机迅速发展的时代,存储钢琴表演的形式也被彻底改变了(2,3]。相同的钢琴作品可以存储在各种形式:视频、音频、歌词、和五音步。两个最受欢迎的形式的存储采样音频文件和钢琴MIDI等符号文件,这是一种新形式的存储记录的钢琴表演,每个音符的开始时间和持续时间。钢琴演奏是一个重要的艺术表现形式在我们的生活中,这是与我们的生活密切相关,成为不可或缺的一部分。它可以舒缓情绪和表达情感,和不同的曲调和旋律可以表达不同的情绪4]。

随着电子信息技术的快速发展,数据融合技术也被引入到土木工程领域作为一个智能处理技术,消除不确定因素,并提供准确的观察结果和新观测信息,如:智能检测系统、工业过程监控、机器人、空中交通管制和疾病诊断。

工业波由计算机、互联网和移动通信网络已经过去了,现在我们处于一个快速发展和物联网行业的广泛应用5,6]。最初的物联网来自传感器网络的概念,也就是说,结合传感器和通信网络连接的对象到互联网,实现在线管理对象。简而言之,物联网技术,将现实世界中的对象映射到虚拟网络世界实现虚拟整合整个物理世界。这种技术近年来发展迅速,甚至已经开始连接一切的趋势(7]。

常见的局部微分隐私机制类型数据进行了总结,和PK-RR机制解决这一问题,提出了频率估计的方差K-RR机制增加随着属性域k大小的增加,和频率估计的方差K-RR机制提高了频率估计的最优解,计算和PK-RR机制被添加到提出个性化的本地微分隐私法可穿戴设备,所以该方法可以实现隐私保护数值和子类型的数据(8,9]。其次,它需要大量的人力和物力资源以及地理约束和限制的创建过程。利用深层神经网络协助作曲家创造钢琴表演,它可以极大地节省了创建时间、创新环境不受地理限制和局限性,并激励作曲家更启发和更好的展示他们的想法在创建过程中,创造更有趣和愉快的钢琴表演。

2。相关的工作

有两种类型的对齐,在线和离线。在线校准,也称为分数后,通常应用在实时性能的环境中。与在线对齐,离线对齐并不局限于当前时刻,和整个钢琴表演的特征数据块可以用于对齐过程(10]。在本文中,我们专注于离线对齐,有许多应用程序在钢琴领域信息检索性能。除了“听歌曲”上面所描述的那样,离线对齐也可以应用于数据库搜索和电子存储库。根据数据的形式是一致的,分数排列可分为audio-to-audio对齐,audio-to-MIDI (MIDI)对齐,和audio-to-sheet对齐。来解决这个问题,charRNN方法只能对单声部的音乐训练,陈和郑提出一个方法来转换的MIDI音乐到一个基于特定的语法规则描述语言,使得charRNN适用于复调音乐,和使用炭化完成文本培训和获得音乐生成模型(11]。重建过程中音乐序列可以被映射到深学习算法。除了audio-to-audio对齐,另外两个对齐任务涉及到多通道数据。这样的音乐特性可以特别设计或位提取“发作”信息的笔记。例如,在研究Mi et al .,彩色onset-based特性设计(12]。

信息融合技术已经发展成为一种常见的关键技术,吸引了多方的关注,和许多热门研究方向已经出现。许多学者致力于理论和应用研究领域的机动目标跟踪、分布式检测融合多传感器跟踪和定位,发布信息融合、目标识别和决策信息融合、态势评估和威胁估计。一批多目标跟踪系统和多传感器信息融合系统的初步综合能力一个接一个地出现。与信息融合(数据融合)的逐步发展,越来越多的应用于更多的领域。

的任务分对齐,模型的输入通常是多个模态数据,所以大多数研究使用深上优于多通道模型完成浅特性的组合和抽象。重建基于神经网络,音乐一直在深刻的学习,更好的开发和组合“MIDI +递归神经网络(RNN)”已成为主流音乐的生成方法。然而,有梯度的问题消失当RNN产生长时间序列,和高桥等人使用长期短期记忆递归神经网络(LSTM)产生鼓节奏序列来解决这个问题(13]。许等人研究了深度学习方法复调估计问题和音乐一代钢琴和问题提出了一个非负多通道字典学习和稀疏字典编码Lorentzian-Block弗罗贝尼乌斯参数约束和无黏结性/不约束的复调估计问题[14]。秋等人进一步调查基于深度学习的方法重建的音乐旋律和安排。这种多通道模型通常是设计两个平行深神经网络,提取的高层抽象特征两个模态数据分别最后多通道数据映射到一个共同的子空间(15]。多通道模型曲线校准方法利用强大的功能抽象能力的深入学习和并行网络结构,逐步取代传统的校准方法和成为一个主流的模型设计。心电图信号在八个情绪状态,如安静,愤怒,悲伤,恐惧,厌恶,冷静,惊讶,和有趣的收集。后过滤掉噪音和提取时域和频域特性,支持向量机是用于构建情感识别模型(16]。结果表明,支持向量机的识别精度可以达到60% ~ 75%,不同的情绪在优化参数。

信息融合理论的发展,这一新兴边缘学科发展从最初的机器人多传感器融合系统,处理信号从不同或相同的传感器获得全球长期融合数据的对象。从更普遍的应用程序对象的角度来看,它经历了漫长的发展过程。在这个过程中,发现来自不同传感器的信息可能有不同的特点,所以相应地出现各种不同的信息融合方法。

拟议中的生成对抗网络(GAN)模型引起了不小的骚动在人工智能领域。领域的文本生成,生成的相关文本的描述图像进一步生成对抗网络后,提取图像的相关特性;在演讲中,演讲的质量代由生成对抗增强网络的非光滑噪声和未知噪声;领域的钢琴表演,真正通过甘学会钢琴性能数据模型来产生愉快和和谐的钢琴表演的旋律。

3所示。5克的设计物联网多传感器信息融合模型

多传感器信息融合是一种常见的人类或其他逻辑系统的基本功能。数据融合系统中,模拟人脑综合处理复杂的问题,各种传感器的信息可能有不同的特点,实时或nonreal-time快或慢变化,模糊或清晰,支持或互为补充。多传感器信息融合的基本原理类似于人类大脑信息的综合处理。它充分利用各种传感器资源。冗余或互补信息按照一定的标准相结合以获得被测对象的一致性解释或描述。

相比之下,单一传感器信号处理或低级多传感器数据处理,多传感器信息融合系统是一个低级的模仿人类大脑的信息处理。多传感器资源不能有效利用多传感器信息融合系统。多传感器系统可以获得更大程度的检测目标和环境信息。

提出了多通道模型的框架如图歌对齐算法1摘要:首先,音频和MIDI片段预处理提取主要特征;然后,他们输入到多通道模型组成的两个平行深卷积网络,分别获得学习高层抽象的功能;最后,两个特征序列是一致的使用适当的对齐算法获取对齐路径。

音频信号的采样率为44.1 kHz,信号是第一帧长度为2048 46.4 ms和10 ms的帧shift441:傅里叶变换之前,一个窗口添加到框架信号和汉明窗,之后时域信号转换为频域使用傅里叶变换获取STFT频谱;模拟人耳感知声音的强度,然后乘以STFT谱振幅和新的光谱是通过对数压缩;为了减少信息冗余,对数压缩谱是通过一组彩色过滤器(17]。模仿人耳感知的声音强度,STFT频谱幅度是1000乘以和对数压缩;减少信息冗余,对数压缩谱通过一套彩色滤光片获得新的频谱;增加的动态特性,最后计算光谱的一阶差分,和原始光谱结合差光谱获得最终的STFT的特性。

彩色滤光片组参与上述提取过程由一系列重叠的三角形的过滤器。每个三角形滤波器的中心频率的频率值是一个标准的音高,和截止频率的频率值是相邻的。由于沥青分布是指数分布,滤波器的带宽逐渐增加。重要的是要注意,滤波器的数量不精确匹配记录的数量(18]。由于频率分辨率,有重复的过滤器在低频段,需要删除。从上面的,所使用的窗口函数CQT是时变的,即,the window length taken at the low and high-frequency parts is different. For low-frequency signals, it has a higher frequency domain resolution and lower time-domain resolution; for high-frequency signals, it has a higher time-domain resolution and lower frequency domain resolution. In addition, CQT uses a frequency distribution that matches the twelve mean rhythms commonly used in Western music. For these reasons, CQT has become an important feature of music signal processing and analysis.

的问题,物联网的数据结构不符合区块链结构、索引链上的加密的数据只能比较和验证,但不能查询。在这一章,基于布隆过滤器的查询方法和双层布隆过滤器相结合提出了更高的效率比传统的查询。物联网数据索引存储在块对应块的时间戳的时间属性,和加密指数查询利用空间位置属性和索引包含独特的公共密钥编码,明文哈希和加密数据散列。对应的私钥和公钥加密的数据可以查询的编码和加密数据散列和解密后的明文数据可以得到验证,所以这个查询结构可以查询时间属性。该查询可以查询所需的物联网数据结构通过时间和空间位置属性。同时,我们使用区块链实现第三方信任的特点,把加密区块链上查询索引,加密的数据存储在云存储服务器上,验证数据的完整性和一致性通过链上的加密指数,并减少信任计算的开销。

当物联网节点上传区块链验证数据,验证数据将不能被篡改;以前的数据块在当前时间不能修改,所以所有的数据块除了当前块是决定性的和不需要动态修改;然后,哈希计算服务器可以构造最优的布隆过滤器性能的基础上确定的数据量。最优性能的标准布隆过滤器是错误的概率最低常态和最少的内存占领。假设一个块一块在整个区块链吗 在这总共定索引数据,盛开在滤波器的长度吗构造块这样pseudonormality概率可以从现有的情况下,推导出用

假设空间位置属性写入布隆过滤器映射到元素使用一个哈希函数,每个哈希函数将数据映射到布隆过滤器设置为1。插入一个空间位置属性的布隆过滤器使用哈希函数可以表示为

将所有的空间位置属性块插入相应的布隆过滤器可以表示为

根据物联网的特点,数据的时间属性对应块时间戳,在一定的时间范围内查询数据只需要在相应的时间查询数据块。查询空间位置属性需要首先确定查询时间范围后,查找块确定的范围,然后检查每一块空间位置属性的存在的范围 。检查块布鲁姆过滤器BF,对应的结果映射空间位置属性的位置计算使用的哈希函数 ,可以表示为哪一个

方程(5计算CQT)给出了数学方法,但可以直接计算的时间复杂度非常高。使用快速FFT的计算离散傅里叶变换,并快速FFT可以用来减少计算工作在CQT的计算,包括时间和频率域。

本文提出的歌对齐算法,提取的音频和MIDI的主要特征子空间映射到一个共同的多通道模型基于深度学习。在这个空间,表达相同的语义异构数据仍将最大相关或最亲密的距离;表达不同的语义异构数据将会非常低相关或相互远离。与此同时,特征空间的映射空间所代表的相似性度量函数。如果使用欧氏距离度量序列相似性在训练有素的损失函数,训练后,特性映射到欧几里得空间。常用的相似性措施主要有欧氏距离,余弦相似性,闵可夫斯基距离,汉明距离,Jaccard相似。

三角洲和θ部分波段被上面的方法获得。5 EEG信号的部分波段分别提取:三角洲带(0.5 4赫兹),θ乐队(4 - 8 Hz),α乐队(8 - 14 Hz),β乐队(14-30 Hz),和伽玛乐队(30 - 45 Hz),如图2。三角洲乐队主要反映了儿童睡眠的脑电图波动状态,生成在孩子的大脑。θ乐队主要表达了脑电图波形10和17岁之间的青少年,而成年人的脑电图波形达到这个乐队在小数量和低振幅。伽玛乐队主要反映心理活动之间的联系和知觉活动如注意力;β区间描述了正常人类的大脑处于兴奋状态,这不是被electrooculography和适用于情感分析。在这项研究中,α频段(8 - 14 Hz)和β(13-30 Hz)频带被选为情感识别的脑电图数据。确定氮化镓的目标是成为一个高级假发生器使用高性能的鉴别器(19]。

4所示。实验设计的钢琴表演物联网多传感器信息融合的环境

ISAPI的API接口是一组由微软提供互联网服务。它可以实现所有的功能提供的CGI和扩展它在此基础上,如提供过滤应用程序接口。的工作原理ISAPI CGI的基本上是一样的。获得用户的输入信息通过交互式页面,然后,将其交给服务器后台处理。但是实现方法的两个是完全不同的。ISAPI使用dll(动态链接库),而不是可执行程序。动态链接库加载到Web服务器的内存,可以由多个用户共享的请求没有开始为每个用户请求一个单独的进程,从而大大提高服务器的性能和解决CGI效率低的问题。但编写ISAPI的程序,你必须熟悉C语言编程和使用DLL,开发人员有很高的要求。

在基准模型,只有固定的和弦和旋律用于拼接生成过程,所以以下修改的音乐生成模型基于音乐理论规则第一模型来实现更好的性能产生旋律。使机械学习音乐理论规则建模,功能是真正从和弦来达到使生成的音乐多样性的影响。调节器CNN是开始的3输入栏的旋律,这是在四层,卷积和的特点开始禁止提取每一层和拼接中相应的转置卷积层生成器。卷积层和一个完全连接层是用来区分输入旋律,和鉴别器性能不断改善通过轮培训,如图3。

在音乐一代模型基于音乐理论规则,改进的多样性和现实主义生成的旋律,即。,原和弦经过卷积四层。和弦中特征提取的生成器CNN,生成器的输入是和弦和高斯白噪声。四层的转置卷积后,每一层和特征提取的酒吧和和弦开始拼接,最后生成的旋律可以机械地学习音乐理论规则,使生成的旋律更符合标准的音乐。

MIDI格式音乐文件是一个消息指令组成的字节。一个标准的MIDI文件由文件头块和一个或更多轨道块。文件头块存储类型信息,数据块长度信息,MIDI文件格式类型信息,跟踪号码信息,精确的信息。有三种类型的格式:单向的文件,多声道同步文件,和多声道的异步文件。有两种类型的精度单位,蜱虫和框架20.]。单位蜱虫表示的蜱虫时间单位的第一个击败酒吧,和单位表示帧的时间表。跟踪块包含跟踪类型信息,跟踪数据段的长度和数据部分。

MIDI格式音乐文件携带数字音乐信息,每个轨道代表乐器,共有128个不同的音色,可以满足不同的音乐,不同的人的看法,音色系列和相应的数据表中所示1。

正常的MIDI事件的低4位字节存储跟踪号码,和高四位存储性能状态的控制信息,允许一个准确的记录每一个仪器的性能。音乐的MIDI格式有少量数据,只对一个60秒的音乐剪辑2 k,只有12 KB为完整的歌曲,便于存储和传输。

MIDI格式的歌曲由几个伴奏旋律的跟踪和追踪。丰富的歌曲通常是伴随着多种乐器,并满足需要统一的步伐在多个乐器在音乐,多声道的音乐需要协调多个仪器维护和谐。12跟踪存在MIDI格式的音乐,和弦的存在F在五追踪10秒的序列表明,这些痕迹都停留在F弦,即。,有一个谐波之间的匹配跟踪。和谐是衡量计算机重建音质的音乐和音乐进行分析是一个重要的指标。

介绍了频谱质心描述音乐序列在频域,和质心的包络谱的音乐信号从时域转换到频域的快速傅里叶变换(FFT)。可以使用频谱质心测量高频分量和低频分量的比例中包含的音乐。当重心较低,这意味着音乐更多的分布在低频率,和音乐的内容是低和悲观;当重心高,这意味着音乐包含更多的高频内容,它提供了一个明亮和舒缓的音乐风格。的公式计算光谱的质心如下。 在哪里帧长度和吗表示频率下标;代表了频域信号的振幅值在 - - - - - -th帧信号的位置。

堆叠self-encoder训练之前用于提取潜在的音乐特征。训练过程分为两个步骤:首先,pretraining使用分层技术贪婪的训练方法,其次,网络调整的过程。逐层贪婪训练法是一种无监督培训过程,火车self-encoder网络只有一个隐藏层。第一个隐层在整个网络训练第一,然后,这一层作为输入层用于接下来的训练,和下一个隐层是训练有素的。所有层训练反过来根据上面的过程,目标是保持输出尽可能一致的输入,这样可以防止pretraining underfitting和过度拟合,如图4。

网络调整微调的过程中获得整个网络的最优参数无监督pretraining完成后,因为逐层贪婪的训练方法只有两个相邻层之间的优化参数。网络调整,需要将整个网络联系在一起,使用pretraining结果作为初始输入向前传播。新的网络范围的成本函数是重建的,每一个隐层的重量和偏见调整梯度下降法的迭代的迭代更新网络的参数,直到得到了网络的全局最优参数。

特性融合模型首先从各自的数据,然后提取相应的特征融合这些特征的规则。许多数据特征的融合过程完成压缩特性有很高的信息内容。这种联合功能比单身更富有表现力的功能和提高分类识别的准确率21]。表达情绪的生理信号,一个信号的特点是片面和降低分类精度的程度,和不同的生理信号的特性是互补的情绪在识别情绪达到提高精度。本章探讨生理信号特征的融合利用特性融合、分类器的输入,提高识别的准确性的情绪。

5。分析,旋律多传感器信息融合的性能结果5 g物联网模型

根据图5,可以执行多级分析:第一,当模型训练使用设计的损失函数,对齐结果都优于transcription-based算法。虽然主要的转录模型也实现了转换特性的新空间,有效性的差异是转录的功能学模型是有限的MIDI音高和颜色空间。转录基于模型的评分一致性将整个任务分为两个独立的任务音乐转录和对齐。虽然在某种程度上,转录的更好,更好的对齐,对齐总是受限于音乐对齐的结果。音乐转录学术研究的结果不是很好,总有困难抄录复调音乐与多个仪器(22]。中使用的距离公式损失函数当训练multimodal-based模型也可以作为下一步对齐序列相似性度量。在此基础上,功能转换和序列比对的两个任务联系在一起。

因为有一个片段检索的准确性和音乐之间的相关性识别,本节措施片段检索的检索有效性主要任务。在选择最佳的片段检索模型,评价结果的音乐识别终于呈现。自从有一个片段检索的准确性和音乐之间的相关性识别,本章主要措施的有效性检索片段检索任务(23]。在选择最佳的片段检索模型,评价结果的音乐终于得到认可。

分析的结果可以得出结论,旋律的恐惧产生的四组的模型有显著的正相关与音乐的连贯性和创造力,如图6。

堆叠self-encoder训练在400次迭代收敛。测试训练SAE网络实现的目标等于输入和输出,10块MIDI格式的音乐编号M1 M10被随机选择和输入堆叠self-encoder预处理后,在一个炎热的编码,和训练有素的SAE网络被用来比较后输出和输入值和计算精度编码和解码的过程。训练有素的堆栈self-encoder输出和输入之间的一个小错误,和重建的笔记有很高的准确性。能够分析堆栈self-encoder可以通过把高维数据有效地压缩编码和解码的过程,和音乐的特性可有效提取样品的编码过程堆栈self-encoder因为激活函数是一个非线性函数压缩数据的特性和更深层次的信息,可以获得潜在的功能。二阶特征层提取的数据堆栈self-encoder是潜在的减压音乐特性。

LSTM网络的迭代的数量密切影响音乐的质量由SAE-LSTM网络重构。音乐的声音(重建SAE-LSTM网络在300年和500年的迭代LSTM网络如图6。之间的相似性音乐重建网络和样品谱图在300次迭代低,和音乐序列重构的网络在许多地方是凌乱;音乐在400次迭代重建学习的模式样本序列,并生成音乐频谱的分布是相似的,这表明之间的依赖笔记之前和之后的示例音乐序列是后天习得的。

6。应用实验结果的分析

静息状态的实验设计范例中使用本文选择一个安静,隔音实验室免费从外部噪声干扰,保持房间的安静和整洁,和建立生理信号使用仪器:32通道脑电图帽,心电图信号收集器、呼吸传感器、服务器、音频和耳机设备。

音乐片段的频谱质心计算对应于平静的情绪,和一个训练集200音乐片段相似的频谱质心选择相似度公差为10%。训练集预处理使用第四章中的方法,和音乐序列送入训练SAE-LATM重建网络,一个炎热的编码。这个网络所产生的音乐被认为是消除紧张情绪的音乐,是用作焦虑情绪干预对象。

主题1的EEG信号的特点提出了冷静和紧张的情绪状态,和熵的对齐的八个电极通道(Fp1 Fp2, F3, F4, C3, C4、O1,和O2)的和EEG信号的频段计算,如图7。水平轴代表八通道脑电图检测,和纵轴代表每个通道的平均排列熵。结果表明,利用排列熵作为特征的情感在这八个频道可以更好的区分平静和紧张的情绪,和排列熵值在平静的情绪状态是整体高于处于紧张的情绪状态。

的参数 , ,和影响最终在样本熵的计算,计算值和实验 , 被选为二维,相似容量是原始序列的标准差。显示样本熵的角色在情感分类,样本熵计算对象的焦虑和根据平静的情绪状态 。样本熵的八个通道分别进行了计算。红色的线条代表的样本熵值在焦虑,和蓝线代表平静的情绪下样本熵值;结果表明,样本熵明显区分焦虑和平静的情绪,如表所示2。

受试者的焦虑是重要的实验开始前和松了一口气听完消除紧张情绪的音乐,和戒酒效果根据每个人的不同看法的音乐。统计结果表明,实验组的减压效果比对照组显著提高,消除紧张情绪的音乐重建的方法基于多通道生理信号提出了能有效地调节焦虑和达到减压的效果。因为不同的人有不同的音乐喜好,听音乐下的生理信号识别辨认音乐片段,安抚人们的情绪和重建目标的戒酒音乐有效地帮助缓解焦虑24,25]。在实验中,发现音乐样本光谱质量显示明亮和高频质量更高,重建的明亮和舒缓的音乐特点,更有效地减轻焦虑。

生成的音乐在MidiEditor MIDI格式显示软件与每个旋律选择钢琴卷帘,绿色键显示和弦,柱状和弦的和弦的表情,和红色的键指示的旋律。生成过程往往是光滑的和弦和旋律部分。音乐一代模型的实验结果基于音乐理论规则如图所示8。旋律更丰富多样的一部分,DCC_GAN如图的实验结果8。和弦和旋律更丰富多样,但弦键仍连接由两个酒吧,见图8。DCG_GAN如图的实验结果8。和弦和旋律都丰富多样,旋律更受和弦,以及由此产生的旋律更连贯。

7所示。结论

针对网络中多源数据的特征和一些缺陷在当前的网络安全状况的研究,提出了一种“网络安全态势评估和趋势预测模型基于多传感器数据融合,”弥补了传统使用单一传感器数据源。安全态势值不足的劣势是全面的。基于音乐生成模型基于理论规则,添加三个模块:和弦编码、和弦的预测,和弦语境化。编码不同的音高的和弦和主要/次要键,一个炎热的编码用于弦的音高和主要/次要关键促进后续分类生成的旋律。和弦预测:改善现实主义生成的和弦,真正的和弦作为标签和叉损失函数是用来实现预测模型的影响,使得生成的和弦越来越接近真实的和弦。和弦上下文相关性:使生成的和弦前后关联,从而提高相干生成的旋律,那一刻的和弦是学会了通过结合真正的和弦与生成的和弦作为下一轮的输入来实现音乐的连贯性和pleasingness增加。针对人工特征的局限性,深度学习的发展历史,下了相关的技术细节。考虑人为的限制功能和强大的功能表示深度学习的能力,多通道模型基于深度学习的最后介绍了。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

这项工作得到了社会科学联合会河南项目(网络教学的初步研究视唱和耳朵培训在大学人工智能的角度来看,没有。skl - 2020 - 2325)。