文摘
作曲技术理论是研究音乐理论的基本知识和技能,器乐,成分,和合成技术,包括和声、复调、音乐形式、编排等,然后分析,创建和编辑音乐。当前作曲技术理论导致的现象相对单一的形式。当前的方法是传统的作曲方式通过作曲家的创作。缺陷是各种元素不能被整合在一起,和音乐的意思不能完全呈现。为了解决这些问题,本文提出了使用递归神经网络算法和反向传播算法的人工智能算法。它的目标是研究如何创新集成作曲技术理论课程与当前网络技术。它利用递归神经网络在人工智能来帮助设计音乐特点的分析的一部分,通过自动生成的音乐效果的评价构成。结果表明,注意预测的准确性得到自动组合方法的基础上,客观评价是81.93%,90.15%,和92.62%,分别在Top1, Top2,超越,基本上满足目前作曲技术理论的基本要求。
1。介绍
音乐是一种古老而悠久的声音艺术,在人类发展中一直扮演着重要的角色。中国编钟的奴隶时代的各种风格的音乐作品在当前的时代,他们都反映其悠久的历史。因此,音乐和人类之间的关系是分不开的。近年来,音乐普及的趋势的发展,和人类工作的专业性成分太浓,以满足人们日益增长的对音乐欣赏的需求。在这个时候,一篇作文的方法,可以生成音乐需要高效、迅速,所以自动组合方法应运而生。自动组合方法通常可以分为两个主要部分:音乐特性的表征和成分的设计模型。
本文利用矢量模型这个词的语义分析自然语言处理和提出了一种基于上下文语义生成注意特征向量方法编码。它也解决了问题,传统的自动组合使用一个炎热的编码的形式来表示音乐功能,导致无法描述上下文语义信息的音乐特性。通过比较实验,结果表明,使用本文提出的注意特征向量来表示音乐特性自动组成工作可以有效改善注意预测的准确性。本文提出了一种自动组合模型基于Bi-GRU网络和self-attention机制,解决问题,传统的自动组合模型很难教音乐和灵活的依赖信息的计时信息由于网络结构的限制。在本文的模型组成,Bi-GRU网络不仅可以学习forward-dependent信息的音乐,也是音乐的backward-dependent信息由于其双向性,可以更好地描述音乐的计时信息。self-attention机制灵活调整音乐特性之间的依赖关系通过分配不同的权重,突出关键信息的过程中注意预测。它弥补了限制递归神经网络的依赖信息的探索,使音符之间的连接变得越来越弱,因为短期记忆,并优化自动组合模型。
目前,自动组成,识别技术主要是遗传算法,人工神经网络,深度学习和强化学习。基本上,这些技术领域的迅速和广泛使用的自动组合随着计算机技术的发展。在设计过程中自动组合模型,自动组合模型提出了基于深度学习。通过递归神经网络的深入研究和self-attention机制,本文采用Bi-GRU网络和self-attention机制自动组合模型根据输入MIDI音符序列的特点。由于其双向结构,Bi-GRU网络不仅可以捕捉向前依赖笔记的序列也向后依赖注意序列和更好的处理时间序列的预测问题。self-attention机制灵活表达笔记之间的连接通过控制注意重量之间的笔记和强调指出之间的重要信息,所以报告的最终结果是一个更好的表达序列的预测。
2。相关工作
组成和构成技术的理论主要研究音乐理论的基本知识和技能,器乐,成分,和合成技术,包括和声、复调、音乐形式、编排,进行音乐分析,创建、编辑、等等。和下面的组合技术在各个领域的不同的表情。Tran et al。1)提供一个新的视角理解的价值成果和创新过程的“模糊前端”(FFE)阶段产品创新的理论通过引入作曲(1]。通过研究民间音乐的特点和内涵,张(2)解决如何加强民间音乐理论的学习和促进在学校音乐教育。的基础上,结合音乐教育和民族音乐,一个更实际和完善音乐教学方法和系统构建2]。Zhaleko [3)认为,作曲家想给观众留下深刻印象,取得商业上的成功(3]。Outsomichalis [4)提出,当代思想的激流,在很大程度上谴责质量理论和一系列的过去的二分法。相反,有一个倾向混合,包罗万象,nonanthropocentric模型(4]。莫斯利(5)扩展的分析其循环实践与更广泛的有机自然的观点,发现循环组成的比赛常常难以理解但无所不能的法律想象在它周围的世界5]。然而,上述研究只停留在理论部分,和实用性不是太强。
人工智能AI略。这是一个新的技术科学研究和发展理论,方法,技术,和应用程序系统模拟,延伸和扩展人类智能。以下是人工智能在各领域的应用。Dolezel [6)引入了一个特定的神经网络决策过程可以被认为是任何网络流量处理控制器基于流量特征(6]。Musulin et al。7]讨论了机器学习的适用性(ML)和进化计算(EC)方法专注于回归流行病学COVID-19曲线和概述了现有模型的有用性在特定领域(7]。Corradini et al。8]讨论了前景和优势,强调了陷阱和警告,这封信是在最近的一些研究试图使用人工智能方法分类临床有意义的PCa和懒惰的病变(8]。Dukhi et al。9]建议的使用机器学习在这个区域的卫生研究还是小说。通过使用机器学习方法,贫血之间的cross-linkages风险指标的加权评估将有助于决策者确定重点干预地区在参与国9]。它已经明显,交叉10创造了独特的图像通过人工智能的快速发展和完善,deepfakes。他们认为这些新技术的采用需要复议的当前预防信息,反向图片搜索的效用在未来可能会变得有点冗余(10]。然而,当前人工智能作曲技术理论的研究仍然没有摆脱的定义和思想基于传统的构图理论课程。人工智能领域是目前受限于技术,不能发挥自身的特点和缺乏深入分析,探索人工智能的功能。
3所示。人工智能神经网络算法
3.1。深层神经网络
浅神经网络结构简单,网络的参数很少,而且很容易陷入局部最优的情况,所以很难获得有用的信息从巨大的数据集11]。实际的深层神经网络的隐层总是超过3层,每层和隐层节点的数量通常是比较大的。输入层输入的特征值对应的信号,如语音特征和图像特征。有非线性激活函数与隐层的节点,常用的双曲正切、乙状结肠,ReLU功能。输出层函数的设置与网络的目的。回归任务一般选择线性函数和输出函数,和multiclassification任务通常选择将softmax函数和输出函数。L-layer深层神经网络,为了简化符号、公式是框架
其中, 在哪里 激励向量,向量,激活权重矩阵,分别和偏差系数矩阵。深层神经网络的原理框图如图1。
3.2。网络训练基于监督学习
输出损失函数计算目标函数,然后通过反向传播算法的参数将被更新在2013年(12]。对于语音增强任务,最小均方误差通常作为损失函数,定义为
其中,和代表网络的目标特性和输出特性,分别和b网络的权重参数。网络的输入特征,n是演讲的框架。N代表minibatch的参数训练,代表有多少帧的数据在同一时间在同一个批处理。添加minibatch将允许提取的训练集N每次使用示例数据随机梯度下降法来更新参数矩阵的深层神经网络,从而提高培训效率。深神经网络l层,通过使用yl代表输出,公式可以写成
重量参数和b与反向传播网络的更新:
其中,和后的网络参数吗tth minibatch更新和一个网络的学习速率,即每个更新的步长。假设深层神经网络的输出采用线性激活函数;输出层的权重矩阵梯度
其中,
然后,向量梯度的输出层的误差和偏差
同样,对于中间隐层,它可以推断 在哪里激光强化层和错误的吗是激活函数的一阶导数。如果乙状结肠函数作为激活函数的隐层网络,相应的一阶导数
反向传播公式的前层和隐层的传播公式
它起着决定性作用的自动组合模型自动合成技术,和网络训练的使用可以帮助自动组合模型的组成过程中发挥作用,奠定了基本框架结构的自动合成技术。
3.3。递归神经网络框架
递归神经网络的框架是一个类,序列数据作为输入。复发性神经网络递归序列的进化方向,和所有节点连接成一个链。
类似于多层前馈神经网络,标准RNN由一个输入层、隐藏层和输出层。网络的输入从输入层,通过隐藏层,输出层的输出。与多层前馈神经网络,RNN允许添加连接层除了夹层内连接。intralayer连接不仅使当前时刻的输入包含输入网络本身,而且前一时刻的输出。因此,多层前馈神经网络只能从输入映射到一个输出向量,而一个RNN原则上可以从之前的整个历史输入映射到每个输出。其典型的结构如图2。
通过展开RNN根据时间表,从图可以看出2每一刻的RNN包含几个以前时刻的信息,和层内的链接允许RNN积累在时域。相关链接特性表明,RNNs天生序列和列表,更适合处理相关机器学习任务序列数据(13]。
RNN向前传播是一样的一个单隐层的多层前馈神经网络。如果输入X序列的长度是T,然后输入层包含我输入单元。对于一个RNN隐藏单位和与HK输出单元,由向前传播
反向传播算法使用BPTT通过累积残余的最后一刻,由以下公式表示:
在上面的公式中,一个计算出的值求和,b是计算出的值激活函数,θ是激活函数,t是时间,的重量是不同的节点之间的连接,l损失函数,一个是梯度,下标吗h和k代表隐藏层和输出层,分别我和j表示两个节点之间的连接层的序列号(14]。
在RNN,当前时刻的输出是通过前一时刻的输出和输入当前的时刻。因此,RNN有历史信息的记忆功能和强大的模型时间序列数据的能力。然而,因为链式法则是用来更新权重在反向传播,当时间序列太长时,它将导致梯度爆炸或雁行消失的问题。所以研究人员做了改进基于标准RNN控制内存历史信息的长度。
而标准RNN的长度可以控制记忆历史信息,自动组合模型用于自动组成部分计划可以帮助其扩大数据集的能力,这样的宽度自动合成技术可以改善。
4所示。探索作曲技术理论课程
4.1。音乐功能解决
音乐特征的表示是一个关键的一部分,自动组成,和音乐特征表示的质量直接决定了后续自动组成的影响。在前面研究自动组成,研究人员主要集中在选择组合模型来提高组合的影响,很少注意采用更好的表现音乐的特性,也可能影响成分的影响。
以前,研究人员认为自动组成一个序列预测问题。因此,他们只是和直接使用一个炎热的编码表示的顺序提取音乐训练生成的音乐(15]。为了解决这个问题,本文使用这个词向量模型在自然语言处理领域的音乐特性的优化表示。组合模型输入的数据不再是注意序列由一个炎热的编码,但注意序列由特征向量和上下文语义信息神经网络pretraining后生成。以这种方式,因为注意特征向量本身上下文语义信息,注意可以提高预测的准确性。注意特征向量建设的简要流程图如图3。
最初的MIDI音乐文件很复杂,其中大部分是有多个追踪很多额外的音乐信息。自动组合的过程中,所有不需要多个曲目的音乐信息。本文只注意主旋律跟踪信息作为数据来源构成模型。因此,首先,本文使用Python的MIDI图书馆米多提取所需的信息从原始复杂的MIDI音乐文件,包括音高的注意,注意声音的开始时间和结束时间,强度,和玩乐器组成一个通知信息矩阵。然后,基于信息的注意信息矩阵,轮廓算法用于提取主旋律信息并生成一个简单的单向的MIDI主旋律音乐文件。最后,基于MIDI主旋律音乐文件,并使用这个词向量模型训练与上下文信息生成注意特征向量,获得的注意特征向量的个数等于注意类型数据集;也就是说,每个音符对应于一个独特的注意特征向量和上下文信息(16]。
在获得注意特征向量,也需要使用上下文信息的注意特征向量来表示注意序列。此时,主旋律注意注意特征向量所代表的序列可以作为后续自动组合模型的数据集训练并生成音乐。
4.2。注意根据上下文语义编码特征向量生成方法
4.2.1。准备网络结构设计
本文采用word-hopping算法,其网络结构采用前馈神经网络结构包括输入层、投影层,softmax层和输出层,如图4。
输入的输入层是中央的一个炎热的编码表示二进制数据组的注意,所以维度输入层的是129,这意味着输入笔记由129维度的一个炎热的编码表示。维度D注意特征向量生成的摘要是129,所以投影层的输出值的维数是129。假设实际注意输入的二进制数据集K;一个 - - - - - -维注意特征矩阵最终将获得,这意味着注意的特征向量K笔记是一个多维向量投影的输出层。因此,有必要添加softmax功能层的激活函数投影层后,选择概率最高的位置在多维向量输出的节数的实际预测注意后续的网损计算(12]。
4.2.2。代的注意注意序列的特征向量表示
注意特征向量的生成模型的训练过程。通过模型的连续迭代执行损失函数计算实际输出值之间的误差和目标在二进制数据集。损失函数是由批处理梯度下降优化模型收敛。最后,注意特征向量和上下文信息从投影层获得参数。每个音符生成一个129维的特征向量与上下文信息。
4.3。自动组合模型基于Bi-GRU网络和Self-Attention机制
在上面的部分中,我们研究了神经网络和self-attention复发机制,发现他们可以在序列的预测问题。因此,本节提出了一种基于Bi-GRU网络自动组合模型和self-attention机制。
4.3.1。设计思考
自动组合本质上是一个注意序列预测问题,和复发性神经网络擅长解决这类问题。摘要自动组合模型选择递归神经网络的一种变体,封闭的复发性单元网络。此外,音乐是一种表达艺术的某些旋律和节奏随时间波动。通常情况下,有必要理解音乐的计时信息,并将它与上下文语义的音乐为了准确地分析音乐作品。因此,本文选择双向周期性的结构网络深入描述音乐的上下文计时信息。当生成当前的注意,不仅注意信息的影响在其历史性的时刻,也注意信息在未来时刻的影响将被考虑。基于上述网络结构的分析,只有双向封闭的复发性单元网络可以满足要求。
音乐的生成过程,指出不同程度受上下文信息,这不能灵活地意识到只有通过递归神经网络的结构。因此,self-attention机制介绍集中在上下文中重要的信息,忽略次要信息,这使得注意一代更合理和准确17]。通过添加self-attention机制、内部依赖性的特点注意序列可以深入探讨,通过自动分配不同的概率权重的注意特征上下文。它也可以更好地表达注意序列和改善注意序列预测生成的准确性和合理性的音乐一代。
4.3.2。模型结构
整个自动组成基于Bi-GRU网络模型结构和self-attention机制如图5。
图5是自动组合模型的结构图。从图可以看出5整个组合模型可以分为三个部分:输入层、隐藏层和输出层的大模块。输入和输出模式选择同步多对多模式;即输入序列和输出注意序列是超过一个音符和长度相等。
输入的输入数据层是主要的旋律音符序列代表的注意特征向量和上下文信息在本文的第三章形成的。它主要包括两部分:一是收购MIDI主旋律注意顺序,另一个是收购的注意特征向量和上下文信息。这部分的工作已经在本文的第三章详细介绍。最后的主旋律注意序列是由这个注意特征向量和上下文信息,优化音乐特征的表示在自动组合,从而提高注意预测的准确性,提高自动组成的影响(18]。
隐藏层主要分为Bi-GRU网络的实现和self-attention机制,神经网络的训练技术辍学。辍学是一个方法来提高网络的泛化能力。暂时失活的一部分单位中层根据设置一组概率和避免过度拟合的输出值单位О使它不工作。本文中的模型添加一个辍学层Bi-GRU网络和self-attention机制。Bi-GRU存储时间依赖信息的输入序列通过其内部双向结构,即H=h从未来和历史方向,学习计算对当前状态的影响。然后,Bi-GRU网络的输出作为输入self-attention机制层,并执行self-attention计算获得相应的注意体重的概率分布,以获得注意序列向量的表示后添加self-attention机制。最后,完全连接层是输入输出层的输出。
4.3.3。合成过程
持续的培训和学习后,自动组合模型最终得到一个好的注意预测模型是收敛的。通过使用这种模型,可以生成一个固定长度的序列的笔记,即组成的过程。
注意预测模型还需要输入一段注意固定长度的序列n,第一个输入音符序列是随机选择从测试集,下一个固定长度n段注意注意预测模型预测序列预测的输出。然后,音符的输出序列预测作为输入来执行下一个预测,等等反复,直到生成预设生成的音乐片段的长度,形成一个自动组合工作。上述整个过程的自动组合模型生成一段音乐(19]。在测试组,每次一段注意固定长度的序列n被选中作为输入,生成一段音乐通过注意预测模型,以便可以生成多个音乐片段。整个合成过程如图6。
5。解决的结果自动组合模型
5.1。模型评价
为了更好地评估自动组合所产生的音乐效果,本文采用客观和主观的评价方法。评价方法都是基于全面的数据分析循环神经系统的人工智能和法官的选择。自动组合评估的影响从数据的角度通过客观实验模型的结论,和人类的主观能力欣赏音乐也被认为是通过主观的在线面试和评估。这两种方法共同确保准确性和生动的音乐自动生成的摘要组成(20.]。
5.1.1。实验数据
为了达到更好的实验结果,本文获得了总计525 MIDI音乐文件从互联网上相同的风格。主要旋律提取后,510年合格的MIDI主旋律音乐文件。MIDI音乐文件都是4/4拍,速度是每分钟120次,共有33种笔记。本章实验需要完成在服务器由于大量的数据。表1显示服务器的具体配置。
5.1.2中。自动合成实验
本文的自动组合采用对比实验的方法。比较实验的区别主要在音乐特性的表征和成分的选择模型。主流自动组合方案在这个基础之上,一个炎热的编码作为音乐特性代表了主旋律注意序列,和一个单独的Bi-GRU网络选择的组合模型。这是实验1,用作基准实验比较。其次,本文的注意特征向量作为音乐特性代表了主旋律注意顺序,选择和一个单独的Bi-GRU网络构成模型,实验2。最后,本文的注意特征向量作为音乐特性代表了主旋律注意序列,和Bi-GRU网络选择和self-attention机制组合模型。这是实验3,这是本文提出的自动组合方案。通过比较以上三组实验的结果,自动组合方案的优点提出了。在此基础上,简要描述的比较实验如表所示2。
本文使用Python编程语言和选择的深度学习框架PyTorch进行上述三组自动组成实验基于深度学习。实验的主要步骤如下:首先,MIDI主旋律注意序列,和具体的步骤已经在第三章详细介绍了。每个音节都包含16个笔记。然后,根据两个音节组成的数据集作为一段音乐,和数据集分为训练集,验证集和测试集,不重叠的部分是相互独立的。一个炎热的编码表示用于在实验1中,注意特征向量表示提出了用于实验2和3,然后是汽车组成模型被选中。Bi-GRU网络用于实验1和2。有129个神经元的输入和输出层。隐层节点的数量是32的数量notes中包含一系列的音符;也就是说,每个音符的输入序列的长度是32。隐层神经元的数目是256,和选择softmax激活函数。 In Experiment 3, in addition to the above Bi-GRU network layer, there is a self-attention mechanism layer. The dimension of the Query and the Key is 64, and the dimension of the Value is 129. At the same time, in order to prevent overfitting, a 30% dropout layer is added after the Bi-GRU network and the self-attention mechanism layer. Then, the sequence of musical notes represented by different features in the training set is input into the model for training. During training, the cross-dimension function is used as the loss function to calculate the error, the Adam algorithm is used for optimization, the learning rate is set to 0.001, and the training is performed for 100 rounds. At the same time, the validation set is used to evaluate the performance of the network model for note prediction, and the note prediction model with the best performance is obtained and saved. Finally, the number of composition sections is set to S. A sequence of notes of a passage is randomly selected from the test set as the input to the optimal note prediction model. The music segments of S are generated in sequence to form an automatically composed work, and in the same way, multiple automatically composed works can be obtained.
5.2。评价成分影响
5.2.1。客观评价的组合效应
也就是说,它是直接从评估组合模型的预测结果。它使用antipropagation算法在人工智能算法精确分析的准确性,使结果更加客观。在这篇文章中,注意选择预测的准确性评价标准,和N(我,j)定义代表真正的注意,和数量我预计的数字笔记注意号码吗j。总体注意预测精度是正确的数量的比率笔记总数的预测指出,也就是说,
为了丰富的客观评价指标,本文将进一步细化准确率:(1)Top1准确性:当预测最大概率注意数量是一样的真正的注数,判断,预测是正确的。(2)Top2准确性:当预测最大第一次两个概率注意数包含真正的注数,判断,预测是正确的。(3)超越准确性:当预测最高three-probability注意数包含真正的注数,判断,预测是正确的。
后自动组成比较实验1、2和3,Top1精度,Top2准确性,超越注意预测精度的准确性验证集的获得本文所示数据7- - - - - -9。
通过比较Top1 Top2,可以得出结论,不同的音乐表达方法特性影响最终的预测精度。自动组合模型选择Top1 Top2是一致的,和输入数据的维度也一致。唯一的区别是,Top1输入序列的笔记使用一个简单的一个炎热的编码表示。Top2输入序列的笔记由注意与上下文语义信息特征向量生成的摘要(21]。是否比较注意模型预测精度能达到或比较注意的曲线变化预测精度在整个培训过程中,Top2比Top1要好。
通过比较Top2和超越,它可以得出结论,除了self-attention机制可以有效地提高最终的报告预测的准确性。音乐特征的表达方法选择Top2和超越是一致的,并且都使用上下文语义信息的注意特征向量生成的摘要。不同的是,选择的组成模型Top2只是Bi-GRU网络,而超越的组合模型选择的组合Bi-GRU网络和self-attention机制(22]。从这可以看出,self-attention机制是擅长挖掘突出不同的音符,音符序列之间的信息有利于注意预测。通过给予不同的权重的笔记注意序列,它强调指出之间的重要信息,而忽略了次要的信息,这样的最终结果是一个更好的表示注意序列预测。
通过比较Top1和超越,它可以得出有效的音乐特征表示方法和合适的自动组合模型可以提高注意预测的准确性。Top1的方法是一个通用的方法,大多数成分或智能音乐自动生成,也可以实现一定的实验结果。采用更优化的音乐特征表示方法和自动组合模式,超越提高Top1的实验效果,提高注意预测的准确性。超越分开优化他们的代表性音乐特性和自动组合模型的设计,自动组合的两个关键部分,取得了良好的实验结果。
基于上述统计数据,该方法使用注意特征向量和上下文语义信息来识别序列。自动组合方案,选择的组成模型Bi-GRU网络和self-attention机制是有效的,和报告的准确性预测基本上可以满足需求领域的自动组合。
5.2.2。主观评价的组合效应
在主观评价成分影响的一部分,音乐爱好者被邀请做相应的分数试镜后根据自己的主观感受。感知评价的影响自动生成的音乐组合可以确保生动,可听到的音乐自动生成的组合方案。使用的编程语言自动操作曲线评价体系如表所示3。
评分的标准如表所示4采用五点系统。5分非常满意,满意,4点3点相对满意,2点的平均质量,1点是质量差。生产的音乐作品的评价分为人类工作和自动组成。其中,5人工作歌曲从训练集得到;5自动组成由自动生成组合方案本文的实验3,和12秒的音频分别拦截。具体工作信息表所示4。
总共15个音乐爱好者被邀请参加在线面试评估。其中,10是教师和学生主修音乐,5业余爱好者有一定的音乐素养。每个段音乐的平均分数计算基于他们提交的分数,和最后的结果显示在图10。
从图10可以得出以下结论:(1)人类作品的乐谱一般高,和可以围绕的中心价值波动4分。这一现象表明,因为作曲家已经积聚了大量的音乐素养,组合效应通常是更好的和观众的感觉往往是稳定的。(2)音乐demo_2自动生成的摘要组合方案的得分也高得分为4.25分,排名第三,和前两个作品的分数之间的区别并不是很大。这一现象表明,对于听众来说,很难区分是否产生的音乐是人类工作或文本的自动组合。此外,音乐效果产生的自动组成本文给观众更好的主观感受。(3)音乐的分数自动组合方案生成的摘要不是很稳定。有demo_2 4.25的高分和demo_3最低得分为3.58分。这一现象表明,有一些差异自动产生的音乐质量的成分,还有进一步优化的空间。
6。结论
本文使用注意与上下文语义信息特征向量来表示音乐的特性和选择Bi-GRU网络和一个自动组合模型与self-attention机制。音乐的代表两个关键模块的功能和自动组合模型的设计,给出了一个优化方案,自动组合方案的有效性,本文通过实验验证。为了评估这种自动组合方案的影响,本文提出了两种评价方法:客观和主观23]。客观评价基于注意预测的准确性。对比实验的方法用于优化音乐特征的表示和自动组合的设计模型。这两种方法共同确保准确性和生动的音乐自动产生的成分。然而,自动构成本文只研究一个跟踪的主要旋律,和良好的音乐也应该和弦伴奏。在后续的研究中,主旋律生成后,可以添加到适当的和弦伴奏主旋律,形成一个相对完整的音乐。因此,研究和弦伴奏应该添加在接下来的实践研究。后自动合成技术并不局限等硬件服务器的计算性能,后续研究可以扩大数据集根据本文的想法。如果自动组合模型的深度增加,自动组合方法将满足人民日益增长的需求在未来音乐欣赏。
数据可用性
没有数据被用来支持本研究。
的利益冲突
作者宣称没有利益冲突。