文摘

情感的表达在音乐表现是音乐的灵魂和情感透露表现在性能可以带给观众的情感共鸣。音乐表达的情感如喜悦、愤怒和悲伤音乐的存在的意义。音乐没有情绪将会死亡。然而,音乐本身没有情感;这只是一个常规的声音,所以的情感读音乐性能是非常重要的。音乐表现的解释,它是最重要的人类情感信息和通信媒介。通过人民币升值的作品来表达作者的情感,不同的表现形式的乐器,舞蹈和唱歌给观众带来情感共鸣。边缘计算是互联网的核心技术和边缘节点的所有新时代,并与计算机的迅速发展和不断创新所带来的巨大的变化。如今,人们对音乐表演的情感信息处理的需求也增加了。研究关注音乐表演和关注它的应用技术也得到了前所未有的发展,所以人类与机器交互的能力的要求越来越高。 With the increasing maturity of multimedia and communication technologies, there is an increasing expectation of using computers to express human thoughts and emotions. By combining the two, Dongfeng’s expression and analysis of music emotions through edge computing have also ushered in new developments. For example, people upload or share music and dance videos to their friends through WeChat, QQ, Douyin, etc., which greatly enriches people’s emotional world. The analysis and judgment of music emotion are the main subject of the joint development of both musicology and psychological research. With the help of computer science technology and artificial intelligence and other tools, the purpose of music emotional research can also be achieved. Particularly with the advancement of science and technology and the vigorous development of computer application technology, people’s needs for emotional expression and analysis of music can now be carried out with the help of computers. However, the amount of data generated is extremely large, and using edge servers for data processing can improve the efficiency of analysis and processing to meet people’s needs.

1。介绍

音乐的本质是表达人们的情感和渴望美好的事物。在古代,歌唱情感的表达在音乐表达了人们的情感通过诗歌的表现,琵琶,二胡,笛子,秦,和其他乐器,通过声音或背诵诗句或歌词,但唱歌一般都是小范围的。沟通的方式是通过民间交流,在当今的时代,随着互联网的发展,通过互联网方式来表达情绪的音乐变得更加多样化,和它的传播速度更快,更有全球范围(1,2]。在多媒体领域,许多成就了今天;例如,数字存储,音乐信号的压缩和编码技术正在改善。多媒体应用技术的日益发展,人们的生活逐渐亲密领域的移动设备、无线音乐、教学应用,数字经济,等等,显示非凡的前景(3]。使用边缘计算对音乐性能应该用于情报和人类情感的表达音乐;它涉及广泛的学科,如信息处理、人工计算机来模拟人类创造力的音乐表演,音乐知识,舞蹈,和人类心理学,和智能识别技术;可以想象发展的难度。然而,表达上的研究工作,识别、音乐和应用程序性能和情绪仍在万物的萌芽阶段,智能化和数字化的音乐情绪非常有意义和有前途的应用技术的改革和发展4- - - - - -6]。它将提供一个有效的方法发展的智力领域,情感的指导,艺术的创造性的改进。关于音乐的发展和性能识别技术开发研究和存储技术研究的发展,我相信在不久的将来将非凡的成就。最后,音乐是人类表达情感的方式,和计算机网络是促进人的一个重要工具。结合这两个肯定会促进人类情感表达之间的交互的发展和边缘计算到一个新的高度。

2。介绍了情感计算的模型

随着移动互联网的不断发展,给人们带来的便利新应用程序如网路广播、网络教育,和电话视频不断改善(7,8]。为了满足用户的数据需求平稳网络,它是一个可行的解决方案使用边缘服务器执行情感计算数据的任务,因为用户可以有效地接收数据处理的计算机服务器和实时信息的浏览需求,从而减少过度cumbersomeness。这个过程会导致网络拥塞,提高对用户的服务质量。今天,大多数学者不结合远程计算资源优势资源优化问题的计算(9- - - - - -11]。我们需要做的是优化的结合情绪边缘提取分析和计算来实现更好的用户服务体验。例如,为了提高大气Douyin直播的,我们需要在直播中发挥适当的音乐房间,把节奏。大气的作用出发,它需要系统的及时响应。然而,如果直播房间的气氛不是玩,玩不恰当的音乐将造成不利影响,所以它是非常重要的与相应的大气播放音乐时间。然而,总有一些时候,网络或系统卡和响应不及时。因此,结合上述问题,本章提出了一个解决方案,结合边缘数据计算和数据压缩处理改善延迟处理系统更好的情感表达的分析任务。这种模式的优点是反映在快速分析和处理速度和高完整性的分析数据;当模型在网络操作或延迟,边缘计算的使用数据压缩可以有效地解决上述问题。建立了情感计算模型用于分析情感数据优化生成的网络延迟或冻结系统,优化音乐情感分析结果将更加完整和更快。

2.1。网络模型的情感处理

模型分为三层:云控制中心层;边缘节点层;和用户层(12- - - - - -14]。云中的控制中心层,所有的音乐情感数据上传到云计算数据存储和信息情感计算分类,以便分析和记录音乐表达的情绪,比如快乐和悲伤。在边缘层,数据收集,数据分为两部分的信息。一是边缘服务器流程和计算本身,另一个是它发送回云中心层进行处理和计算。在用户层,用户的移动设备数据压缩并上传到相关小基站进行处理和计算的要求。设置相应的音乐在不同的移动设备和音乐情感处理,以便给用户带来更好的愉快体验(15]。在这个模型中,情感数据计算由上传压缩数据到附近小基站在用户方面,也就是说,首次计算边缘层;在边缘节点,数据首先被分成两部分,一部分边缘是由本身的计算,这是上传到云服务器的一部分。这三层操作不仅能保证数据处理的速度,但也确保数据的准确性。网络模型应用程序如图1。

2.2。情感计算处理延迟的研究

2.2.1。在时间延迟模型

假设每个情感计算任务数据可以任意分割;即,当所有的情感需要计算的数据上传到边缘计算节点,计算边缘服务器将把每个情感计算数据的任务。其中,边缘计算任务只能当边缘服务器完成部门任务执行,而另一部分计算完成的云服务器(16- - - - - -18]。因此,数据传输的延时j移动设备相关kth SBS(小基站)如下:

其中, 代表比例的计算任务分工jth移动设备与SBS在0 - 1的范围,和情感的j移动设备相关Kth SBS在表示 ,计算资源的总量。这两个函数大大促进情感的计算数据,这个公式。如果其他表达式用于数据计算,数据的数量将大幅增加。

其余的计算数据与数据的大小D上传到云端服务器进行处理和计算通过光缆或通过回程链路光纤,传输延迟是由吗

2.2.2。云服务器延迟模型

当云服务器接收到所有计算数据上传的,它将计划适合每一台计算机的资源和信息处理(以下的计算机发出指令19]。类似于EN的时间延迟模型,让表示云计算资源分配j移动设备相关k边缘节点。因此,生成的计算时间延迟处理剩余的计算数据的大小j移动设备相关kth云服务器是由边缘节点

这个公式可以计算云服务器的时间延迟来计算情感分析。它可以观察到云服务器所需的时间来计算音乐情感表达分析是相对较大的,所以使用边缘计算有很好的优势。

建立了计算其余的数据。数据比的情感压缩占用的资源j移动设备相关KSBS的公式表示 ,代表的数据序列j移动设备相关KSBS。其余的数据的大小可以用这个公式计算。

2.3。情感数据的压缩率和失真率

让表示的数据压缩率j移动设备相关kth SBS,其表达式如下:

其中,代表数据的数据大小的计算任务j移动设备相关KSBS CAE压缩后。

让表示的数据失真压缩比j移动设备相关Kth SBS,其表达式如下: 在和代表原始数据序列的恢复数据序列j移动设备相关kth SBS,代表了计算数据的长度j移动设备相关kSBS。

使用此算法可以大大减少情感表达分析的时间,大大提高分析效率。

2.4。合理的资源分配算法

我们知道所产生的数据量计算音乐情感的表达和分析是非常大的。越来越多的数据被消耗掉,更严重的会浪费资源。严重浪费的数据越多,成本就越大(20.]。因此,首先,研究人员取得了成本压缩边缘服务器上的应用程序服务供应商安排的要求,和研究的成本约束系统的预期成本在可控的范围内任何时候(21)如下: 在哪里代表了体制内的长期开销成本。

第二,为了达到一个平衡的预算成本和用户体验延迟,介绍了虚拟队列通过规划成本预算保持价格稳定。虚拟队列如下:

有一个错误的计算公式(7)。因此,制定以下公式:

丢失在公式(7),这使得情感的计算数据从来没有达到预期的成本和用户体验之间的平衡时间延迟,导致计算中的错误。通过添加 公式(7),计算出的数据不平衡解决虚拟队列。最后,二次lyapunov和lyapunov漂移函数是用来表示压力增加虚拟队列当前时间t1、时间t,分别。公式如下:

为了获得最完整的资源分配方案目前,基本流程是先表达的实时资源分配问题根据李雅普诺夫理论结合漂移函数和罚函数。为添加李雅普诺夫函数表达式点球漂移函数如下:

2.5。无标号的学习

也有很多关于感情的话,由此产生的自由翻译也有许多解释。因此,深度学习数据,很难标签和标记的使用深强化学习可以有效改善情绪分类的准确性22]。基本的学习模型如图2。

在这个模型中,年代(t)代表近似类型的音乐情感分析用户在时间t;一个(t)代表根据环境状态(数据处理时间t)。r(t)代表的处理实现数据处理一个(t外部网络)的速度。该模型采用问则将渐近学习机制选择全局最优数据处理的过程,和操作的改进值可以实现更快的迭代,如下面所示:

其中,是迭代的数量,学习的价值,是折现系数,表示要评估优化的数据值。为了获得最佳的卸货的决定,必须满足以下:

所以,对于每一个更新 ,目标是最小化的完美数据显示为目标函数用来实现更新款的重量和偏见如下:

2.6。音乐情感分类

音乐在生活中随处可见。如果你听这个音乐,你会感到兴奋,沮丧,和快乐。所以如果我们想听快乐或激动人心的音乐在我们的业余时间,我们可以点击进入一些软件点歌曲。然而,我们知道我们不知道的具体情感根据歌曲的名称,但是如果我们直接输入的情感类型,如快乐、幸福之歌,系统将直接匹配相应的情感歌曲的名字。例如,这个函数可以在网易云和QQ音乐,从而大大提高了用户体验。它的音乐情感分类模型的流程图如图3。

3所示。基于情感的数据处理算法的研究

随着信息技术的不断发展,情感数据的处理变得越来越快,及其数据处理的速度和质量的要求也越来越高。因此,建立一套有效的情感是很有意义的数据处理算法快速解析情感数据。这一章需要移动设备的数据传输效率,数据传输的延迟,和数据处理的准确性作为研究的起点,并设计相应的分配算法。提高数据在各方面的效率,为用户提供更高质量的目的是我们的研究,以及算法将情感的处理数据更合理和有效的。

3.1。音乐情感分配算法计算边缘

边缘中包含的四种时间延迟计算网络模型是云服务器计算延迟,边缘节点计算数据延迟,边缘服务计算机和云服务器之间的传输时间延迟、传输延迟和移动设备。边缘节点只能执行数据分布的任务后,在接受了情感计算数据。在实际应用统计,一些情感计算数据是密切相关的其他相关数据。云服务器等待边缘节点之间的数据传输和情感计算前的云服务器数据的任务,可以改善情感计算的准确性。情绪的计算结果数据本身,所以处理所需的时间延迟时间返回计算结果可以被排除在计算时间。

的总体时间延迟时间的计算数据j移动设备相关的情感k设计模型是由th SBS

本节设计的细化目标是计算的总和最小化所有移动设备延迟数据,并使用这个和数据传输时间延迟的时间延迟标准。每个移动设备分配一个权重因子 ,代表的顺序计算和移动设备之间的数据满足以下公式:

因此,完善的计算问题可以制定如下:

方程(17)表明,在TDMA帧,传输时间槽的总量分配给所有设备不超过帧长度t .约束公式(18)表明,任何移动设备的数据失真率不能超过的最大变形速率的数据容量。限制公式(19)代表的数据范围划分比例的情感计算数据的移动设备。约束公式(20.)和(21)表明,边缘情感计算资源的总量数据分配给所有移动设备不超过最大情感数据计算能力的云服务器和每个边缘服务器。其中,数据压缩率向量 所有的移动设备是代表; 和 代表数据的部门比数量和时段,分别。 代表的情感边缘服务器计算资源分配的数据移动设备,和 代表的情感计算数据量资源分配给所有移动设备资源的云服务器(23]。

3.2。完善分配算法对情感计算

为了提高目标参数之间的耦合关系和更细心的,公式P1改为p1_2公式:

通过情绪的计算数据,发现参数向量CR只是C2相关限制条件,并且没有相关的参数我。数据压缩率越大 )的j行为的装置,值越小( )方程的数据值(21)也将变得更小,但是数据的失真率也会增加数据。相反,数据压缩率越小 )的j行为的设备,更大的价值( ),方程的数据值(22)也将变得更大,但是数据的失真率也将变得更小的数据。因此,当约束条件C2满意,获得的最大数据压缩率参数集CR可以计算。应该注意的是,计算机设备的设备模型是不同的,和格式,大小、情感计算的方法,等等,数据也不同。因此,没有联合关系公式的数据压缩率和失真行为设备。为了解决这个问题,卷积autoencoder获得之间的关系表达式构造图畸变率和数据压缩率。卷积autoencoder如图4。

该模型主要由输入层、卷积层,马克斯池层,deconvolutional层,upsampling层和输出层。输入层,四层卷积层,马克斯池层,和瓶颈层,用于压缩情感数据。输入层来处理输入数据用于情感数据压缩;卷积层和最大池层是情感的预备处理数据压缩;和情感的瓶颈层是最后一层数据压缩处理。在这一层,计算人气数据可以获得的结果。输出压缩永久变形由输出层,upsampling层,deconvolutional层。这些三层运行在两点节点,和他们的角色是恢复数据序列 。所以,行为装置的数据压缩比的大小决定了瓶颈层。的情感数据失真率之间的非线性关系行为上的设备j和数据传输序列如下:

参数c1和c2与任务相关的数据集由行为装置接收。

因此,主要的过程数据压缩率和失真率之间的近似关系映射方法如下:第一步是计算设备的行为j和使用CAE的公式作为损失函数;第二步是计算的CAE模型n不同的数据压缩率,最后使用公式作为损失的价值n平均函数。测试数据集后,损失的价值n平均函数获得的数据失真率设备的行为j下n不同的压缩情况。通过拟合数据与不同的压缩比和失真率,压缩比和失真之间的近似关系比设备的行为j得到如下:

最后,一个函数近似是用来表达之间的关系的数据失真率和压缩率行为装置,所以最完美的数据压缩率行为的装置j表示如下: 在哪里代表的逆函数 。

压缩参数向量ZR替换的使用和改进数据,减少以下公式:

下面的表达式最小化加权之和为行为设备传输延迟stC1:

值得注意的是,这个公式是通过简化数据压缩参数向量ZR替换后,根据公式,这个公式只能建立(25)。

3.3。分析数据结果

为了进一步测试情感数据的压缩方法,不仅可以用高质量的原始数据被压缩,而且测试的准确性之间的绝对误差恢复数据和原始数据的准确性映射是在允许的范围内,情感识别模型构建在本研究中是一个可执行的方案,和它的主要功能是对恢复执行情感准备数据处理数据和初始数据。该模型分为三个最大池层,四个卷积层,三层完全连接(24]。卷积层使用3∗回旋的内核,填充模式S AME,滑动步长为1,RELU激活函数。2886块的比例数据测试使用种子数据集的特点是4:3规划测试数据集和计算之间的数据集,并计算精度为88.63%。为了证明恢复情感特征的数据集情感模型具有良好的精度,情感功能恢复的数据输入到模型中,和用户情感识别的准确性将会得到如表所示1。

从图可以看出,随着压缩比的逐渐增加,获得的准确性和绝对误差也逐渐增加。例如,当CR = 0.25,精度为88.71%,和绝对误差= 3%;CR = 0.75时,精度为88.59%,和绝对误差= 1.09%。初始模型的参数获得的精度也将使用不同的,这将导致一个小范围的波动误差最终识别的准确性。

在边缘计算网络边缘节点的信号半径范围R= 500 m和频率带宽B= 10 MHz。大小的每个行为的设备产生的数据计算任务分布在[0.1,0.5]兆比特,每点必须分布在CPU周期(500、1000)的CPU周期/,和其它仿真参数设置如表所示2。

为什么参数表2这样值吗?由于小块的衰落和移动设备的移动特征的通信模型,每个操作的结果是随机的,每个情感计算的结果数据是不确定的。因此,情感的价值计算的数据统计平均的数学方法获得所有数据的平均值作为最终值的参数。

4所示。性能测试和应用验证

通过描述在前面的章节中,针对面临的问题的智能分析情感在今天的音乐表演,在本节中,通过具体实验数据将验证方案。为了使实验更精确,有必要使用测试工具来满足计算需求。本节测试的主要内容包括处理延迟的数据识别的音乐情感表达,最优配置方案分析情感数据和测试不同的情绪表达的音乐表演。如果可以分析音乐的情感,那么这个模型是可用的。

4.1。情感识别的数据延时测试

边缘朵云计算平台。优势computing-based情绪分析系统提出了可可。测试数据的处理流程延迟的情感识别主要包括以下几点:首先,收集的数据;其次,分析了情感所收集的数据模型;第三,向边缘服务器发送的数据;最后,将结果发送到云服务器进行处理。此外,边缘计算应用于分析情绪分析带来的许多问题进行分析和探索。其数据流处理主要包括分析情感收集数据所需的处理时间、处理时间的边缘服务器发送的情感数据,最后,在分析程序,数据处理和转换所花费的时间将结果发送到云服务器进行处理。为了防止时间的速度分析器影响延迟,有必要继续使用空分析器。相比之下,有必要测试的理想情况; that is, the edge server directly sends the data to the cloud server after receiving the emotional data, and does not use PubSub to distribute various queue data. The ideal average total response time delay for transmitting data is 28 ms; however, through the CoCo experiment, the average response time delay is 32 ms, while the time of other additional response parts of the CoCo architecture is 4 ms. The conclusion is that the remaining data processing time brought by CoCo is only a small fraction of the total delay time, while in practice with a real analyzer, this fraction will be even smaller [25),具体如图5。

可可的一个主要特征是,它支持实时分析和使用的情感数据,因此系统的响应时间延迟是一个非常关键的部分。可可连续使用多个虚拟机工作,哪有时间来处理情绪的数据。量化这种额外的处理时间,需要测量的延迟当情感数据从边缘服务器接收到的数据已经准备好从边缘数据服务器发送到云服务器。为了防止这种时间延迟的影响,空情绪分析程序使用接收数据时产生随机的结果。与此同时,由于本研究的目的是通过实验测量更多的处理时间,适应机制是在测试过程中未启用。一个5分钟的视频将在5帧解码,导致大约1599帧的图像。系统延时处理时间记录每一帧。图6显示了所有的CDF实验组的曲线延迟处理时间。从这可以看出,拖延处理时间基本上是在2 - 5毫秒,而可可结构带来的固有的处理时间。

4.2。情感资源优化配置的分析测试

这个图表显示了时间配置虚拟机引导音乐情感分类的图像。对音乐数据,这种情绪分析过程主要用于合成虚拟机。对于码头工人,最主要的是覆盖新的情感数据联盟FS。测试它的成就感,有必要测试多个数据请求匹配相应的音乐情绪。实验结果表明,码头工人的配置速度明显快于虚拟机。性能也很好,和增加请求的机会不会影响码头工人的配置速度。音乐的情绪分析率模型是具体如图7。

当情感数据被发送到边缘服务器,同时分析程序流程,计算,并将情感转换数据。这个实验结果的原因是码头工人使用的分层图像技术联盟FS。码头工人使用动态资源重用开始多个用户使用相同的程序,解决了系统资源锁定的问题,节省了磁盘空间使用情况。虚拟机需要启动一个操作系统的拷贝,这是完全不同的从一个流程容器。

其中,资源使用在配置过程中检测到,包括CPU内存使用和负载。实验结果表明,码头工人占据更少的机器资源和远小于虚拟机。因此,最好使用码头工人配置和计算相应的音乐情感的数据,因为它节省了资源的消耗,音乐的情感和分析性能将会更快,和获得的数据会更准确。具体情况如图8和9。

4.3。情感测试基于音乐表演

不仅一段音乐带来的情绪,根据不同人的思维和情绪,也对音乐情感的理解是不同的。例如,在这首歌”红花高跟鞋,“感觉我理解的是表达我的爱人的想法,和他们可能理解其他的感情。然而,通过实验可以看出,大多数人的情感的理解这首歌可以通过统计方法获得的数据这段音乐的情感。现在,五人E选择做一个情感测试音乐“红色高跟鞋。”表3显示了不同的情感的理解这首歌“红花高跟鞋”

从上面的数据可以看出,大多数的音乐情感表达这首歌“红花高跟鞋”来表达缺失对爱人的感情,和一些理解音乐感觉是抒情和其他情绪。可以看出,即使是同样的音乐歌曲,根据人们的理解这首歌的情感,情感表达也是不同的。

基于情感分类方法和标记的应用学习模型上面提到的,一个特定的分析可以进行音乐的情感表达内容。音乐情感一般包括一系列的情感因素,如快乐,愤怒,悲伤,和音乐,和一个有效的识别和提取应用程序。基于音乐情感分类的有效的解决方案,实现音乐情感的表达功能的分析已经有了很好的解决,如表所示4。

与这些方法相比,精度分析模型算法的效率大大提高,并更好的适应当前音乐情感的表达分析的需要。采用抽样调查的方法,调查的准确性和分析情绪分析速度15块的音乐。一般来说,原创音乐情绪分析的准确性通常在60%至70%之间,如表所示5;分析和表达本研究设计模型的准确性大大提高。

5。结论

在边缘计算网络,需要用户对音乐所表达的情感分析解决最近的边缘服务器,从而降低处理信息所需的处理时间,缓解网络拥塞的压力,提高了服务质量用户的速度。分析如何边缘网络优化音乐情感系统的时间延迟,并提出了情感词的影响分析,计算能力,云计算能力,和其他因素对音乐情感的计算数据。然而,我的知识还很浅薄。优化,简而言之,边缘计算音乐性能的影响是非常大的。例如,Douyin近年来的快速发展已经成为几乎每个手机的必备软件。例如,歌曲的音乐软件通常从Douyin获得。有各种各样的音乐情感在这方面,大大丰富了我的精神世界。大发展的时代下,边缘计算也将迅速发展。尽管它的技术是不成熟的和没有有效的基础支持,边缘计算的发展将迎来一个革命音乐情感的表达和分析性发展在不久的将来。用户和基站之间的通信方法建立在本章分为多个地址,从而忽略了用户间信道干扰,降低问题的复杂性。 However, in general network modeling, most users use OFDM. Therefore, the follow-up work will study how to make full use of network resources in the FDMA mode, so as to ensure the processing time delay of the system.

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突的这方面的工作。