文摘

信息技术的不断发展和大数据时代的到来,音乐欣赏也进入了数字化发展。大数据相比,实质是强调与传统数据管理和处理技术。根据不同的需求,需要时间处理范围是不同的。音乐欣赏是一个重要的和音乐课程的重要组成部分,它可以丰富人们的情感体验,提高审美能力,培养高尚的情操。数据处理的音乐信息资源将极大地促进管理、传播和大数据分析和处理的音乐资源,提高音乐的爱好者,再到欣赏音乐的能力。本文旨在研究大数据的数字音乐的发展环境,使音乐欣赏更方便和聪明。本文提出了一种基于深度的智能识别和欣赏音乐模型神经网络模型(款)。款的使用允许本研究传统算法有显著提高。提出了一个智能识别和欣赏音乐模型基于款模型,改进了传统算法。改进后的方法在本文中是指辍学方法传统款模型。 The DNN is trained on the database and tested on the data. The results show that, in the same database, the traditional DNN model is 114 and the RNN model is 120. The PPL of the improved DNN model in this paper is 98, i.e., the lowest value. The convergence speed is faster, which indicates that the model has stronger music recognition ability and it is more conducive to the digital development of music appreciation.

1。介绍

随着信息技术的发展和大数据时代的到来,一些高科技手段也进入了音乐领域,特别是在多媒体课件中的应用。随着多媒体技术的成熟和普及,它在教学中发挥着越来越重要的作用。作为一种重要的媒介来实现音乐的审美价值,数字多媒体技术在音乐欣赏教学中发挥着不可比拟的优势。数字多媒体技术的使用大大提高了课堂效率,丰富了教学内容。多媒体技术可以创造一个独特的音乐情况,发挥其独特的魅力,使学生不禁爱上音乐,并提高学生对音乐学习的兴趣。数字多媒体技术可以结合声音、图片、文本、图片移动,和其他元素来创建一个更加理想的教学环境和教学效果比传统音乐欣赏教学。

信息技术和互联网技术的快速发展使得传统的印刷resources-musical分数和书面描述文本,和音频资源逐步电子化和数字化。传统音乐资源的分类基本上是定位在纪律和器乐的水平。这些类别远非能够适应新添加的电子音乐资源。即使现在提出了新的分类方法,如提供相关元数据标准对音乐类型的文档,他们不能完全满足检测需求的各种形式的数字音乐资源。即使提出了新的分类方法,如提供相关元数据标准对音乐类型的文档,他们不能完全满足检验要求的数字音乐资源以各种形式(视频、音频、图片)。的元数据标准提出了由世界知名学者目前规定的范围和形式更一般的资源元数据。然而,数字音乐资源的规范不够明确和具体,以便资源不能被重用,分散在实际操作。人们对音乐的需求不仅限于教学资源。它还包括每天欣赏、旅游介绍,公司产品推广,以及其他多种用途。同时,与人工智能的集成、数据共享,和互联网技术在各领域的相关音乐,它已经成为一个概念,人们越来越追求通过技术传播,音乐资源的共享和优化。 In order to solve the existing contradictions and meet the diverse needs of the vast number of demanders, the key problem that needs to be solved is to organize the existing digital music resources. It has a high degree of classification and uses a standardized description model to mark the attributes and classification context of resources, and at the same time, it can efficiently appreciate music resources. Therefore, starting from the big data environment, the classification system of digital music resources is designed and its big data model is optimized. It is an urgent problem to realize the appreciation of music resources from various angles.

本文的主要创新如下:(1)提出了一种改进的神经网络模型款语音识别的音乐欣赏,这是比传统的语音识别。(2)介绍了论文的主要研究内容详细结合图表分析和数据调查。(3)本文比较了该模型与传统模型和RNN款模型,可以更好地反映该模型的优势。

2。相关工作

随着人民生活水平的提高,人们有越来越多的艺术或精神上的追求,和对音乐欣赏的研究也越来越深入。其中,Smiraglia检查的有效性音乐节的倾听艺术项目在实现其既定目标。它鼓励西方古典音乐的欣赏和打破刻板印象的西方古典音乐发展听力技能。它孕育了一个更深层次的关系通过音乐和艺术想象力,鼓励学生个人对音乐的反应。项目的观测表明,参与者认为倾听艺术项目遇到的特定目标检查,至少在短期内。学生和教师积极响应程序的听力发展的独特组合,欣赏古典音乐,和响应通过视觉艺术(音乐1]。克鲁格和Saayman研究传统诗歌的文体分析。结果表明,两种语言分析和欣赏的音乐结构和情绪是有用的途径进入斯皮策的语言。语言分析和音乐欣赏可以为文学欣赏[铺平道路2]。Kokotsaki采用定量的方法。他调查进行了客人在南非国际爵士音乐节节日是否会带来额外的无形的利益。结果表明,游客的postholiday行为的意图是一个有用的市场分割工具。这进一步说明了潜在的音乐节产生利益以外的节日本身或主机目的地音乐旅游和音乐体裁形式的升值。研究结果证实,音乐节可以产生深远的好处,可以促进他们的遗产3]。莎拉等人研究了学生对学校的看法音乐在过渡到中学,并确定哪些组件的音乐课程在学校帮助他们感到快乐的音乐。萨拉米采访和问卷调查数据的分析揭示了一些学生对音乐在中学的开始。原因是他们最初的高预期实际音乐参与机会不满足4]。特林布尔和Hesdorffer调查单侧听力损失是否有助于音乐欣赏的问题。他们使用了一个定制的问卷调查SSD的音乐欣赏能力的病人,分析数据来评估统计组之间的差异。结果显示负面影响在社交场合周围的音乐,以及限制背景音乐的强烈偏好。助听器没有发现显著改善这些影响(5]。西娅比较festival-important动机维度更广泛的节日动机维度发现异同。西娅发现节日观众证明是主要由节日的核心提供动力。社会化已成为主要激励因素相比,平均节参与者(6]。有一些局限性或不足的研究或欣赏音乐的学者。Smiraglia吸引的结论只有一个特定的节日,克鲁格M只评估某些抒情,Kokotsaki分析节日的市场收入。萨拉米在学校与学生进行了问卷调查,和美国天宝单侧听力损失对音乐欣赏的影响进行了分析。西娅探索的动机。这些研究不够全面和具体,很多都是基于理论方面,缺乏深入的实践证明,结论需要进一步证实。

3所示。基于大数据技术的音乐欣赏

3.1。大数据

大数据的概念:从狭隘的角度来看,大数据可以被称为大规模和快速增长,复杂和不断变化的,高速和多样化、深刻、广泛,各种类型的数据的集合,不能存储,挖掘、分析,与传统的技术手段和处理,方法和思维模式。大数据技术的开发、利用、推广的大数据。从广泛的角度来看,大数据技术还应该包括技术手段和思维模式进行处理,存储和分析大数据的技术。进一步延伸到人才、组织机构、政府和企业处理大数据(7,8]。

一般来说,大数据是一个数据集,它的本质是强调与传统数据管理和处理技术相比之下。在不同的需求下,所需的时间处理范围是不同的。最重要的一点是,大数据的价值不是数据本身。这是“重大决定”、“大知识”和“大问题”反映在大数据(9]。其概念图可以显示在图1。

大数据的特点:它主要有复杂结构的特点,巨大的数量,不同的类型、价值和低密度,如图2。目前,大数据正在从计算一些数据分析所有数据,从微观计算结果发现macrotrends,从探索因果关系来探索信息相关性(10,11]。

大数据核心技术:它包括大数据收集技术、存储技术、采矿和分析技术和可视化技术。它的具体内容可以如图3。

目前,大数据的主要应用领域是电子商务行业,金融行业,生物技术、智能政府、教育行业、交通行业、医疗行业等(12),如图4大数据应用领域。

大数据的发展现状:大数据的概念方案的2011年大数据技术的普及的今天,其发展过程基本上与计算机信息技术的变化增加。信息技术的转换主要经历了多个阶段,如“决策支持、管理信息、数据仓库、数据挖掘和大数据的时代。“当前大数据技术理论,它是合成、深化,新形势下和升华理论。通过存储、挖掘、分析、处理和应用复杂的结构化或非结构化数据,我们努力揭示事物之间的联系。因此产生有价值的判断和预测。当前阶段的理论是盛开的繁荣,和信息技术的发展将在大数据技术的阶段很长一段时间现在和将来13,14]。本文通过知网文献统计,统计表格与大数据相关的学术文献,如表所示1。

从表可以看出1大数据,在当前的学术文献,有1845.9万篇论文涉及大数据内容。有291900篇文章与大数据相关的话题,在学术期刊218400篇文章,31700篇学术论文。可以看出,当前的学术研究在大数据已经全面展开15]。此外,本文还计算学术研究的发展在过去的10年里,如表所示2。

从表可以看出2大数据相关的186篇论文,发表在2009年,2018年增加到51770。其快速增长也表明,大数据技术在中国得到越来越多的关注。

从历史发展的轨道,信息技术革命已经从支持决策、管理信息数据存储、挖掘和大数据的生成和推广。从现代到当前“分析目前预测未来。“信息技术不断创新,大数据技术的应用领域不断扩大和深化,它加速了大数据时代的到来(16,17]。

3.2。音乐欣赏

音乐欣赏是一个重要的和音乐课程的重要组成部分,它可以丰富人们的情感体验,提高审美能力,培养高尚的情操。一个人欣赏音乐的能力水平反映了一个人的修养水平和文化水平。音乐欣赏课程是任何课堂形式在音乐教学中不可替代的18]。

目前,音乐可以分为不同类别根据不同的方式。例如,根据不同的表达式,它可分为声乐和器乐。根据旋律,它可分为古典音乐,流行音乐,民间音乐,如图5。

上下文的应用程序在音乐欣赏是特别重要的。关于情景应用程序,目前最常见的方法是将多媒体相结合。由于社会的快速发展和教学方法的更新,多媒体对学生不再是陌生的。大多数高中可以有自己的多媒体教室和多媒体环境。从艺术的角度来看,录音机,cd、vcd、录像机、电视机、多媒体设备、计算机网络等都是通信媒体和属于新的教学方法。多媒体操作平台和网络技术已经成为主流媒体在当代学校教室。计算机音乐技术和教学的操作系统和多媒体音乐课件的生产创造了一个良好的环境对学生的听觉和视觉体验。通过创建一个多媒体的情况,它创建一个理解音乐的氛围。由于多媒体的特殊性的情况下,可以用它在课堂上(19,20.]。

在音乐欣赏多媒体的使用情况也比较常见。如图6的形式的音乐舞台结合多媒体显示。由于空间的限制,它是比较困难的观众真正的身临其境。如果它可以通过多媒体向学生展示图片,图片,音乐,和其他信息,这可以帮助学生理解音乐。例如,当欣赏音乐的“卡门”,它首先准备几红色,粉红色,黄色的纸板。在教学过程中,通过听卡门的音乐,一方面,它能帮助我们把握音乐情感的发展环境作为一个整体,当听音乐。另一方面,它有助于增加经营活动时听音乐,感受音乐通过视听和行动。多媒体的情况不一定是视频和音乐。在音乐类、图片也属于其中之一。

性能情况是另一种音乐欣赏。通过性能的方法,感觉,表示,和理解音乐教室里,接近真实情况,如图7。它可以理解直接通过演员的性能或通过允许观众进行情境的解释。前者通常是使用更多的介绍部分,而后者可以用于课堂教学新课程和探索性活动。性能活动创意体验活动准备进一步了解音乐的情况。性能情况下可以应用于音乐学科课程如民歌,歌剧和音乐剧。由于性能和富有表现力的颜色,它更喜欢这种作品在一定程度上。表演情境教学中,演员可以创造性地结合本地音乐或曲目与性能特征与音乐欣赏课程。这让受众理解他们的家乡和周围的文化和音乐,增强了民族自豪感和归属感。音乐表现的基本要素是指构成音乐的各种元素,包括音高、长度、强度、和音色。这些基本要素相互结合形成的共同“表单元素”音乐,如节奏、曲调,与和谐,以及力量,速度,模式,音乐形式,质地,和其他人。 The formal elements that make up a musician are the means of musical expression. The most basic elements are rhythm and melody.

3.3。数字音乐的发展

音乐在中国的发展有着悠久的历史,它有夏商以来逐渐形成一个音乐旋律。到目前为止,音乐的类型和范围可以说是巨大的。目前,音乐的分类研究主要侧重于音乐本身的组成元素,如乐器、地区,声音和音乐属性。与此同时,有相应的研究分类算法。例如,在神经网络的应用适应性突变离子群算法优化的音乐分类,这些分类方法主要关注音乐本身的特点。然而,这不会使相应的解释许多具体的音乐特点,如载体,版本,和目的。

音乐资源的使用可以分为两类;第一个是使用音乐在音乐教学和音乐文化资源。例如,红色音乐资源应用于教育教学在地方高校通过课堂教学、校园文化、实践活动。或通过支持公共音乐文化的发展,它刺激农民消费的音乐。介绍了当地大学音乐教育资源建设的音乐文化在新农村的大学教师和学生领导和参与新农村文化活动。第二类是音乐资源的使用在其他学科课程教学。在信息技术的背景下,文学使用在线教室和其他辅助多媒体。音乐资源的开发主要集中在当地的建设或不同风格的音乐资源。对于音乐的数字化过程,它通常是执行二进制处理各种形式的音乐。它可以方便地存储、传输转换,过程,和其他人,如图8。

音乐资源的管理主要是通过使用网络资源平台完成,如音乐管理平台的资源管理和播放的音乐艺术学校图书馆资源。此外,一些学者也进行了一定程度的研究音乐资源的描述和分类。利用书目记录的功能需求文档建立内在的不同部分之间的连接一个音乐作品或多个表达式相同的工作。这充分反映了音乐作品的基本特征,提高学生的欣赏能力。

本文从在线音乐教育资源的分布状况和教师的需要,学生,和音乐爱好者。在分析四个音乐教育资源分类和导航网站,四级分类系统提出了一种利用文献分类法与一个一级类别。

首先,研究的适用范围是几乎所有的学校教育,忽视音乐资源的多样化需求。学校教育的主要位置是音乐教室,和使用位置的音乐资源的研究基本上是音乐教室。音乐教育资源的需求是非常大的。然而,普通用户,比如青少年喜欢音乐,或团体,例如广播song-demanding列,也有一个伟大的音乐资源的需求。从教育资源也有不同的需求。

第二,无论是音乐资源的发展,人民币升值的音乐资源,或音乐资源的分类,描述数据库的到处都是,甚至没有提到。领域模型所使用的数据库是不标准的。只能说,一个孤立的资源建立图书馆,和资源的移植和移植不能完成。图书馆资源分类条目在音乐资源是解决根据属性字段在数据库中。然而,市场将使用不同的语义分词相同的概念与内涵,这将导致用户欣赏内容的理解障碍。

第三,资源的升值是属性中定义的字段和清晰的概念。在线音乐的欣赏内容的设置基本上是定义与清晰的概念,短语等专辑的名字,国家,歌手,时间,风格,歌曲标题,等等。但是许多用户没有一个非常明确的目标,当寻找在线音乐资源。他们只有寻找歌曲的情绪,如偷窃喜悦和悲伤根据自己的心情。此外,音乐本身有一个根深蒂固的和情感的关系。因此,将情感融入了升值的范围不仅是音乐资源本身的要求,也是用户的需求。当然,音乐是首先的情感分类很多。第二,它的边界是模糊的。因此,如何区分这个模糊边界与定量数据,实现在线音乐资源的升值与情感的标签是一个需要研究的问题。目前,许多音乐网站,例如百度音乐,谷歌音乐,和搜狗音乐,不定期的升值的情绪和忽略音乐情绪的多样性。 Therefore, it is necessary to improve the existing appreciation methods [21]。

第四,人民币升值太专业了。基于旋律,嗡嗡作响,升值的方法和内容,主要是提取声学信号的音乐和旋律和频谱进行比较。这种升值的方法太专业,需要较高的硬件设备,因此很难在大规模推广它。

4所示。DNN-Based智能音乐欣赏模型试验

4.1。大数据智能音乐欣赏模式

以下4.4.1。深度学习神经网络

深入学习神经网络本质上是一个多层感知器与多个隐藏层。其结构模型如图9。

介绍款作为音乐欣赏的数据分析模型,在假定包含款l隐藏层,它的输入 ,和激活隐藏层的价值

其中包括:和分别的偏见和重量,是激活函数。

传统的激活函数

为神经网络的输出层,其样本后验概率表示为

其中包括:代表的输出值年代数据。

在智能音乐欣赏,CE标准(交叉熵准则)是应用于语音识别,和公式

其中包括:款是所有参数,是输出特性的价值 。

款的共同优化问题

当是输出层,其误差值是什么 是1或0。

当是隐藏层,其误差值是什么 在哪里向量的乘法。

在这个时候,梯度的重量

更新: 在哪里和分别是学习速率和变化因素。

4.1.2。改进款模型

在实际的过程中,目标函数需要适当调整,可有效地防止过大的重量参数更新过程,及其更新方法是调整如下:

其中包括:衰减系数,一般的值是0.01%。

本文的改进模型,指的是辍学方法(随机失活正规化,这是一个正则化方法,通过设置一个概率的消除某一层的节点的网络,然后随机消除训练中的一些节点根据概率,以达到正规化和减少方差),后验概率的位置

一款与l隐藏层,提出计算基于辍学

其中包括:是一个随机变量,p表示变量的概率。

的反向传导错误,梯度计算方法更新

在这里是学习速率,T= 10年代,= 0.9,= 0.5,是激光的平均目标函数的梯度层。

4.2。仿真实验

这个实验验证优化的音乐modelability款基于VoxForge(它是一个语音语料库和声学模型库是一个开源的语音识别引擎。VoxForge发布的,这个数据集收集注释录音免费和开源的语音识别引擎。出版商将GPL协议下所有录音文件,并使用这个声学模型利用开源语音识别引擎)和数据库一致。表3分工的训练集,开发集和测试集的两个数据库。

基于优化的语言模型款,款隐层采用ReLU激活函数。随机初始化网络,不需要无监督培训。VoxForge和协调任务minibatches包含400和600字,分别。最初的培训学习速率是0.35。学习速率保持不变,直到PPL发展集不下降超过1.5从之前的迭代。之后,5迭代执行,每次学习速率减半。

4.3。实验结果

VoxForge和一致的任务,本文列车不同的音乐模式,包括RNN神经网络模型(RNN是一种特殊的神经网络结构,基于认为“人类认知是基于过去的经验和记忆。“这是不同款和CNN:它不仅考虑前一时刻的输入,但也为网络提供了“记忆”功能的内容)。传统的神经网络模型和改进款款模型,训练结果与PPL(也就是说,数据混乱,用于机器学习中分类的计算数据,来解决分类问题的神经网络)根据不同的音乐模式的性能,获得的平均值PPL,如表所示4。

从表可以看出4在同一个数据库中,PPL的改进模型是90年款的最低价值。它可以看到从音乐培训,该模型具有较强的识别能力。

图10的统计图表PPL训练RNN的实际测试后,款,款内存模型的改善。

从图可以看出10PPL的改进模型比传统的小款款模型,及其测试值为98,而传统款模型是114年和120年RNN模型。可以看到,收敛速度快,表明改进后的模型在这款纸具有更好的性能。上下文相关的音乐数字化,PPL值显示了指数衰减趋势根据迭代次数;也就是说,模型识别音乐在音乐欣赏的能力往往会增加。

5。讨论

从深层神经网络模型,本文提出了一些改进或新深层神经网络结构对音乐欣赏建模语音识别。它极大地提高了语音识别系统的性能和训练效率。然而,本文的研究仍需进一步探索和改进。与此同时,为了进一步提高语音识别系统的性能,更多的开创性的研究仍然是必要的。(1)关于提出的网络结构与减少隐层节点,本文采用之前的设计方法来确定网络结构。本文对于不同的任务,需要通过实验来选择一个良好的网络结构。这也是一个问题目前在深度学习:网络规模的设计没有一定的理论指导和只能通过经验指导和实验探索。一个更有效的方法应该是自动学习网络的结构,包括网络的隐藏层数和隐层节点的数目。(2)在某些情况下,远场和噪声的干扰,语音识别系统的性能还不理想。因此,需要进一步研究解决的问题在远场和强噪声干扰条件下语音识别。此外,端到端语音识别也是一个热点,目前正在研究,需要进一步的研究。

6。结论

在理论上,本文首先概述全文的整体内容,然后介绍了大数据时代的背景介绍。介绍了数字音乐的相关内容,总结了本文的创新。本文列举了一些相关研究的相关工作,以便了解相关内容的研究现状。在理论研究部分,本文首先介绍了概念、特点、核心技术,大数据的应用领域和发展状况。其次,介绍了相关的概念,分类,和音乐欣赏的情况分析。最后,本文介绍了数字音乐,包括其概念和音乐数据资源管理。通过比较RNN模型与传统模型和改进款模型款本文通过实验,结果表明,本文模型有较低的PPL和强大的语音识别,哪个更有利于数字音乐欣赏的发展。

随着国内经济的深入发展,经济体制改革也不断深入。作为一个新兴产业,音乐产业有巨大的发展潜力。具有重要意义和作用,寻求一个有效的数字组织和集聚模型增强音乐产业的综合实力。在音乐产业的发展实践,理论研究者和实践工作者必须创新音乐产业的发展理念,转变产业发展模式,优化产业组织和聚集结构,促进持续改进的音乐产业的发展。

数据可用性

没有数据被用来支持本研究。

的利益冲突

没有潜在的利益冲突。