文摘
老师经常指导钢琴的节奏和一致性表现在教学过程中。具有重要意义,使用计算机技术自动评估钢琴表演技能。摘要计算机技术用于自动评估钢琴音乐分类的准确性基于高维数据的协同过滤推荐算法,算法和k - means模型用于比较测试。高维数据的分类结果进行了比较,协同过滤推荐算法与钢琴音乐分类结果的k - means算法,钢琴可以减少学习负担,钢琴可以提高学习效果。本文的研究结果表明,自动钢琴绩效评估系统的准确率基于高维数据的协同过滤推荐算法达到95%,具有良好的评价效果。
1。介绍
随着中国的不断发展和深化的改革开放,人民的物质生活水平上升,人们精神生活质量的追求也越来越高,和钢琴学习是也被越来越多的人的追捧1- - - - - -3]。
根据调查,大约有20%的父母希望自己的孩子学习钢琴,钢琴等级考试的数量正以每年20%的速度增长。很难在中国提高钢琴教师的供给和需求在短时间内。
虽然在中国许多父母想让他们的孩子学习钢琴,钢琴教育实际上是高成本的,不仅是一个普通的钢琴花费数万美元但钢琴教学成本几百美元每小时。因此,父母常常能够雇佣老师每周只有一个小时,其余的时间,学生们盲目地学习,从而导致不满意的钢琴学习结果(4,5]。
随着信息技术的发展,计算机已经广泛应用于音乐领域。从早期留声机到当前的产品是电声乐队的发展电子技术(6]。目前,钢琴学习者可以下载各种钢琴成绩,声音样本,从网络和其他钢琴学习材料,可以降低钢琴学习的压力,提高钢琴学习的效果。学习钢琴时,虽然可以使用一些钢琴学习材料学基础,提高你的演奏能力,使更多的连接,这些学习资料不是非常有助于把握情感和音乐学习钢琴的音色。老师学习相比,音乐学习通过以计算机为基础的学习材料是少互动(7]。不仅仅是记录的准确性,使钢琴演奏性能好或坏但也钢琴表演的节奏和连贯性,通常要求老师在教学的过程中。因此,它是非常重要的,使用计算机技术自动评估钢琴演奏技术,以减少钢琴学习的负担和提高钢琴学习效果(8]。
计算机识别和自动钢琴的性能评价包括音乐理论的各个方面,信号处理、模式识别、和钢琴表演技术,它涉及到许多领域如音乐理论、电子、计算机和物理。同时,钢琴自动评估系统的性能也很有用的发展计算机组成,自动评分,和音乐特征识别(9,10]。
随着计算机的日益普及,我们开发一个钢琴自动识别和评估系统由计算机自动评估钢琴的性能水平球员和专业音乐教育工作者替换为“电子老师,”从而帮助钢琴学习者理解钢琴音乐和提高他们的音乐知识的协助下电脑,和系统识别和分析钢琴表演音乐、提取和过程的特性,并比较它们与乐谱的特性来获得最终的评估结果,从而使玩家的钢琴水平的最真实的评价,让钢琴学习者更清楚地识别性能的缺陷。
2。相关工作
摩尔系统是第一个复调支持两种声音的输入的识别系统。摩尔早期系统要求两种声音的范围是交错,基频(沥青)范围的两个声音输入不互相重叠。到1980年代末,是努力发展音乐信号的感知和提取,目的是创建一个系统类似于一个使用的人耳感知音乐。这个项目导致两个系统的设计,其中一个是能够执行识别三个输入的声音而容忍更多的错误,和其他的能够识别是单声旋律的日本民歌在音乐和识别不准确或错误的内容根据日本音乐的特点。1993年,Blanco-Pineiro et al。11)提出了一个算法multipiano工作识别基于计算机听觉通路分析和实践证明,该算法具有良好的性能multipiano识别工作。Wallerstedt和Pramling12]研究了音乐识别系统使用启发式的信号处理方法,它可以识别器官合奏音乐多达8个输入。然而,系统更强调感知一致性的系统识别结果输入通过听音乐和无法准确识别音符在音乐。吉布森et al。(13)研究小组做出了重大贡献:音乐自动识别通过清晰地分析了人类听觉歧视机制以及首次引入一种基于流程的建模过程,提出一种自动沥青建模算法,能够自动提取的信号。系统介绍了1995年。
1995年,系统采用黑板结构进一步改善,放弃了全球控制模块,以及各种类型的先验知识的有机结合大大提高了音乐识别的影响,使系统有更好的先验知识通过黑板结构的应用贝叶斯概率网络。格林伯格(14]还利用黑板结构研究音乐识别系统虽然没有建立传播网络和概率信息,也没有执行自动建模,也就是说,通过添加一个感知加权前端和分析相关图,从而支持多种音乐的分析信号输入四个发音的最大数量。由于计算机技术在中国的发展时间短,缺乏国内钢琴音乐识别研究。研究钢琴音乐识别、特征提取和自动评价是中国缺乏。然而,在自动语音识别领域,钢琴自动识别有关,许多大学和研究机构已经开始研究自动语音识别技术由于国家的高度重视。
由于人耳对声音的敏感性和模棱两可的情感,它不是一个完美的性能,需要钢琴音乐是一模一样的分数。因此,在钢琴音乐的特点,提取一些智能评价方法通常用于分类进行钢琴音乐钢琴音乐评价的目的。目前,分类和评价方法主要有神经网络算法。神经网络的发展可以追溯到1890年,Katayose et al。15)澄清了关于人类大脑的结构及其功能。在他的学术期刊,和甄16)提出了一个数学模型,通过神经网络处理信息(即。,的M-P model), which unveiled the research on neural networks to the world for the first time, and the research on neural networks entered the main topic. The learning rule emphasizing the change of connection strength between artificial neurons created a new situation in the research of neuronal networks and marked the period of neural networks entering the application [17]。
成功开发了具有自学习功能的系统,开始第一个人工神经网络研究的繁荣(18,19),开发了一个自适应线性单元学习机。学习机的一个两层的变体学习机Madaline在各领域的应用,包括语音识别、字符识别、大气预测和自适应控制功能。这是第一个神经网络应用到一个实际的问题。Katayose et al。15)提出了一种神经网络视觉识别“Neocognitron”,这是兼容生物视觉理论和执行模式识别没有指导,但网络结构太复杂而无法推广。PDP由赖特et al。18)开发了一种反向传播网络,已被广泛应用。这个模型介绍了李雅普诺夫函数(即。,computational energy function) gave the basis for determining the stability of the network and proved the principle that a neural network system with interconnected units would achieve minimum energy loss. The Hopfield model successfully solved the complex NP problem; that is, the Hopfield model successfully solves the complex NP problem, namely, the “salesman’s travel path” problem (computation increases exponentially with the number of cities N). Moreover, the model can be implemented by integrated circuits, which provides the basis for neuronal computers. Rumelhart and McClelland proposed an error propagation learning algorithm for multilayer networks which is referred to as the B-P model. This model introduced multilayer nodes to solve the problem of nonlinear samples. Many successful neural network models were also proposed by many researchers in the same period. These results have greatly contributed to the development of neuronal networks.
3所示。体系结构
钢琴表演的计算机评价系统是一个计算机系统,自动歧视的钢琴表演音乐,评估是否符合需求的音乐性能根据音乐表现和逻辑的要求,根据一定的规则和性能。
当然,在未来进一步的开发工作,该系统将给文本表演者的性能评价和提出改进建议。
基于系统设计思想,设计了系统的总体框架如图1。
钢琴音乐的结束帧的检测是类似钢琴音乐的开始帧的检测:从声音文件向后搜索,找到第一帧的平均振幅或者平均能量超过ETL、平均振幅或平均能量的,如果这个框架提出没有下一个帧的平均振幅或平均能量低于前ETL超过ETU,那么这个框架标记为氮气;如果有一些连续帧25-frame时期的零速度超过ZT型,满足的最后一帧Z> ZT型是钢琴音调的结束帧(Ne) [20.- - - - - -22];否则,N2的结束帧钢琴音调。端点检测的钢琴声流图所示2。
如图2在自动钢琴声音的实践评价,如果输入信号是钢琴声音信号收集直接通过一个麦克风,钢琴声音信号仍然可以检测到非常精确的方法显示在图2在钢琴声音背景噪音的干扰。
4所示。介绍了协同过滤推荐算法对于高维数据
在解决的过程中高维数据之间的相似性,空间向量法主要是用来确定高维数据信息之间的重量信息的价值(19),设置相应的阈值根据重量信息防止体重高维数据信息的阈值过高,导致低的相似性。高维数据信息的重量计算公式如下: 在哪里表示数据的重量信息t在高维数据d。初始和结束数据信息的权重t在数据集d是和 ,分别对TFIDF数据信息的价值t在数据集d可以通过计算
在上面的方程中,表示的数量特征的高维数据集的信息,表示存在高维数据的概率t在数据集d,表示所有的高维数据集的数量d。
通过使用自适应分析方法,定义为高维数据之间的相似性
在上面的方程中,C表示一组高维数据之间的特征信息。通过求解两个高维数据的特征向量年代和年代,我们可以获得关于高维数据的特征向量的值的对比,确定高维数据之间的相似性。高维数据之间的相似性可以由equtaion (3),0意味着没有两个高维数据之间的相似性信息,和1意味着高维数据信息是完全相似的。
通过计算高维数据的相似度,相似的分布不同的高维数据的数据集,和下面的矩阵是用来表达的意义: 在哪里表示之间的相似性和不同的高维数据的数据集。
通过分析不同的高维数据集的相似度,我们将高维数据的体重相似度阈值,获得高维数据之间的相似性计算权重值的数据集,得到高维数据之间的相似度的分布信息,并完成计算高维数据之间的相似度值(23- - - - - -25]。
使用数据挖掘技术,我们进行预处理的高维数据信息实现信息的分类(2)。我们构造一个协同过滤评分模型,所表达的米×n协同过滤得分矩阵,如下:
在上面的方程中,米代表的行数的得分矩阵在高维数据的协同过滤过程,n是得分矩阵的列数在协同过滤过程中,高维数据的评分结果我在目标数据j表示为 。评估水平的高维数据所表达的是一个常数,从0到5,代表了评级协同过滤的高维数据。
根据高维数据的协同过滤评分模型,预测用户的偏好得分为每个收集通过协同过滤高维数据样本 ,在哪里 ,的jth高维数据属性的协同过滤训练样本来标示问。根据用户的评价体系、条件概率用户的协同过滤的高维数据计算使用(6)和(7): 在哪里N表示用户点击的频率参数,之间的概率表示用户的搜索结果和评级 的条件概率表示用户的搜索;的概率表示训练样本之间的相似性和用户的偏好在高维数据的协同过滤。训练模型后,协同过滤在高维数据推理可以执行 :
在上面的方程中,得到不同的用户首选项根据高维数据的特征,和这个值代表用户偏好之间的关系和推荐结果(26- - - - - -28]。
在高维数据协同过滤推荐过程中,假设 表示数据节点信息,n推荐结果和米用户搜索高维数据两偶图G,是高维数据的预测价值协同过滤的结果,那么用户偏好协同过滤 ,求和, 在哪里表示数量的高维数据的协同过滤,和表示协同过滤结果的预测价值。预测的根据用户的喜好推荐列表 在哪里 表示高维数据的概率被推荐。
高维数据的建议,最终名单的 在这α代表了时间的影响因素,并根据不同的用户设置不同的时间因素的偏好系数。协同过滤的用户首选项 ,最高的高维数据相似性建议用户: 在哪里 显示的相关性问与 。
根据上述过程中,协同过滤推荐算法对高维数据的目的是实现对高维数据协同过滤推荐。
5。结果
为了比较钢琴音乐分类的准确性基于高维数据的协同过滤推荐算法K——模型算法用于验证的准确性和可行性钢琴表演音乐使用高维数据分类和协同过滤推荐算法K则算法。
根据高维数据协同过滤推荐算法的要求,1000年的音乐作品被划分为两个数据集,训练和测试,其中包含400钢琴音乐作品和600的钢琴音乐作品,分别。
为了获得一个更好的分类效果,高维数据协同过滤推荐算法测试四次;即400年钢琴表演音乐选择四倍从1000年钢琴作品,分别和每一次钢琴音乐性能要求,为了确保钢琴音乐的分布评价每次随机选择后,1000年的钢琴作品是根据评价分为五类,每一次当选择,然后在每个类别,以确保钢琴音乐的分布评价每次随机选择后,1000年的钢琴作品是根据评价分为五类,和80年的钢琴作品在每个类别选择,从而确保每一个随机选择的钢琴音乐集合包含80年钢琴音乐具有良好的评价,80年钢琴音乐平均评估,80年钢琴音乐与合格评估,80年钢琴音乐与不合格评估,和80年钢琴音乐评价较差(29日]。
在每次测试中,高维数据协同过滤推荐算法训练分类其余600钢琴表演音乐,和高维数据之间的误差协同过滤推荐算法和钢琴作品的真实评价计算为每个测试通过比较这些600年钢琴表演音乐的设计评价。每个测试数据集的客观矩阵如表所示1。
如表所示1,水平行代表的实际评价结果的钢琴音乐,和垂直行代表钢琴音乐的评价结果的高维数据协同过滤推荐算法。在正确的评价过程中,钢琴音乐与良好的评价是评价好,与平均评价是评价平均钢琴音乐,钢琴音乐与公平的评估是评估合格,钢琴音乐与不合格评估评估不合格,和钢琴音乐评价评估较差差。
为了验证钢琴表演音乐的影响分类基于高维数据的协同过滤推荐算法设计本文的k - means聚类算法和高维数据协同过滤推荐算法被用于比较和分析在这个研究项目。k - means聚类算法训练四个随机选择的钢琴音乐的训练集用于剩余的600年钢琴表演音乐分类下面的矩阵。结果矩阵获得第一个k - means聚类算法测试和目标矩阵误差如表所示2。
如表所示2之间的误差第k - means聚类算法测试的结果和实际情况计算错误l = 3.2366。
结果之间的误差矩阵和目标矩阵获得第二个k - means聚类算法测试如表所示3。
如表所示3,第二个k - means聚类算法之间的误差测试结果和实际情况计算误差2 = 1.6053。
结果之间的误差矩阵和目标矩阵获得第三k - means聚类算法测试如表所示4。
如表所示4之间的误差,第三个k - means聚类算法测试的结果和实际情况计算误差3 = 1.7832。
结果之间的误差矩阵和目标矩阵获得第四k - means聚类算法测试如表所示5。
如表所示5,测试结果之间的误差的第四k - means聚类算法和实际情况计算误差3 = 1.6472。
分类结果矩阵剩余600钢琴表演音乐的高维数据由四个随机选择的协同过滤推荐算法训练钢琴音乐的训练集如表6所示。第一次测试结果矩阵获得的高维数据协同过滤推荐算法与目标矩阵误差如表所示6。
如表所示6,第一次测试的结果之间的误差的协同过滤推荐算法对高维数据和实际情况计算错误l = 0.6539。
结果之间的误差矩阵和目标矩阵从第二个测试获得的协同过滤推荐算法对高维数据如表所示7。
如表所示7,第二次测试的结果之间的误差的协同过滤推荐算法对高维数据和实际情况计算误差2 = 0.4076。
结果之间的误差矩阵和目标矩阵获得第三高维数据协同过滤推荐算法的测试如表所示8。
如表所示8,第三次测试的结果之间的误差的协同过滤推荐算法对高维数据和实际情况计算误差3 = 0.2652。
结果之间的误差矩阵和目标矩阵第四高维数据的协同过滤推荐算法测试如表所示9。
如表所示9,测试结果之间的误差第四高维数据的协同过滤推荐算法和实际情况计算误差3 = 0.1606。
最后,平均误差值的k - means钢琴表演音乐分类计算所有数据。结果表明,钢琴音乐高维数据分类结果的协同过滤推荐算法更接近实际的钢琴音乐分类结果;高维数据的分类结果,协同过滤推荐算法比k - means聚类算法的分类结果。
钢琴音乐分类模型设计的高维数据协同过滤推荐算法更准确,并允许更好的钢琴音乐的风险。
6。结论
为了比较钢琴音乐分类的准确性基于高维数据的协同过滤推荐算法研究了本文使用的k - means算法模型进行比较测试验证的准确性钢琴表演音乐分类使用高维数据的协同过滤推荐算法和k - means算法。最终结果的比较实验表明,钢琴音乐高维数据分类的协同过滤推荐算法不仅准确,而且是可行的。最后的结果表明,钢琴音乐分类模型设计的高维数据协同过滤推荐算法可以提高钢琴音乐分类结果的准确性6倍以上,可以满足自动钢琴的需求评估。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持的“2022钢琴课程建设项目”的南京师范大学(项目编号:1812200046 kcsz2174)。