文摘
本研究解决的问题进行了重复的钢琴课和每个钢琴学习者的个性化体验。深度学习(DL)技术的应用对儿童钢琴教学有积极的影响他们对这个主题的兴趣,提高教学质量。乐器识别系统中使用一种乐器识别模型,使用深度学习技术开发。它也是用来帮助孩子学弹钢琴给他们方向,提高兴奋。该模型的识别能力和获取功能已得到改进。递归神经网络(RNN)演示仪器识别精度为96.4%,和模型的识别错误率降低和稳定随着迭代次数的增加。拟议的乐器识别仪器采用RNN DL准确地识别音乐的属性。
1。介绍
随着社会的发展,更大的重点被放在确保学生接受高质量的教育。音乐教育可以培养孩子的情绪,帮助他们身心成长,并帮助他们获得一种毅力(1]。情感音乐在幼儿教育中起着关键作用,旨在提高孩子的文化成就和一般的生活质量。因此,儿童钢琴课可以作为一个教学工具。这是一个问题,因为孩子们可能会变得厌倦了无聊的键盘练习(2]。钢琴是一个重要的乐器,可以培养人的情操。它有两种模式,是社会音乐教育和学校音乐教育。合资企业的两种模式提出钢琴教育的发展。在线教育对钢琴教学是一个网络给学习者带来快速的教训,解决了钢琴教育中存在的问题。重复对钢琴教学在线课程不足以促进钢琴教育并使儿童和成人都露出会心的笑容。在线钢琴教育可以作为有效的面对面的教学如果迎合学生的特定工具和学习风格。然而,在一个在线类,迎合各种钢琴教育的学习者,有很多人将会发现他们很无聊。
在美国和国外研究人员投入大量的时间和精力,钢琴教学的主题。构造了一个算法使用一个智能网络识别钢琴音符和分析他们(3]。通过使用基于“增大化现实”技术的技术,有必要抄写,评估,进行案例分析,为AR-based钢琴教育积累经验。根据调查结果4),发现AR-based钢琴教育是非常实用的。音乐课程为3 - 12岁的儿童可以增强孩子的情感能力。根据研究[5],情商、学术成就和社会技能的发展都发现增强了音乐。钢琴培训更有效和更愉快的学生利用DL-based乐器识别技术。这反过来又增加了学生成绩和参与其中的每个人都提高了教育经历。,目的是增加学生对音乐的兴趣,确定kid-written歌曲,帮助孩子们与他们的钢琴表演,并激励他们负责他们自己的音乐教育,创新使用学习理论(DL)在孩子的钢琴课。科学模型设计建立一个钢琴教育在线教学系统,可以适应学生的学习乐器和设计一个模型基于仪器的特性。儿童乐器识别技术更有可能去追求钢琴教育。
因此,需要一个智能在线钢琴教学体系中,孩子们的年龄,相关的教学材料,教育心理学都应该考虑当老师设计科学的钢琴学习过程(6]。个性化的钢琴教学可以根据个人的需要学生通过合并深学习(DL)技术进教室,和儿童心理问题的结合确保每个孩子接受个性化的关注(7]。摘要DL算法基于递归神经网络被用来产生一个乐器识别技术用于儿童钢琴课,提高钢琴的智能化的目标训练。钢琴可以提高教学的有效性通过使用钢琴教育模式创建钢琴教育模式。使用此研究作为指导,儿童钢琴教学可以更聪明。递归神经网络是一种有效的方法工具识别系统,因为他们是有用的在序列预测问题由于其特征提取能力。从钢琴音乐信号在一个特定的时间序列;因此,递归神经网络的预测可能是有用的工具基于工具的高级特性。通过实现DL理论在实践中,本研究专注于设计一个智能网络教学钢琴系统使用递归神经网络。
本研究探讨了相关作品在线钢琴教学体系,提出了基于深度学习的方法递归神经网络的方法。方法之后,介绍和比较结果显示不同数据集。最后,这项研究的结论和未来工作的范围研究已经提到。
2。文献综述
钢琴老师可以与学生一对一的,在小群体,或大型团体。作为一个教练,你不能看和批判每个性能。有一个严格的限制学生的数量,以确保一个活跃的课堂气氛和个人关注每个学生8]。当谈到学习一门学科,它长期以来一直认为学生受益最多听老师所说的。钢琴的情感内容的性能可能很难理解学生仅仅集中在钢琴理论和技术。他们很难成为兴奋玩一种乐器9]。教师可以重塑,提高钢琴教育年轻人通过使用一个有趣的课程设计,鼓励孩子们变得兴奋的过程学习和玩耍。
有人声称,学生受益于正面的学校环境和发展他们的表现能力不应该仅仅依靠重复。父母扮演着重要的角色在孩子的钢琴练习,因为他们的孩子缺乏自制力和意志力。为了完成整个过程,父母的支持是至关重要的10]。通过与父母和老师合作裁缝钢琴课每个孩子的教育心理学,你可以帮助他们建立一个积极的对音乐的态度。教年轻人如何弹钢琴时,重要的是要记住,人类通过认知过程中学习。可以改善教学方法通过教育心理学研究儿童的心理健康教育。作为一个孩子的成长,他或她是分为几个年龄组:婴儿期,幼儿,幼儿园,小学,中学11]。在中国常见的做法是将七岁以下儿童归为学龄前儿童。当孩子还小的时候,他们被认为是最聪明的。因此,学前教育可以帮助孩子开发和加强他们的认知能力。创造性表达和表演在舞台上是两个学龄前儿童通过音乐可以学会的技能。毫无疑问,音乐产业从孩子们的热情创造和表现音乐(12]。
儿童钢琴教育注重发展学生的个性,以培养他们的创造力。根据一些,学生可能获利的钢琴课根据自己的个性和培养彻底。需要音乐意识能够感受到这种情绪当听钢琴音乐13]。唱名练习和耳朵训练,强调节奏和语调,建议帮助孩子发展他们的音乐感觉。通过唱歌和玩,应该培养孩子的语气和频谱感知的开始。孩子必须学会辨别任何错误的音调在聚精会神地听钢琴音乐旋律。因此,年轻人将会有一个成功和自信的钢琴练习。乐器识别技术可以用来分类在音乐中表达的情感14]。注释音乐文本,以促进转录和可视化,以及提取旋律和乐器的名称。仪器产生的音调可以用来创建一个新的数字音乐评价模型。区分不同的乐器产生的音调,人必须能够区分他们。关于计算机技术,现在可以区分不同的乐器。这一概念的有效性依赖于所使用的语气分析方法。因此,CT仪器识别需要的精确提取声学仪器基调(15]。
强大的理解音色听器乐时是很重要的。最常使用的技术可以是梅尔倒谱,正交匹配概率和音色描述符特性表示。器乐是不同于其他形式的音乐,它所包含的内容数量的时间和频率(16]。我们过滤声音冲动到听觉谱,反映谐波信息反馈给我们的耳朵,和处理声音通过多尺度视觉调制频率和时间这些过程的结果。频率之间的非线性关系和梅尔·光谱是由于人耳的听觉特性。用这个连接,可以确定频谱特点,也被称为(MFCC)梅尔频率倒谱系数(17]。音色特征和分类器使用在过去的器乐节奏识别方法属于浅结构类别。但在处理复杂的主题,上述模型无法学习音乐元素,如打击乐器或交响乐器因为它们太简单了(18]。
有一系列的工具从各种制造商在爱荷华大学的电子音乐工作室的实验样本收集广泛的工具从不同的制造商,以及单声部的部分由不同的艺术家。其他类型的仪器包括铜管、木管乐器,惊弓之鸟的仪器可以摘,捣碎,或进行其他操作(19]。有各种实验仪器,可用于研究如巴松管,长笛,吉他,钢琴,小提琴,手机,木琴,萨克斯管。所有的训练样本是单通道16位数字信号的采样率44.1 kHz,以确保一致性在仪器(20.]。建议深度学习乐器识别技术,神经网络拓扑结构的改变被证明影响模型的识别能力工具(21]。建议的模型比SDA和DBM的识别精度,同时利用相同数量的其他两个神经网络层。越层神经网络,训练集的错误率会越低。整个仪器识别模型的识别精度超过88%,这是比任何其他音乐模式22]。的可能性,使用一个自动化的方法来估计埋层和DBN的神经元数量是调查人员23]。根据实验结果证明(24),限制玻耳兹曼机只能接受近似输入值,以防止过度学习。实验表明,该技术具有较好的分类精度比许多其他技术(25]。神经网络与不同层次可用于确定最好的网络拓扑结构,可以用来满足实际应用要求。机器学习算法被用来开发有效的和健壮的分类。对乳腺癌的诊断,研究人员提出了一个混合智能分类模型(26]。研究结果显示,监督术语权重模型比在土耳其[情绪分析27]。
情绪分析被认为是一个重要的研究领域在文本挖掘中,语言处理和网络挖掘,重点是确定材料中包含的主要信息来源。特征选择模型是用于情绪分类(28]。情绪分析有助于政府、商业组织和个人决策者(29日]。另一项研究文本挖掘用于评估大规模网络公开课,也评估了高预测性能使用深度学习方法(30.]。采用情绪分析研究机器学习的方法来评估学生的能力在高等教育机构31日]。
本研究致力于开发一个智能使用深度学习钢琴教学系统。许多孩子均表示,有兴趣学习如何弹钢琴,因为小说的教学方法,有有利于学生和他们的父母的影响。家长和老师将受益于儿童钢琴教育的新方法,设计了(32]。深度学习仪器识别技术被认为是有效的音乐乐器教学系统和其他科学模型。研究集中在设计一个智能网络教学钢琴系统使用深度学习。
3所示。方法
方法使用递归神经网络的人工智能与音频信号数据作为输入信号建立一个可行的框架,用于跟踪海盗发射机频率。这种方法被用来确认后允许发射机敌对发射器被发现和摧毁。深度学习在乐器识别是有效的,因为它快速学习高级功能来帮助预测建模。收购我们的方法是基于RNN和钢琴教育方法、教学等,指导,学习没有老师,神圣的教师和学习。
拟议的工作是指钢琴音乐音频创建一个智能教学系统的强度。这是一个衡量的音调以及音乐的空间频率成分的信号。深入学习算法将设计乐器识别检测特定的仪器的空间频率。计算使用 在哪里是振幅。
sequence-v光谱带宽计算 在哪里空间大小。
钢琴音乐的频率计算如下:
轴承是由 ,偏执狂时间是由 ,输入变量只是在特定频率为代表 ,和外部情况为代表的原始时期 。钢琴音乐信息的晶体管可以写成 在哪里表示矩阵与输入入口和关联表示与输入相关的偏执时期入口。入口的吞吐量是表示
相对应的轴承用钢琴音乐任意值 ,以及用偏执的概念 。的关联方程表示和计算如下:
描述了当前国家内部。CNN模型的最终生产目标的复杂动作的音乐 ,可以证明
重置入口更新方程表达式和计算的入口在方程(8)。刷新入口 ,的入学通知反映在
在这特征向量,而是确实是实力矩阵。刷新入口方程的肯定,以及估计,可以证明
目前,方程表示,以及相应的估计申请人的国家dt在这个频道
在这特征向量,是申请人的国家相应的钢琴音乐现在,以及是音乐的矩阵。更新最新的国家 ,对应通道的期望结果,可以证明吗
给定的图1以上代表提议的模型,解释了教学风格在线钢琴音乐在使用无线传感器网络。钢琴音乐数据库,其中包含在线培训、在线音乐类库,在线音乐教学评价系统可以访问的老师。通过无线传感器网络可以访问此数据库。总的来说,音乐数据有三个基本特征,它发出的音频信号。他们是时间、频率和力量。评估性能的音乐,递归神经网络算法实现。
4所示。结果与讨论
各种独立的无线网络部署已成为最近无线技术改进的结果。来自不同系统的节点应该并存,所以所有广播和接收器都应该意识到自己的音频信号环境,发射机和接收机参数可以调整,以适应他们的需求。因为他们有能力学习、分析和估计发射机信号频域特征和相关参数,机器学习系统重要性的上升了。
方法使用递归神经网络的人工智能与音频信号数据作为输入信号建立一个可行的框架,用于跟踪海盗发射机频率。这个递归神经网络用于识别后的允许发射机敌对发射器被发现和摧毁。它是基于神经网络学习和获取方法,包括教学实例教学和学习没有老师和学习指导。当我们看,我们可以看到,这些神经网络策略有利于区分光谱教学和学习。音乐数据集在这项研究检查。我们会注意到当我们分析音频信号的生成和传播音乐数据集。频率谱可以看到这是一个需要考虑的重要方面分析。
图2显示了频率分析波信号的形式表示。权力和时间会被考虑频谱分析。
频率分析的结果为在线钢琴音乐教育。
表1代表了钢琴音乐的频率分析和准确性,同时考虑时间的因素,权力,和频率。它显示了数据集的音乐1 94.5%的效率。
图3代表数据的频谱分析钢琴2数据集。在这个场景中,中级信号特征构成了音频信号的时间和光谱参数。信号的特殊性在时间或频率域不能为特征。
表2代表的准确性钢琴数据2当考虑时间,功率和频率参数和频率分析的在线钢琴。这表明,钢琴数据数据集2 97.81%。
图4描绘了钢琴的频率分析数据3。在这个场景中,高层信号特征构成了音频信号的时间和光谱参数。钢琴音乐,钢琴数据2,数据生成3当功率和频率被认为是有效的结果,并且它可以帮助有效传输数据没有任何噪音。
表3代表了钢琴音乐的频率分析和准确性,同时考虑时间的因素,权力,和频率。它显示了钢琴数据3数据集有94.5%的效率。
图54代表了钢琴的频率分析数据。它表明,光谱和时间参数的音频信号是由不同的音乐发射器信号的特性。除了时间、频率和功率,其他重要参数如音频信号和频谱进行了分析。是观察到的频谱是高度准确,可以产生音符的声学特征。
表4代表在线钢琴音乐的频率分析和音乐5的准确性同时考虑时间和功率的参数。它表明钢琴数据5数据集有91.36%。
图6代表了钢琴的图形表示数据5数据集。在这里,在这个例子中,我们可以看到不同的音乐信号方面构成一个音频信号的参数。频谱和音频信号比其他参数非常精确。
表5代表在线钢琴音乐的频率分析。钢琴5数据的准确性已经考虑的参数时显示时间和力量。它表明钢琴数据5数据集有97.8%。
表6显示整体精度使用该神经网络算法。它可以预测的结果,该算法有助于传输信号与高频和权力。结果,信号质量改进的递归神经网络利用,让老师教钢琴没有干扰和噪声。
结果表明,递归神经网络算法在所有应用的数据集上表现良好,这有助于在监测和提高精度和声学特征的音乐。
5。结论和未来的工作
本研究的目的是激励孩子们弹钢琴钢琴教学提出了一个智能系统,不重复。乐器识别模型使用DL技术用于教育孩子如何弹钢琴。儿童钢琴教育计划和改进的基于相关的教育心理学理论,所以他们的行动对钢琴学习和教学可以增加。乐器识别系统开发模型相结合,以提高模型的识别能力和获取功能。实验结果表明,提出的模型能够识别音乐的独特的特点。乐器识别技术可以帮助孩子学习钢琴的热情成长和钢琴教育变得更加有效。使用神经网络建模乐器识别然后精炼模型的结构提高其准确性,特别是在乐器方面的认可。根据测试数据,儿童学习钢琴的兴趣增加了使用乐器识别模型是基于技术DL。这项研究的未来范围可以包括改进的设计深度学习算法来提高仪器识别模型的准确性。这将帮助开发一个有效的和聪明的钢琴教学系统,可以设计出不同的方法来教钢琴。
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
作者宣称没有利益冲突。