文摘

在过去的一年里,每个人都面临困难由于冠状病毒的快速传播。作为一个扩展,学生、家长和教师在教育部门处理的挑战。COVID天以来,学校和大学被关闭,因此,学生落后的科目。来代替这个场景中,脱机类转换为在线课程,否则称为虚拟类和虚拟教室。由于这种转换,教学变得更先进,通过融合各种计算机技术。像人工智能的技术,云计算,和机器学习为探索概念铺平了道路数据传输及时交付的内容而言,减少错误率,和非技术术语像类互动和理解的主题概念。在本研究工作中,在线教学课程被认为是音乐。具体而言,中国传统音乐研究。设计一个人工智能模型的帮助下无线传感器网络的网络课堂音乐主题。基于q学习算法,它是一个人工智能的强化学习算法,实现。 The aim of the Q-learning algorithm in this online teaching of classical music is to check the frequency level of the music that aids in the automatic transfer of another wavelength inside the dataset.

1。介绍

随着现代科学技术的发展,神经网络是更频繁地使用音乐教育,这有利于我国音乐教育的发展。中国学生多注意学习流行音乐和期望人工智能(1]。人工智能的实现音乐教育打破了民间音乐教育范式,尤其是电脑音乐系统的使用和高智商音乐在音乐教育软件,大大提高音乐教学水平和扩大了音乐教学模式。人工智能的实现系统有可能引发学生学习音乐的兴趣,这是一个更创新的方法传统学生教育(2]。多学科音乐教学进行了使用一个人工智能系统。利用人工智能在中小学生的音乐教育活动提高学生的热情和主动性,有助于学生主动学习和信息保留(3]。在大学和非专业艺术教育,传统课堂教学课件内容转化为人工智能系统,艾滋病在引导学生学习新知识,让学生参与教学的音乐学习下的人工智能系统,导致音乐(最大的吸收知识4]。与计算机技术的进步,大量的智能音乐软件相关计算机技术已经出现,让原创音乐的任务依赖于合成器或音乐工作者的过程以及编辑完全由计算机完成,从而试图改善歌曲数据的处理能力,扩大音乐信息的范围5]。这种类型的多声道音频功能极其强大。用户可以编辑、改变、记录和播放各种类型的音乐元素,以及使用人工智能处理它们。这种新形式的音乐系统现在被用于教育,极大的辅助音乐教育的发展。在中国,许多人通过网上学习音乐有兴趣,所以需要一个必要的教学系统模型在指导教师帮助学生学习音乐(6]。研究的贡献是设计的教学模式和分析频率水平音乐帮助另一个波长内的数据集的自动转换。本文分为六个部分。部分1提出了研究的介绍。部分2讨论了研究的相关工作,以及部分3解释了数据集和方法用于研究。部分4解释了研究的建议的体系结构模型。部分5讨论了该研究的结果和发现,部分6给出了结论和未来的方向。

2。相关的研究

在1960年代,人工智能在音乐教育仅仅创建一个新的使用音乐键盘乐器。仪器可以容纳几个乐器的音色,并能够执行的好处,任何人在任何时间,改变的语气乐器演奏,和紧凑和便携式7]。然而,人工智能还处于起步阶段,和大多数音乐教师都意识到这个新的智能乐器,或者只是将扮演了一个重要的角色在未来音乐教育的发展。结果,尽管这种类型的乐器在音乐教育,它已经获得了关注;许多学校的音乐教学继续遵循传统的教学模式。教师和学生现在有一个平台,在课堂上的交流与接触多亏了这个音乐在音乐教育系统的实现(8]。教授音乐的方式也大大发展。首先,学生可以使用新的音响系统的了解音乐和每个音符的魅力。其次,学生有机会排练音乐老师在课堂上教学。学生可以更好的理解音乐知识,老师讨论,以及每个音乐元素的特性和用途,实际上玩。最后,老师可以使用这种技术。某种程度上,每个人都受益于现实世界的经验,她在教室里可能没有9]。然而,人工智能可以继续民主化音乐教育在物理或数字教室,以及通过应用程序和工具的录音室。音乐是一个开放式的领域很少有预定的目标和规定,虽然新手和专业人士之间存在显著差异。至少是一样重要的搜索问题解决方案在这个部门。人工智能可以使用多种方式在音乐教育。标识方法的疗效有争议的领域,最好是已知的(数学、物理等)。技术有许多支持者,但批评者认为,这需要高度成功的动力,知识渊博的教师,功劳的成就(即都是不确定的。系统或老师)(10]。

会有一个更大的共识,标志在开放式域像作曲方法是有用的。然而,这从未被实验测试。有几种可能性为扩大音乐标志的工作包括其他组合方法和其他领域的音乐11]。一般来说,智能辅导系统适合行业公司和快速的规则和目标,以及识别和分类的方法系统的错误。在音乐方面,这些地方是供应短缺。以前的工作在这些领域可能有所改善,新的,相对明确的地区音乐有明确的和快速的规则和目标可能被识别12]。它可以用于耳朵训练,例如。然而,它是理解的关键技术的限制,避免使用它不适合的地方。和谐的空间是一个人类interface-focused策略集成人工智能音乐思想和技术。这个系统是由各种各样的来源(13]。和谐的空间域的基于人工智能理论在音乐(和谐),并使用它们,而不是在人机交互任务模型。然后使用直接操作方法,域理论根据需要修改,让那些认为音乐组件和连接概念上重要的感知显著。该方法可用于各种各样的情况。探索如果等效功率在一个接口可能来自于集团其他领域的决策理论特点,不一定与音乐有关,将是一个有趣的研究课题(14]。不仅是MC认知支持框架相关的音乐,但它也可以用在任何的解决问题的情况。有几个原因,它有一个特别的效力在和谐的局面。这些包括利用和谐空间的和谐美丽的表征,概括在色调和模态特性,并应用衍生设计,允许不同的观点。动机证明,类似的概念可能适用于其他方面的音乐。谈判是一个关键的开放研究课题在人工智能和AI-ED,与应用在各种领域。有申请处理人工智能概念的限制和不完备的音乐艺术教育,以及调查的合作(15]。鉴于目前水平这样的系统通常具有的专业知识,以及直接操作和可视化技术用于促进人机交流,目前尚不清楚如何有用的这项工作是在目前交付系统执行合奏音乐教育与学生和理解每个病人的音乐知识通过听教师的绩效(16]。在音乐课程,例如,老师可能会问学生扮演一个回答一个问题时,或者老师会播放一段音乐,然后要求学生重复或重新创建它。学生不仅会有一个更好的音乐体验,但他们也可以交谈和与他们的教授17]。学生将从被动转向主动位置在教室里,不仅听老师的解释,而且经历和理解音乐通过人工智能系统,了解和体验音乐,老师不能。学生可以学习更多关于每个音乐部分的质量和用途使用这种人工智能的程序,以及如何将这些音乐元素在建筑过程中产生18]。

人工智能技术的引入音乐教学也可以帮助提高学习和在网络中的应用。智能仪器的集成和软件在音乐教育使一些新音乐课程和教学技术的公司(19]。组合、仪器分析工作和其他音乐教育课程都使用智能教学方法,以便学生可以玩,听,和随时改变而产生,改善学生的生产的效率。学生可能的特性和功能有了更深层次的了解音乐知识,音乐符号,和音乐元素在网络系统中,让他们有更好的音乐学习经验(20.]。教师和学生可以利用在线课堂学习的好处增加接触,提高音乐教育的质量21,22]。使用网络学习音乐教育带来了两个主要的变化:一方面,它影响了传统音乐观念,另一方面,它改变了音乐知识是如何获得的。由于互联网的特性,音乐教育已超出校园,进入全球,导致音乐教育的教学23]。教师和学生可以更容易地获得音乐信息的网络。他们不仅可以获得他们所需要的音乐信息快速但也获得更多的音乐信息,这是更全面的(24]。学生通过网络学习,另一方面,可能无法实现他们的学习目标由于网络的巨大和复杂的内容。因此,学校应该建立在线音乐学习课程,这样教师可以利用网络来获取额外的音乐教材,以及允许教师通过网络向学生解释各种音乐概念,因此深化他们所了解的音乐。因此,互联网已经成为在学校音乐教育中不可或缺的元素。连接扩展到教室设置,扩大学生的视野,将它们连接到其他国家从最初的书25]。学生不仅可以利用互联网获得更多的音乐知识和信息也上传他们的音乐作品,这样更多的人可以看到和听到他们,以及融入全球的生态系统,音乐学习和丰富自己的过程26]。

人工智能在音乐教育可以帮助学生在学习音乐的过程中揭示他们的问题在未来的社会中,通过覆盖一系列多样化的音乐资源来支持学生音乐学习资源需要,从而提高音乐教学和学习的效率27]。例如,在钢琴教育孩子的过程,人工智能可以帮助学习者发现优秀的教师资源和依靠网络平台提供的机器学习获得高级音乐指导,让他们体验神奇的音乐的有机结合,科学和技术(28]。此外,未来人工智能能够有效地理解音乐老师的演讲和情感,以及遵循音乐教师的人性化教学技术,扩大和深化音乐由机器。应该提到,人工智能的潜在应用在音乐教育可能有一些限制:首先,它源于约束的音乐教育的独特性。机器学习在音乐教育首先是一个配角,比如教音乐教学的理论基础,如球、语气,大小,琶音,但人工智能有限制时,音乐教学的情感方面,比如音乐情感,音乐内容表达和基调。第二,它源于行业公认的限制。大多数人在商业认为音乐感知;机器在一些复杂的人类感情的经历仍然有一定的限制(29日]。目前的研究集中在发展学生的有效教学模式,分析了音乐使用无线传感器网络的质量。

3所示。材料和方法

3.1。数据集

音乐数据集将包含波信号,代表图1。当古典音乐波信号作为输入,然后将输出将水平频率、时间和功耗。低级信号特性构成了时间和光谱方面的音频信号。他们不是感知动机和特征的特殊性在时间或频域的信号。物理特征提取在短重叠窗口自音乐等各种时态的变化。从蝴蝶music.mid数据收集。音乐数据集划分为五个部分即music1 music2, music3 music4, music5。每个音乐数据集有100个节点或音乐。在这项研究中,时间、力量和音乐的频率是评估。

3.2。q学习的

在这项研究中,强化Q学习算法Q代表质量指标的实现。强化学习是一个机器学习技术,重点是如何在环境(软件必须采取行动30.]。这个算法是一个深度学习技术的一部分,这有助于增加几部分累积奖励。q学习的是一种价值取向的学习算法,更新值函数按照贝尔曼方程(31日]。

因为路线的不同,产生的信号发射机给出以下方程。 在哪里远的方向范围信号,数组成员之间的长度,最大速度,是数组对象的延迟时间。

因此,数组之间的时间延迟项目可以在下列方程计算。 在哪里表示频率在中间。

有限范围内信号的相角在下列方程表示。 在哪里都是信号的波长;因此,如果确定信号的时间延迟,信号的方向可能决定使用方程(1),这是有效的谱估计方法的基本前提。

音乐是表达为一个特定的时间问题:音乐是分离成不同的块并使用q学习通过迭代求解方程(3)。有工作创造连续深q学习的基于模型的加速度时,将限制数据冗余连接本地子任务或连接单独的笔记。当使用日益复杂的模型,模拟时间和资源级速度令人反感,这种现象被称为“高维度。“团队合作在光谱图允许潜在的频率和时间明显增加。

矩阵的特征向量根据其大小排列在下列方程表示。

矩阵特征向量对应于信号而且噪声,分别。

如果是矩阵的振幅和是相关的特征向量 ,然后

在q学习的,决策的制定和提供了条件概率的不确定性或奖金;代表继续以最好的方式在当前的监管。在方程(5)是学习经验的例子:制宪会议出现的现状和采取的行动。Q学习方法的频谱分析解决方案Q函数可以被递归地学会了最小化。

让 站的最小值 。

在方程(6)

当你扩展右边左边和比较,得到以下。 在哪里描述信号边缘值,被描述为边缘值,是另一个信号的开始,最大速度,是频率的数量水平,增加频率水平,特定的特征向量矩阵。

因为啊哈 高位矩阵和(啊哈)存在,存在。

计算1(哈哈)在两个边缘在同一时间,你会得到

生成一个噪声矩阵通过使用noise-specific分布为每一列:

描述频谱可以确定使用

方程(12)和(13)是用来评估频谱这有助于确定音符的声学特征。只有清晰的频谱可以生成色彩的音乐。

4所示。提出的模型

图2代表建议的体系结构,说明了在线音乐教育教学模式使用无线传感器网络。在线中国传统音乐有一个数据库包含教学管理,在线课程,评估系统,远程考试系统,在线音乐教学评价系统、在线培训、在线音乐评价图书馆,音乐类库。这可以通过互联网络访问数据库管理系统和无线传感器网络的支持。为了评估音乐,我们使用q学习算法。老师是能够管理数据库,计费系统,性能报告和故障管理。这个模型可以帮助教师在教学中的古典音乐有效和更简单的方法。

5。结果与讨论

最近的无线技术的进步导致独立部署的无线网络。因为在多个系统节点必须共存,所有广播和接收器必须意识到自己的音频信号围绕为了调整发射器和接收器的设置满足他们的要求。机器学习方法越来越受欢迎由于他们的学习能力,分析和估计发射机信号频域特征和相关因素。q学习方法构建一个可靠的框架来跟踪海盗频发射机采用人工智能与音频信号接收的数据作为输入信号。一旦敌对发射器被发现和消除,这q学习的特征编码用于分类授权发射器。它是基于教学/传输和获取策略建立了q学习:通过实例教学,指导,学习没有老师,神圣的老师和学习。当我们研究这些q学习方法,我们可以看到,他们是有用的在光谱区分教学和学习。在这项研究中,分析了音乐数据集。

如果我们分析数据集的音乐,将音频信号传输和频谱频率将生成。频谱是需要考虑的重要方面的分析研究。

图3代表代表波信号的频率分析。时间和频率分析,权力将被考虑。而音乐是增加或减少一个关键,注意绝对频率的变化,但基本音符之间的联系仍然存在。这是一个必需的特性模型。一开始深度学习创造音乐的时间限制宏观结构提供了整个事情。模型生成频率time-unconnected子单元并没有导致一种连贯性。必须注意音乐为了准确模型的框架。

表1代表在线古典音乐的频率分析和精度music1当考虑时间、功率和频率参数。它表明music1数据集有94.5%。

图4代表music2数据集的频率分析。在这种情况下,本文的信号特征构成了音频信号的时间和光谱参数。他们不是感知动机和特征的特殊性在时间或频域的信号。例如,多个观测可以发生在一个时间步,导致共振间隔。这些符号也可以跨越多个连续时间阶段的模式。此外,音乐观察表示为一个八度,或音乐局之间的时间间隔。快球循环起源于假设打者一个或更多的高音,音乐公平。共振频率因此认为有两个方面:高度,使指一个点的绝对频率的信息,和宽度。

表2代表在线古典音乐的频率分析和精度music2当考虑时间、功率和频率参数。它表明music2数据集有97.81%。

图5代表music3的频率分析。在这种情况下,高层信号特征构成了音频信号的时间和光谱参数。通过考虑频率和功率,music1 music2, music3生成有效的结果,因为它有助于转移数据没有中断或噪音。此外,多个观测可以在同一时间完成的,这是音乐的概念,网络必须再次报告分类统一的音乐。q学习算法是常数随时间而不是注意积分。每个音符都表示为一个截然不同的发送端。移动整个步骤创建一个不同的结果。相对的友谊,而不是可怜的关系,在音乐中很重要。

表3代表在线古典音乐的频率分析和精度music3当考虑时间、功率和频率参数。它表明music3数据集有99.04%。

图6代表music4频率分析。它表明,不同的音乐发射机信号特性的时间和光谱参数音频信号。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。频谱是高度准确,可以产生声签名的音符。

表4代表在线古典音乐的频率分析和精度的音乐5当考虑时间和力量作为参数。它表明music5数据集有91.36%。

图7代表music5数据集的图形表示。在这种情况下,我们可以看到不同的音乐信号方面的参数音频波信号。他们不是感知动机和特征的特殊性在时间或频域的信号。频谱和音频信号比其他参数非常精确。

表5代表在线古典音乐的频率分析和精度music5当考虑时间和力量作为参数。它表明music5数据集有97.8%。

。

表6代表了整体使用强化q学习算法的准确性。结果预测算法有助于传输信号与高频和权力。因此,信号的质量增加了使用强化学习算法,帮助教师在教学古典音乐没有任何噪音或中断。结果显示,强化q学习算法表现良好,这有助于在评估的准确性和声学特征的音乐。

表7清楚地表明,使用随机算法的发现最优解的问题现在是远低于随机算法。搜索的范围是广泛由于全球寻求q学习算法。我们基于健身价值选择迭代遗传物质以及寻找最好的解决方案的位置,使其更容易找到最优解。我们真的可以建立动态修改参数基于整个实验结果有效地克服multiconstrained客观的问题,这样给文档生成测试的技术问题。设计师可以快速识别最优解的可能性相比q学习算法。

6。结论

人工智能的发展铺平了道路,通过在线学习音乐。在中国,音乐教育提高了人工智能的理解音乐,使人工智能的应用。人工智能教学系统技术可以整合各种教育信息与学生的学习和老师的教学。是重要的知道如何在教学实践中正确使用人工智能系统。因此,研究提出人工智能在线古典音乐教育教学模式使用无线传感器网络。它有助于教师在理解过程中通过在线音乐教育。这项研究还评估使用强化音乐数据算法的准确性。结果证明q学习算法具有较高的精度评估古典音乐数据。为未来的研究,强烈建议实现深层神经网络算法确定噪声和信号中断了网络在线音乐教育使用。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。