一种构建和弦转换向量的方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种构建和弦转换向量方法、装置及计算机可读存储介质，所述方法包括：获取待分析的和弦样本；对所述待分析的和弦样本进行预处理，得到样本编码数据集；按照所述和弦样本的和弦进行的时序，将所述样本编码数据集输入神经网络模型进行训练，所述神经网络模型的输出为t时刻的预测和弦编码；根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量；获得满足预设训练质量时所述神经网络模型隐藏层的权值，作为和弦转换向量。

【技术实现步骤摘要】
一种构建和弦转换向量的方法、装置及计算机可读存储介质
本专利技术涉及机器学习
，尤其涉及一种构建和弦转换向量的方法、装置及计算机可读存储介质。
技术介绍
现有技术中，现有的和弦分析都是基于符号形式表达来进行的，是人类在高层面的经验抽象总结。如果用机器来进行和旋数据的分析工作，需要将和弦数据的表达形式转换为数学的向量形式，以方便和弦数据的读取和计算。在智能音乐研究领域，尚没有成熟的技术方案能将和弦数据编码为向量(Vector)表示形式。若是基于人工定义规则的形式分析并处理和弦数据，需要丰富的乐理知识，并且处理效率极低。和弦数据缺乏转换为向量表示形式，在人工智能领域无法从数值分析的角度去处理原生形式为离散的和弦数据，并将其作为机器学习的资源数据。因此现有技术缺乏将不同的和弦转换为实现一种向量表示形式，不利于和弦数据应用于人工智能领域。
技术实现思路
为解决上述技术问题，本专利技术实施例提供了一种构建和弦转换向量的方法、装置及计算机可读存储介质。本专利技术实施例提供的构建和弦转换向量的方法包括：获取待分析的和弦样本；对所述待分析的和弦样本进行预处理，得到样本编码数据集；按照所述和弦样本的和弦进行的时序，将所述样本编码数据集输入神经网络模型进行训练，所述神经网络模型的输出为t时刻的预测和弦编码；根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量；获得满足预设训练质量时所述神经网络模型隐藏层的权值，作为和弦转换向量。其中，所述对所述待分析的和弦样本进行预处理包括：确定所述和弦样本的根音；计算所述根音的频率；基于所述根音，将所述和弦样本组成的音符进行归一化处理，得到归一化和弦；基于十二平均律，将所述归一化和弦进行拆分，得到律制和弦；对所述律制和弦进行独热编码，得到编码和弦；将所述根音的频率与所述编码和弦组合，得到所述样本编码数据集；其中，所述样本编码数据集按照预设比例分为样本编码训练集和样本编码验证集。其中，所述将所述样本编码数据集输入神经网络模型进行训练包括：将所述样本编码训练集输入所述神经网络模型，作为训练神经网络模型的神经元。其中，所述将所述样本编码数据集输入神经网络模型进行训练还包括：每隔预设训练间隔，计算所述神经网络模型在所述样本编码验证集上的和弦样本预测准确率；当所述和弦样本预测准确率低于第一预测阈值时，判定神经网络模型输出的预测和弦编码的质量不合格；当所述和弦样本预测准确率高于第二预测阈值时，判定所述预测和弦编码的质量合格。其中，所述目标函数为：L＝Ε[||chord_predict(t)-chord_ground_truth(t)||2]其中，chord_predict(t)为t时刻的预测和弦编码，chord_ground_trueth(t)为所述样本编码训练集中t时刻的和弦编码。其中，所述根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量包括：计算所述目标函数的当前计算值；当所述目标函数的当前计算值低于第一损失阈值时，判定所述预测和弦编码合格；当所述目标函数的当前计算值高于第二损失阈值时，判定所述预测和弦编码不合格。其中，所述根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量还包括：根据所述目标函数的当前计算值以及所述和弦样本预测准确率确定所述神经网络模型输出的预测和弦编码的质量。本专利技术实施例提供了一种构建和弦转换向量的装置，所述装置包括：样本获取模块，用于获取待分析的和弦样本；预处理模块，用于对所述待分析的和弦样本进行预处理，得到样本编码数据集；输入模块，用于按照所述和弦样本的和弦进行的时序，将所述样本编码数据集输入神经网络模型进行训练，所述神经网络模型的输出为t时刻的预测和弦编码；确定模块，用于根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量；输出模块，用于获得满足预设训练质量时所述神经网络模型隐藏层的权值，作为和弦转换向量。其中，所述预处理模块中，所述对所述待分析的和弦样本进行预处理包括：确定所述和弦样本的根音；计算所述根音的频率；基于所述根音，将所述和弦样本组成的音符进行归一化处理，得到归一化和弦；基于十二平均律，将所述归一化和弦进行拆分，得到律制和弦；对所述律制和弦进行独热编码，得到编码和弦；将所述根音的频率与所述编码和弦组合，得到所述样本编码数据集；其中，所述样本编码数据集按照预设比例分为样本编码训练集和样本编码验证集。其中，所述输入模块中，所述将所述样本编码数据集输入神经网络模型进行训练包括：将所述样本编码训练集输入所述神经网络模型，作为训练神经网络模型的神经元。其中，所述输入模块中，所述将所述样本编码数据集输入神经网络模型进行训练还包括：每隔预设训练间隔，计算所述神经网络模型在所述样本编码验证集上的和弦样本预测准确率；当所述和弦样本预测准确率低于第一预测阈值时，判定神经网络模型输出的预测和弦编码的质量不合格；当所述和弦样本预测准确率高于第二预测阈值时，判定所述预测和弦编码的质量合格。其中，所述确定模块中，所述目标函数为：L＝Ε[||chord_predict(t)-chord_ground_truth(t)||2]其中，chord_predict(t)为t时刻的预测和弦编码，chord_ground_trueth(t)为所述样本编码训练集中t时刻的和弦编码。其中，所述确定模块中，所述根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量包括：计算所述目标函数的当前计算值；当所述目标函数的当前计算值低于第一损失阈值时，判定所述预测和弦编码合格；当所述目标函数的当前计算值高于第二损失阈值时，判定所述预测和弦编码不合格。其中，所述确定模块中，所述根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量还包括：根据所述目标函数的当前计算值以及所述和弦样本预测准确率确定所述神经网络模型输出的预测和弦编码的质量。本专利技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现前述构建和弦转换向量的方法中任一项步骤。本专利技术实施例的技术方案中，获取待分析的和弦样本；对所述待分析的和弦样本进行预处理，得到样本编码数据集；按照所述和弦样本的和弦进行的时序，将所述样本编码数据集输入神经网络模型进行训练，所述神经网络模型的输出为t时刻的预测和弦编码；根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量；获得满足预设训练质量时所述神经网络模型隐藏层的权值，作为和弦转换向量。如此，实现了构建和弦转换向量，让和弦数据用向量形式来表示，有利于将和弦数据应用于人工智能领域。附图说明附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例；图1为本专利技术实施例的一种和弦转换为向量的映射关系示意图；图2为本专利技术实施例的一种构建和弦转换向量的方法的流程示意图；图3为本专利技术实施例的一种三层神经网络模型的结构示意图；图4为本专利技术实施例的一种构建和弦转换向量的装置的结构示意图；图5为本专利技术实施例的一种构建和弦转换向量的装置的结构示意图。具体实施方式为了能够更加详尽地了解本专利技术实施例的特点与
技术实现思路
，下面结合附图对本专利技术实施例的实现进行详细阐述，所附的附图仅供参考说明之用，并非用来限定本专利技术实施例。本专利技术实施例提供了一种本文档来自技高网...

【技术保护点】
1.一种构建和弦转换向量的方法，其特征在于，所述方法包括：获取待分析的和弦样本；对所述待分析的和弦样本进行预处理，得到样本编码数据集；按照所述和弦样本的和弦进行的时序，将所述样本编码数据集输入神经网络模型进行训练，所述神经网络模型的输出为t时刻的预测和弦编码；根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量；获得满足预设训练质量时所述神经网络模型隐藏层的权值，作为和弦转换向量。

【技术特征摘要】
1.一种构建和弦转换向量的方法，其特征在于，所述方法包括：获取待分析的和弦样本；对所述待分析的和弦样本进行预处理，得到样本编码数据集；按照所述和弦样本的和弦进行的时序，将所述样本编码数据集输入神经网络模型进行训练，所述神经网络模型的输出为t时刻的预测和弦编码；根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量；获得满足预设训练质量时所述神经网络模型隐藏层的权值，作为和弦转换向量。2.根据权利要求1所述的构建和弦转换向量的方法，其特征在于，所述对所述待分析的和弦样本进行预处理包括：确定所述和弦样本的根音；计算所述根音的频率；基于所述根音，将所述和弦样本组成的音符进行归一化处理，得到归一化和弦；基于十二平均律，将所述归一化和弦进行拆分，得到律制和弦；对所述律制和弦进行独热编码，得到编码和弦；将所述根音的频率与所述编码和弦组合，得到所述样本编码数据集；其中，所述样本编码数据集按照预设比例分为样本编码训练集和样本编码验证集。3.根据权利要求2所述的构建和弦转换向量的方法，其特征在于，所述将所述样本编码数据集输入神经网络模型进行训练包括：将所述样本编码训练集输入所述神经网络模型，作为训练神经网络模型的神经元。4.根据权利要求2所述的构建和弦转换向量的方法，其特征在于，所述将所述样本编码数据集输入神经网络模型进行训练还包括：每隔预设训练间隔，计算所述神经网络模型在所述样本编码验证集上的和弦样本预测准确率；当所述和弦样本预测准确率低于第一预测阈值时，判定神经网络模型输出的预测和弦编码的质量不合格；当所述和弦样本预测准确率高于第二预测阈值时，判定所述预测和弦编码的质量合格。5.根据权利要求1所述的构建和弦转换向量的方法，其特征在于，所述目标函数为：L＝Ε[||chord_predict(t)-chord_ground_truth(t)||2]其中，chord_predict(t)为t时刻的预测和弦编码，chord_ground_trueth(t)为所述样本编码训练集中t时刻的和弦编码。6.根据权利要求5所述的构建和弦转换向量的方法，其特征在于，所述根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量包括：计算所述目标函数的当前计算值；当所述目标函数的当前计算值低于第一损失阈值时，判定所述预测和弦编码合格；当所述目标函数的当前计算值高于第二损失阈值时，判定所述预测和弦编码不合格。7.根据权利要求4或6所述的构建和弦转换向量的方法，其特征在于，所述根据所述神经网络模型的目标函数确定所述样本编码数据集的训练质量还包括：根据所述目标函数的当前计算值以及所述和弦样本预测准确率确定所述神经网络模型输出的预测和弦编码的质量。8.一种构建和弦转换向量的装置，其特征在于，所述装置包括：样本获取模块，用于获取待分析的和弦样本；预处理模块，用于对所述待分析的和弦样本进行预处理，得到样本编码数据集；...

【专利技术属性】
技术研发人员：马丹，
申请(专利权)人：咪咕文化科技有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：北京,11