【技术实现步骤摘要】
本专利技术属于机器学习领域,尤其涉及一种钢琴乐谱难度识别方法。
技术介绍
钢琴乐谱难度自动识别即用一种方法自动识别出特定钢琴乐谱的难度等级。随着互联网的飞速发展,现如今大量的钢琴乐谱可以从网络中购买甚至很多网站提供免费下载服务。但对于业余爱好者,由于缺少专业知识和指导,不知如何从网络中海量的钢琴乐谱中选择适合自己难度等级的乐谱而止步不前。对于专业音乐学习者,学习过程中有一套固定的进阶教材,但长时间练习同样的乐曲,过程过于单调和枯燥,也不利于针对个人制定个性化的学习方案以增加学习者的学习热情,提高学习效率。现在绝大部分的钢琴乐谱难度等级仍然需要专业人士去主观判断,然而对于现今网络中海量的数字乐谱,人为一个个去判断其难度等级将会是一个耗时耗力的巨大工程,是不现实的。所以,如果设计一种方法能够自动识别出待定乐谱难度等级标签,不仅对于音乐学习与教学有很大的实际意义,并且能够提高音乐网站的用户体验,也有助于音乐的传播与发展。钢琴难度等级自动识别技术是一个较新但很有发展潜力的
Shih-ChuanChiu等人最早提出自动识别钢琴难度等级的方法。他们将此问题看作分类问题,定义一些和钢琴难度相关的特征,用线性回归方法去实现钢琴难度的自动识别。此方法最终效果不令人满意,原因在于:没有考虑特征数据本身的特点,而直接简化模型——假设特征和难度等级是线性关系,用线性回归方法去拟合,此模型过于简化特征和难度等级之间的实际关系。VéroniqueSébastien等人根据音乐教学的过程,提出一种基于乐谱分析的方法实现钢琴乐谱难度识别。首先也定义一些难度相关特征,然后利用主成 ...
【技术保护点】
一种基于测度学习改进支持向量机的钢琴乐谱难度识别算法,包括以下步骤:1)建立分类数字钢琴乐谱代表集;2)提取难度相关特征,构建特征向量空间,并对提取到的特征进行归一化预处理;3)利用测度学习从训练样本中有监督的得到新的距离测度,并用新的距离测度改进高斯径向基核函数,方法如下:a).利用测度学习知识,基于相同难度标签的乐谱拉近距离,而不同类别标签乐谱之间的间隔尽可能大思想,建立优化目标,通过求解大间隔优化问题,得到投影矩阵M,基于投影矩阵M得到新的距离测度DM:DM(xi,xj)=(xi‑xj)TM(xi‑xj)其中xi,xj{i,j∈1,...,n},n表示训练样本的数目,表示序号分别为i和j的特征向量。b).利用新的距离测度DM改进高斯径向基核函数中的欧氏距离测度,得到新的高斯径向基核函数形式为:kM(xi,xj)=exp(-12σ2DM(xi,xj))]]>其中,σ是高斯径向基核函数参数,exp表示以自然常数e为底的指数函数。c).建立基于上述新的高斯径向基核函数的支持向量机分类模型。4)用one‑versus‑all方法将SVM扩展到多分类;5)基于网格搜索算法选择最 ...
【技术特征摘要】
1.一种基于测度学习改进支持向量机的钢琴乐谱难度识别算法,包括以下步骤:1)建立分类数字钢琴乐谱代表集;2)提取难度相关特征,构建特征向量空间,并对提取到的特征进行归一化预处理;3)利用测度学习从训练样本中有监督的得到新的距离测度,并用新的距离测度改进高斯径向基核函数,方法如下...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。