乐谱处理方法、装置和电子设备制造方法及图纸

本发明专利技术提供了一种乐谱处理方法、装置和电子设备，该方法包括：获取待处理乐谱；通过预先训练完成的卷积神经网络，提取待处理乐谱的乐谱向量；将乐谱向量记录在预设的区块链系统。该方式中，通过预先训练完成的卷积神经网络，提取待处理乐谱的乐谱向量，并将乐谱向量记录在预设的区块链系统中。将每一首歌曲的乐谱都以乐谱向量的形式保存在区块链系统中，永久保存，不可更改，从而实现保护乐谱版权的目的。

Music score processing methods, devices and electronic equipment

【技术实现步骤摘要】
乐谱处理方法、装置和电子设备
本专利技术涉及神经网络
，尤其是涉及一种乐谱处理方法、装置和电子设备。
技术介绍
音乐版权维护一直是当前社会热点问题。相关技术中，因为音乐的乐谱抄袭问题一直难以界定，所以对乐谱的维权难以进行，难以保护乐谱的版权。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种乐谱处理方法、装置和电子设备，以保护乐谱的版权。第一方面，本专利技术实施例提供了一种乐谱处理方法，包括：获取待处理乐谱；通过预先训练完成的卷积神经网络，提取待处理乐谱的乐谱向量；将乐谱向量记录在预设的区块链系统。在本专利技术较佳的实施例中，上述通过预先训练完成的卷积神经网络，提取待处理乐谱的乐谱向量的步骤，包括：如果待处理乐谱的表示形式为五线谱序列，将待处理乐谱的表示形式转化为数字序列；将数字序列形式的待处理乐谱输入至预先训练完成的卷积神经网络中，输出待处理乐谱的乐谱向量。在本专利技术较佳的实施例中，上述卷积神经网络包括隐藏层；隐藏层基于梯度下降法构建；卷积神经网络包括多个过滤窗口；上述将数字序列形式的待处理乐谱输入至预先训练完成的卷积神经网络中，输出待处理乐谱的乐谱向量的步骤，包括：将数字序列形式的待处理乐谱输入至隐藏层，输出待处理乐谱对应的特征向量；将特征向量输入至卷积神经网络，卷积神经网络输出特征向量对应的结果向量；结果向量的数量与过滤窗口的数量相同；基于softmax函数计算每一个结果向量的比重，基于比重确定待处理乐谱对应的乐谱向量。在本专利技术较佳的实施例中，上述基于比重确定待处理乐谱对应的乐谱向量的步骤，包括：按照比重由大到小的顺序对结果向量进行排序，得到排序结果；从排序结果的第一个结果向量开始，选择指定数量的结果向量；将选择的结果向量拼接，得到待处理乐谱对应的乐谱向量。在本专利技术较佳的实施例中，在保存乐谱向量的步骤之前，方法还包括：基于向量余弦相似度算法计算乐谱向量与已经保存的乐谱向量的相似度；如果相似度大于预设的相似度阈值，不保存乐谱向量；如果相似度不大于相似度阈值，保存乐谱向量。在本专利技术较佳的实施例中，上述方法还包括：发送乐谱向量与已经保存的乐谱向量对应的相似度。在本专利技术较佳的实施例中，上述方法还包括：发送乐谱向量在区块链系统的地址信息。第二方面，本专利技术实施例还提供一种乐谱处理装置，包括：数字乐谱获取模块，用于获取待处理乐谱；乐谱向量输出模块，用于通过预先训练完成的卷积神经网络，提取待处理乐谱的乐谱向量；乐谱向量保存模块，用于将乐谱向量记录在预设的区块链系统。第三方面，本专利技术实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述的乐谱处理方法的步骤。第四方面，本专利技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述的乐谱处理方法的步骤。本专利技术实施例带来了以下有益效果：本专利技术实施例提供的一种乐谱处理方法、装置和电子设备，通过预先训练完成的卷积神经网络，提取待处理乐谱的乐谱向量，并将乐谱向量记录在预设的区块链系统中。将每一首歌曲的乐谱都以乐谱向量的形式保存在区块链系统中，永久保存，不可更改，从而实现保护乐谱版权的目的。本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种乐谱处理方法的流程图；图2为本专利技术实施例提供的另一种乐谱处理方法的流程图；图3为本专利技术实施例提供的一种乐谱预训练方法的示意图；图4为本专利技术实施例提供的一种乐谱卷积神经网络的示意图；图5为本专利技术实施例提供的一种乐谱登记流程的示意图；图6为本专利技术实施例提供的一种乐谱相似度查询流程的示意图；图7为本专利技术实施例提供的一种乐谱处理装置的结构示意图；图8为本专利技术实施例提供的一种电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。目前，音乐的乐谱抄袭问题一直难以界定，所以对乐谱的维权难以进行，难以保护乐谱的版权。基于此，本专利技术实施例提供的一种乐谱处理方法、装置和电子设备，应用于神经网络和区块链的
，具体涉及一种使用卷积神经网络学习音乐乐谱的方法，可以得到乐谱向量，并将乐谱向量上传到区块链，永久保存，不可更改，从而实现保护乐谱版权的目的。为便于对本实施例进行理解，首先对本专利技术实施例所公开的一种乐谱处理方法进行详细介绍。实施例1本专利技术实施例提供一种乐谱处理方法，参见图1所示的一种乐谱处理方法的流程图，该乐谱处理方法包括如下步骤：步骤S102，获取待处理乐谱。待处理乐谱是指是指需要保存的乐谱。曲谱即乐谱，是记录音乐音高或者节奏的各种书面符号的有规律的组合，用于辑录并分析各种曲调格式。在音乐领域，无论是国内还是国外，时常有各种音乐作品的曲谱被指责涉嫌抄袭，不过，真正诉至法院的案例却并不多见。乐谱一般具有五线谱和数字序列两种表示形式，本实施例中的待处理乐谱一般是指表现形式为数字序列的乐谱，也可以称之为数字乐谱或数字简谱。数字简谱以可动唱名法为基础，用1、2、3、4、5、6、7代表音阶中的7个基本级，读音为do、re、mi、fa、sol、la、ti(或si)，英文由C、D、E、F、G、A、B表示，休止以0表示。每一个数字的时值名相当于五线谱的4分音符。步骤S104，通过预先训练完成的卷积神经网络，提取待处理乐谱的乐谱向量。卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络由一个或多个卷积层和顶端的全连通层(对应经典的神经网络)组成，同时也包括关联权重和池化层(poolinglayer)。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。通过卷积神经网络提取待处理乐谱的乐谱向量，本文档来自技高网...

【技术保护点】
1.一种乐谱处理方法，其特征在于，包括：/n获取待处理乐谱；/n通过预先训练完成的卷积神经网络，提取所述待处理乐谱的乐谱向量；/n将所述乐谱向量记录在预设的区块链系统。/n

【技术特征摘要】
1.一种乐谱处理方法，其特征在于，包括：
获取待处理乐谱；
通过预先训练完成的卷积神经网络，提取所述待处理乐谱的乐谱向量；
将所述乐谱向量记录在预设的区块链系统。


2.根据权利要求1所述的方法，其特征在于，通过预先训练完成的卷积神经网络，提取所述待处理乐谱的乐谱向量的步骤，包括：
如果所述待处理乐谱的表示形式为五线谱序列，将所述待处理乐谱的表示形式转化为数字序列；
将数字序列形式的所述待处理乐谱输入至预先训练完成的卷积神经网络中，输出所述待处理乐谱的乐谱向量。


3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络包括隐藏层；所述隐藏层基于梯度下降法构建；所述卷积神经网络包括多个过滤窗口；
将数字序列形式的所述待处理乐谱输入至预先训练完成的卷积神经网络中，输出所述待处理乐谱的乐谱向量的步骤，包括：
将数字序列形式的所述待处理乐谱输入至所述隐藏层，输出所述待处理乐谱对应的特征向量；
将所述特征向量输入至所述卷积神经网络，所述卷积神经网络输出所述特征向量对应的结果向量；所述结果向量的数量与所述过滤窗口的数量相同；
基于softmax函数计算每一个所述结果向量的比重，基于所述比重确定所述待处理乐谱对应的乐谱向量。


4.根据权利要求3所述的方法，其特征在于，基于所述比重确定所述待处理乐谱对应的乐谱向量的步骤，包括：
按照所述比重由大到小的顺序对所述结果向量进行排序，得到排序结果；
从所述排序结果的第一个所述结果向量开始，选择指定数量的所...

【专利技术属性】
技术研发人员：徐磊，袁力，邸烁，狄培，
申请(专利权)人：北京阿尔山区块链联盟科技有限公司，
类型：发明
国别省市：北京;11