一种基于深度神经网络的旋律MIDI伴奏生成方法技术

本发明专利技术公开了一种基于深度神经网络的旋律MIDI伴奏生成方法，属于人工智能、音乐科技技术领域。该旋律MIDI伴奏生成方法包括收集有体裁标签的MIDI数据集，将MIDI数据集处理后获得数据集，通过MuMIDI进行编码，获得词条，将词条输入GC

【技术实现步骤摘要】
一种基于深度神经网络的旋律MIDI伴奏生成方法


[0001]本专利技术涉及人工智能、音乐科技
，特别涉及一种基于深度神经网络的旋律MIDI伴奏生成方法。

技术介绍

[0002]艺术创作一直以来被认为是艺术家的专属领域，然而在近几年来，随着深度学习的发展，艺术创作取得了重大进展，达到了前所未有的高度，比如可以生成指定风格的绘画作品，或是生成可以通过图灵测试的音乐作品。音乐生成是一个巨大的领域，它面临着诸多挑战，尤其是当用户希望控制音乐生成的诸多属性时(比如生成的乐器种类数量，音乐体裁等)，所得到的音乐有很大的提升空间，将这一类任务统称条件可控的音乐生成。
[0003]目前主流的条件可控的音乐生成有以下几种工作：第一种是体裁可控的单一体裁的音乐生成，如Hadjeres的DeepBach，Ji-Sung Kim的DeepJazz。两种工作均实现了指定体裁的音乐生成，但缺陷也很明显，它们均无法生成其他体裁的音乐。第二种是乐器种类数量可控，且可以将其中一个乐器作为条件的音乐生成，典型的工作如Hao-Wen Dong的MuseGAN。这个工作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的旋律MIDI伴奏生成方法，其特征在于，具体包括如下步骤：(1)使用爬虫的方法在互联网上收集有体裁标签的MIDI数据集，并按照体裁标签进行分类；所述体裁包括：流行，乡村，爵士；(2)将步骤(1)收集的MIDI数据经旋律抽取、轨道压缩、数据过滤、整曲分割、和弦识别后，获得MIDI片段，并将所述MIDI片段打乱，获得数据集；(3)将所述数据集通过MuMIDI进行编码，获得词条，根据不同的任务将所述词条分成目标词条和条件词条；所述编码的维度包括：小节序数、音符位置、轨道序数、音符属性、和弦以及元属性；所述元属性中加入“体裁”符号，编码数据集的体裁信息；(4)将目标词条和条件词条输入至GC-Transformer模型中进行训练，输出带有伴奏的MIDI片段，当总损失函数收敛时，完成对GC-Transformer模型的训练；保存训练后得到的GC-Transformer模型的参数和超参数；所述总损失函数为全局语义损失函数、体裁损失函数与语言模型损失函数之和；(5)用户将仅含有旋律的MIDI片段进行编码，并输入至步骤...

【专利技术属性】
技术研发人员：计紫豪，汪凯巍，
申请(专利权)人：浙江大学，
类型：发明
国别省市：