音乐期待量化模型驱动的音乐自动生成系统及方法技术方案

本发明专利技术公开了一种音乐期待量化模型驱动的音乐自动生成系统及方法，至少包括用户界面组件

【技术实现步骤摘要】
音乐期待量化模型驱动的音乐自动生成系统及方法


[0001]本专利技术属于人工智能和自动生成的
，主要涉及了一种音乐期待量化模型驱动的音乐自动生成系统及方法
。

技术介绍

[0002]音乐是一种具有丰富表现力和感染力的艺术形式，它可以激发人们的情感
、
想象和创造力
。
音乐的生成是一种复杂的创造性活动，它涉及到音乐的结构
、
风格
、
语法
、
逻辑和美学等多个方面
。
音乐的生成也是一种受到人们心理状态影响的活动，不同的心理状态会导致不同的音乐期待和偏好
。
音乐期待是指人们在听音乐时，对音乐未来发展的预测和期望
。
音乐期待是音乐欣赏和创作的重要心理机制，它可以影响人们对音乐的评价和反应
。
[0003]为了实现音乐的自动生成，需要借助于计算机技术和人工智能技术，构建音乐生成模型
。
音乐生成模型是一种能够根据一定的输入条件，输出音乐作品的计算机程序
。
...

【技术保护点】

【技术特征摘要】
1.
音乐期待量化模型驱动的音乐自动生成系统，其特征在于：至少包括用户界面组件
、
音乐复杂度评估组件
、
音乐量化映射组件
、
音乐生成组件和数据接口组件，所述用户界面组件：用于使用者的心理状态输入及生成的音乐输出；所述音乐复杂度评估组件：用于利用音乐复杂度评估理论，对音乐结构进行分割和评估，得到音乐复杂度指标，评估音乐生成模型；所述音乐量化映射组件：用于将音乐复杂度指标与音乐量化概念进行映射，得到音乐期待心理机制在各个心理反应环节的量化值；所述音乐量化概念至少包括音乐复杂度
、
音乐相似度
、
音乐风格和音乐情感；所述音乐期待心理机制至少包括惊喜度
、
不确定性
、
想象
、
紧张
、
预测
、
反应和期待；所述音乐生成组件：根据使用者的心理状态，筛选出符合其音乐期待心理机制的环节，输入音乐生成模型；所述数据接口组件：用于各个组件之间的通信和交互；所述系统通过音乐复杂度评估组件和音乐量化映射组件，将音乐复杂度指标与音乐量化概念进行映射，以实现根据使用者输入的心理状态，自动生成符合其音乐期待心理机制环节的音乐
。2.
如权利要求1所述的音乐期待量化模型驱动的音乐自动生成系统，其特征在于：所述音乐复杂度评估组件中对音乐结构进行分割和评估包括音乐结构分割
、
音乐复杂度计算
、
音乐复杂度评估和音乐生成模型评估，所述音乐结构分割是将音乐划分为不同层次的结构单元，根据结构单元之间的相似性和差异性，确定结构单元之间的关系；所述音乐复杂度计算是根据音乐结构分割的结果，计算每个结构单元的信息量；所述音乐复杂度评估是根据音乐复杂度计算的结果，评估音乐对听者产生的认知负荷和心理影响；所述音乐生成模型评估是根据音乐复杂度评估的结果，评估不同的音乐生成模型的性能，所述评估指标至少包括准确率
、
召回率或
F1
值
。3.
如权利要求2所述的音乐期待量化模型驱动的音乐自动生成系统，其特征在于：所述音乐生成模型评估指标的准确率
、
召回率和
F1
值具体计算方法为：值具体计算方法为：值具体计算方法为：其中，
TP
是真正例；
FP
是假正例；
FN
是假反例
。4.
如权利要求1所述的音乐期待量化模型驱动的音乐自动生成系统，其特征在于：所述音乐量化映射组件中，将音乐复杂度指标与音乐量化概念进行映射的具体方法为：计算每个音乐量化概念和每个音乐期待心理机制之间的相关系数，根据相关系数的大小，选择合适的音乐量化概念作为自变量，选择合适的心理反应环节作为因变量，建立线性回归模型，
并运用于给定的音乐作品，计算其在各个心理反应环节上的量化值
。5.
如权利要求1所述的音乐期待量化模型驱动的音乐自动生成系统，其特征在于：所述音乐生成模型是基于变分自编码器和循环神经网络的混合模型，包括编码器
、
解码器和损失函数；所述编码器是一个双向长短期记忆网络，将输入的音乐序列编码为一个隐向量，并输出隐向量的均值和方差；编码器＝
Bi
‑
LSTM(x)
...

【专利技术属性】
技术研发人员：王爱民，高茂森，盛洋洋，王唯逸，
申请(专利权)人：东南大学，
类型：发明
国别省市：