检索结果-南通市图书馆

科技创新导报 2021年第19期18卷 72-74页

作者：谢林玲井冈山大学江西吉安343009

MIDI技术具有灵活的演奏形式与超强的编辑能力,自20世纪80年代诞生以来,计算机音乐因为有了这个统一的接入标准以及在音乐制作上的便利性而得到了极大的发展。MIDI的主要特点在于其是一种数字文件,而非音频文件,是一种描述性的数据“音... 详细信息

MIDI技术具有灵活的演奏形式与超强的编辑能力,自20世纪80年代诞生以来,计算机音乐因为有了这个统一的接入标准以及在音乐制作上的便利性而得到了极大的发展。MIDI的主要特点在于其是一种数字文件,而非音频文件,是一种描述性的数据“音乐语言”,仅仅是记录了演奏乐曲的信息,因而占用的存储空间极小且便于编辑、修改。MIDI音乐主旋的提取除了在技术上的实践应用,更重要的是有利于音乐数据库的构建,对于多音轨MIDI音乐主旋律提取方法的探析有着一定的实践意义。

关键词：多音轨 MIDI技术主旋律提取数字文件

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于生成对抗网络的音乐生成研究

基于生成对抗网络的音乐生成研究

引用

作者：邱燕电子科技大学

学位级别：硕士

近年来,随着深度神经网络发展越来越成熟,特别是生成对抗网络(GAN)的提出之后,学术界在图像、视频和文本生成方面的研究都取得了许多的成果,因此,学者们开始将类似的尝试用于音乐生成的研究中。然而,生成音乐与生成图像和文本具有一些区... 详细信息

近年来,随着深度神经网络发展越来越成熟,特别是生成对抗网络(GAN)的提出之后,学术界在图像、视频和文本生成方面的研究都取得了许多的成果,因此,学者们开始将类似的尝试用于音乐生成的研究中。然而,生成音乐与生成图像和文本具有一些区别:1.音乐是一种与时间相关的艺术,即音乐随时间展开,因此,在实现音乐生成的网络模型中需要结合时间模型。2.一般而言,一个音乐作品都由多种乐器,或多个音轨组成,每个音轨具有独自的时间动态,随着时间的推移,音轨之间相互依赖、具有密切的联系。3.对于符号域的音乐生成,其目标输出是离散的音乐事件的序列,而不是连续值。总而言之,和图像、文本生成相比,音乐生成具有更大的挑战,从而导致学术界在音乐生成方面的研究相对较少。因此,本文在已有的理论技术及研究工作的基础上,对音乐生成进行研究,然后提出一种基于生成对抗网络的音乐生成方法,以丰富在计算机音乐生成领域的研究。本文以基于生成对抗网络的音乐生成方法为研究课题,主要研究了以下几方面的内容:1.首先研究音乐相关的乐理知识,对音乐在计算机中的表示形式进行研究,特别是MIDI和Piano Roll这两种格式。在对生成对抗网络及其最新的衍生模型CT-GAN进行学习后,提出了基于CT惩罚项的音乐生成模型——MCT-GAN。2.在对现有的基于生成对抗网路的音乐生成模型进行研究学习之后,提出一种用于保持音乐连贯性的时间结构模型,实现在音乐生成中,避免人工输入的同时保证音轨之间的相互依赖关系。同时本文研究并实现了基于多音轨的离散音乐事件的生成方法,包括多音轨相关性模型和离散化处理。3.学习研究了Lakh MIDI数据集,在此基础上对Lakh MIDI进行预处理得到LMD-pianoroll数据集,并将其用于MCT-GAN的音乐生成实验。本文最后还将MCT-GAN的生成结果与MuseGAN的生成结果进行比较分析,从而体现MCT-GAN的改进效果。

关键词：音乐生成多音轨 CT-GAN 生成对抗网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度强化学习的音乐生成研究及其应用

基于深度强化学习的音乐生成研究及其应用

引用

作者：刘永胜电子科技大学

学位级别：硕士

音乐是一门历史悠久的听觉艺术,它滋养着文化产业的各个角落,是其他文化产业的重要支撑。音乐创作是一个费时费力的过程,需要专业的乐理知识和相关的音乐技能。随着深度学习技术的发展,深度神经网络也被应用到了音乐生成中,以往单纯基... 详细信息

音乐是一门历史悠久的听觉艺术,它滋养着文化产业的各个角落,是其他文化产业的重要支撑。音乐创作是一个费时费力的过程,需要专业的乐理知识和相关的音乐技能。随着深度学习技术的发展,深度神经网络也被应用到了音乐生成中,以往单纯基于乐理规则生成的音乐显得过于刻板,缺乏多样性,基于深度学习的音乐生成模型,能够学习到样本中音符间的相互关系,其生成的音乐形式更加丰富。但目前基于深度学习的音乐生成模型大都没有考虑乐理规则,或者只是考虑了一些和弦进行等比较简单的乐理元素,容易生成不谐和的和声和旋律进行。此外,以往模型大都将音符和节奏作为关联因素同时进行处理,但实际生活中,一首歌曲可以改编为多种节奏,所以节奏和音符是没有强相关性的。同时,以往的模型大多只支持单音旋律的生成,支持复音旋律生成的模型较少。另外,以往的工作在生成多音轨音乐时候,较少考虑多条音轨之间的和谐性。强化学习是一种通过试错进行学习的方法,主要通过与环境交互获得的奖励来指导智能体的行为。基于深度强化学习的音乐生成算法既能通过深度神经网络从样本中学习到相关的音乐知识,又可以通过基于乐理规则的价值回报,使模型生成的音乐遵循一定的乐理规则。由此,本文基于深度强化学习,对音乐生成相关问题进行了研究,主要研究内容有以下几个方面:1.针对流行音乐中节奏和旋律的生成问题,本文分别建立了节奏生成网络和旋律生成网络用于节奏和旋律的生成。为了支持复音旋律的生成,本文引入了多标签分类技术使旋律生成模型能够在同一时刻生成多个音符。针对音乐数据集问题,本文设计了数据处理模块从收集的音乐数据中分离出音符与节奏数据,分别用于对节奏生成和旋律生成两个网络进行训练。2.针对多音轨音乐的生成问题,本文基于强化学习中的AC算法,通过建立多个智能体的方式实现多音轨的生成。为了使多音轨间相对和谐,本文通过构建一个全局的价值回报网络来建立多个智能体之间的联系,通过全局的价值回报来实现音轨间的和谐性约束。3.通过实验验证本文提出的单音轨音乐生成模型ACMGM和多音轨音乐生成模型MACMGM的有效性。

关键词：深度强化学习 Actor-Critic LSTM 音乐生成多音轨

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：