论文部分内容阅读
随着计算机科学和音乐科技的发展,算法在计算机作曲领域已有广泛的研究和应用。由此演变产生的“计算机生成艺术”属于算法艺术的范畴,创作者通过编写程序、制定相关限定规则等方法,使计算机进行音乐自动生成创作或辅助创作者完成音乐创作。继算法作曲成为计算机音乐创作领域的研究热点方向之后,近年来随着人工智能、深度学习等技术的崛起与应用热潮,使得相关理论与技术的相关研究和探索不断深化,科技与音乐的多维度交融进入了崭新的历史时期。人工智能作曲也将成为算法作曲领域未来主要的研究分支方向。本研究的研究目的是为了实现一种基于乐谱识别的深度学习算法作曲系统。本文的理论研究立足于算法作曲领域,技术实现研究基于计算机深度学习层面,以及相应的音乐数据表达方式。其研究意义是在较短时间内获得具有较强音乐数据特征的输出结果,有效平衡数据量、计算成本和时间成本。同时也可以通过调整深度神经网络的复杂度,去再次判定算法的优劣性,从而可以不断对系统进行可持续的升级优化。本文的研究内容包括了算法作曲的理论背景、常见算法的应用特性解析、OMR系统构建流程、深度学习训练策略、音乐数据表达、MIDI数据标准化、音乐数据预处理方式、深度学习神经网络构建以及音乐生成片段分析等,其研究方法包括了:文献研究法、实验研究法、跨学科研究法、对比研究法、探索性研究法等。综合阐述了其如何使用监督式机器学习方法,从而生成具有复音结构的音乐。本研究的研究结果是构建了三个系统模块,OMR乐谱识别系统、数据训练系统以及音乐生成系统,综合形构成了深度学习算法作曲系统。本文的研究结论是基于LSTM网络,Bi-LSTM网络并加以注意力机制的深度学习网络,可以更有效的提取音乐数据中的特征。本研究的结果可以基本满足作曲家的辅助创作需求,音乐研究人员对于大量音乐数据的分析需求,该成果也可以进一步移植到音乐深度学习研究、人机交互音乐创作以及应用型音乐创作等领域进行拓展。