【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及音樂生成，具體為一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法。
技術(shù)介紹
1、在這個(gè)日新月異的數(shù)字時(shí)代，人工智能正以不可阻擋之勢(shì)滲透到我們生活的方方面面，從科技前沿到藝術(shù)殿堂，無一不留下其深刻的印記，隨著音樂流媒體平臺(tái)的普及和音樂內(nèi)容的爆炸增長，用戶面臨著越來越多的音樂選擇，針對(duì)用戶個(gè)性化的音樂推薦成為了一個(gè)重要的問題。
2、隨著人工智能技術(shù)的不斷發(fā)展和應(yīng)用，其在各個(gè)領(lǐng)域中的應(yīng)用也日益廣泛，在音樂領(lǐng)域，人工智能技術(shù)的引入也有著巨大的潛力和優(yōu)勢(shì)，傳統(tǒng)音樂創(chuàng)作往往需要人類作曲家經(jīng)過長時(shí)間的學(xué)習(xí)和積累才能達(dá)到一定的創(chuàng)作水平，而基于人工智能的智能音樂創(chuàng)作與生成系統(tǒng)則大幅提高創(chuàng)作效率和質(zhì)量，且音樂旋律生成算法賦予機(jī)器生成旋律的能力，是人工智能在藝術(shù)領(lǐng)域上的應(yīng)用，可用于輔助音樂人的創(chuàng)作，為音樂人提供新的創(chuàng)作思路。
3、但是，傳統(tǒng)的音樂推薦存在以下缺點(diǎn)：
4、傳統(tǒng)的音樂推薦系統(tǒng)要基于協(xié)同過濾和內(nèi)容過濾方法，但在面對(duì)復(fù)雜的用戶興趣和多樣化的音樂類型時(shí)存在一定的局限性。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，以解決上述
技術(shù)介紹
中提出的傳統(tǒng)的音樂推薦系統(tǒng)主要基于協(xié)同過濾和內(nèi)容過濾方法，但在面對(duì)復(fù)雜的用戶興趣和多樣化的音樂類型時(shí)存在一定的局限性的問題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，包括以下步驟：
3、步驟
4、步驟二、第二次音樂生成：利用深度學(xué)習(xí)算法，從用戶的歷史行為和音樂的音頻特征中挖掘更深層次的關(guān)聯(lián)性，提高音樂推薦的準(zhǔn)確性和個(gè)性化程度，并進(jìn)行第二次音樂生成；
5、步驟三、音樂確定：結(jié)合第一次音樂生成內(nèi)容和第二次音樂生成內(nèi)容將相同內(nèi)容合并，確定最終音樂。
6、作為本專利技術(shù)的一種優(yōu)選技術(shù)方案，所述步驟一中機(jī)器學(xué)習(xí)具體為機(jī)器學(xué)習(xí)的基礎(chǔ)在于對(duì)數(shù)據(jù)的分析和歸納，所述數(shù)據(jù)為音樂生成技術(shù)的實(shí)現(xiàn)依賴于大量的音樂數(shù)據(jù)，這些數(shù)據(jù)來自于音樂專業(yè)人員或者是世界上知名的音樂家，他們的創(chuàng)作成果經(jīng)過，數(shù)字化處理之后就成為機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)。
7、作為本專利技術(shù)的一種優(yōu)選技術(shù)方案，所述步驟一中第一次音樂生成具體步驟為：s1、數(shù)據(jù)采集與處理：從互聯(lián)網(wǎng)和其他相關(guān)資源中收集大量的音樂作品，包括各種風(fēng)格和類型的音樂，隨后，需要對(duì)這些數(shù)據(jù)進(jìn)行處理和清洗，以確保數(shù)據(jù)的質(zhì)量和準(zhǔn)確性；s2、特征提取與分析：在數(shù)據(jù)處理完畢后，我們將利用機(jī)器學(xué)習(xí)算法對(duì)音樂數(shù)據(jù)進(jìn)行特征提取和分析，通過分析音樂的音調(diào)、節(jié)奏、和弦特征，從而揭示音樂創(chuàng)作中的規(guī)律和模式；s3、模型設(shè)計(jì)與訓(xùn)練：基于提取的音樂特征，將設(shè)計(jì)并訓(xùn)練一個(gè)智能音樂生成模型該模型學(xué)習(xí)并理解音樂的組成要素，并根據(jù)學(xué)習(xí)到的知識(shí)生成新的音樂作品；s4、生成系統(tǒng)界面：為了讓用戶方便地使用該智能音樂創(chuàng)作與生成系統(tǒng)，設(shè)計(jì)一個(gè)友好的用戶界面；s5、用戶體驗(yàn)：用戶通過系統(tǒng)界面選擇音樂類型、風(fēng)格以及其他創(chuàng)作參數(shù)，以獲得滿足個(gè)人需求的音樂作品。
8、作為本專利技術(shù)的一種優(yōu)選技術(shù)方案，步驟一中機(jī)器學(xué)習(xí)包括基于深度學(xué)習(xí)的音樂流派分類算法和音頻分析算法，所述音樂流派分類算法計(jì)算的流程具體為：s1、創(chuàng)建音頻數(shù)據(jù)集：通過爬蟲方法從音樂播放軟件和短視頻平臺(tái)獲取音頻數(shù)據(jù)，并進(jìn)行格式轉(zhuǎn)換和小波閾值去噪操作；s2、提取特征信息：設(shè)計(jì)方法提取頻譜特征，以最大化貼合人耳的聽覺系統(tǒng)；s3、設(shè)計(jì)分類算法：選擇適合的網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行優(yōu)化，如googlenet網(wǎng)絡(luò)模型中的inception模塊，并結(jié)合bn層和殘差連接對(duì)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，所述音頻分析算法計(jì)算的流程具體為：s1、傅里葉變換：將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，分析信號(hào)的頻率結(jié)構(gòu)；s2、信號(hào)采樣：將連續(xù)時(shí)間信號(hào)變?yōu)殡x散時(shí)間信號(hào)，再進(jìn)行幅值量化變?yōu)殡x散數(shù)字信號(hào)；s3、音頻分析方法：通過對(duì)輸入信號(hào)和輸出信號(hào)的分析，了解音頻設(shè)備的性能和特點(diǎn),，所述音頻分析算法具體為和弦量化表達(dá)式為：式中：x表示該和弦的數(shù)值，n表示當(dāng)前和弦中兩兩配對(duì)的音程組總數(shù)量，m表示不同音程的值，其取值依據(jù)相關(guān)作曲知識(shí)按照協(xié)和度的差異取不同的值，協(xié)和程度越高，值越低；ω代表該音程相對(duì)位置的權(quán)重，當(dāng)兩音的相對(duì)位置均更靠底部，那么該權(quán)重會(huì)更大，值得注意的是，和弦根音是主音時(shí)，這個(gè)和弦叫主和弦，主和弦在調(diào)性音樂中具有穩(wěn)定調(diào)性的作用，因此式中主和弦的數(shù)值通過除以一個(gè)常數(shù)值ɑ進(jìn)行降低，或者，和弦連接量化表示為：式中：μ表示兩個(gè)根音在五度圈上的相對(duì)距離，如根音c到根音g的μ值為1，根音c到根音b的μ值為5，將和聲數(shù)據(jù)集里的和聲作為專家數(shù)據(jù)，使用irl預(yù)訓(xùn)練和聲生成模型，通過構(gòu)造獎(jiǎng)勵(lì)函數(shù)r來優(yōu)化策略，計(jì)算公式具體為：在訓(xùn)練過程中，使用q目標(biāo)網(wǎng)絡(luò)進(jìn)行更新得到回報(bào)的期望作為學(xué)習(xí)目標(biāo)，損失函數(shù)表達(dá)式為：
9、
10、作為本專利技術(shù)的一種優(yōu)選技術(shù)方案，所述步驟一中音樂生成模型基于神經(jīng)網(wǎng)絡(luò)的生成模型，具體為生成器負(fù)責(zé)生成新的音樂作品，而判別器則用于評(píng)價(jià)生成的音樂作品的質(zhì)量，生成器和判別器通過對(duì)抗學(xué)習(xí)的方式相互競爭和學(xué)習(xí)，最終生成高質(zhì)量的音樂作品，常見的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括循環(huán)神經(jīng)網(wǎng)絡(luò)和變分自編碼器，它們分別用于捕捉音樂序列中的時(shí)間依賴關(guān)系和學(xué)習(xí)音樂數(shù)據(jù)的潛在分布。
11、作為本專利技術(shù)的一種優(yōu)選技術(shù)方案，所述步驟二中第二次音樂生成具體流程為：s1、推薦算法：基于用戶的協(xié)同過濾推薦算法的基本原理是通過挖掘用戶與用戶之間的關(guān)聯(lián)規(guī)則來進(jìn)行推薦；s2、深度學(xué)習(xí)：通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)；s3、檢測(cè)校正：通過大量數(shù)據(jù)往復(fù)實(shí)驗(yàn)對(duì)音樂生成和推薦結(jié)果進(jìn)行檢測(cè)和校正。
12、作為本專利技術(shù)的一種優(yōu)選技術(shù)方案，所述卷積伸縮網(wǎng)絡(luò)主要由輸入層、卷積層、池化層、全連接層和輸出層組成，其中，卷積層通過卷積操作降低數(shù)據(jù)的維度，池化層在保留主要特征的同時(shí)進(jìn)一步壓縮數(shù)據(jù)量和參數(shù)量，在圖像處理中，將圖像轉(zhuǎn)換為一維數(shù)據(jù)輸入網(wǎng)絡(luò)，并經(jīng)過一系列的卷積和池化操作最終通過全連接層或softmax分類器進(jìn)行輸出，全卷積網(wǎng)絡(luò)作為卷積神經(jīng)網(wǎng)絡(luò)塊，它將輸入的梅爾頻譜圖作為特征輸入到全卷積網(wǎng)絡(luò)中，通過卷積和池化操作不斷提取相關(guān)特征，最后，利用輸出層的softmax分類器輸出結(jié)果，并通過迭代訓(xùn)練優(yōu)化網(wǎng)絡(luò)參數(shù)，將訓(xùn)練好的型保存至本地，處理音樂頻譜數(shù)據(jù)時(shí)，卷積神經(jīng)網(wǎng)絡(luò)往往會(huì)忽略數(shù)據(jù)中的時(shí)間序列相關(guān)性，然而，音樂頻譜包含了大量的上下文內(nèi)容，為了更好地捕捉這些相關(guān)性，使用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，循環(huán)神經(jīng)網(wǎng)絡(luò)具有記憶性和參數(shù)共享的特點(diǎn)，記憶性指的是它處理短期記憶，而參數(shù)共享指的是在每個(gè)時(shí)間步上，所對(duì)應(yīng)的參數(shù)是共享的，對(duì)于音樂頻譜的特征提取，不能忽略上下文的相關(guān)性，因此在特征提取模型中引入循環(huán)神經(jīng)網(wǎng)絡(luò)是必要的，通過循環(huán)神經(jīng)網(wǎng)絡(luò)，獲取梅爾頻譜的深層次特征，更好地捕捉音樂數(shù)據(jù)中的時(shí)本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：所述步驟一中機(jī)器學(xué)習(xí)具體為機(jī)器學(xué)習(xí)的基礎(chǔ)在于對(duì)數(shù)據(jù)的分析和歸納，所述數(shù)據(jù)為音樂生成技術(shù)的實(shí)現(xiàn)依賴于大量的音樂數(shù)據(jù)，這些數(shù)據(jù)來自于音樂專業(yè)人員或者是世界上知名的音樂家，他們的創(chuàng)作成果經(jīng)過，數(shù)字化處理之后就成為機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：所述步驟一中第一次音樂生成具體步驟為：S1、數(shù)據(jù)采集與處理：從互聯(lián)網(wǎng)和其他相關(guān)資源中收集大量的音樂作品，包括各種風(fēng)格和類型的音樂，隨后，需要對(duì)這些數(shù)據(jù)進(jìn)行處理和清洗，以確保數(shù)據(jù)的質(zhì)量和準(zhǔn)確性；S2、特征提取與分析：在數(shù)據(jù)處理完畢后，我們將利用機(jī)器學(xué)習(xí)算法對(duì)音樂數(shù)據(jù)進(jìn)行特征提取和分析，通過分析音樂的音調(diào)、節(jié)奏、和弦特征，從而揭示音樂創(chuàng)作中的規(guī)律和模式；S3、模型設(shè)計(jì)與訓(xùn)練：基于提取的音樂特征，將設(shè)計(jì)并訓(xùn)練一個(gè)智能音樂生成模型該模型學(xué)習(xí)并理解音樂的組成要素，并根據(jù)學(xué)習(xí)到的知識(shí)生成新的音樂
4.根據(jù)權(quán)利要求1所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：步驟一中機(jī)器學(xué)習(xí)包括基于深度學(xué)習(xí)的音樂流派分類算法和音頻分析算法，所述音樂流派分類算法計(jì)算的流程具體為：S1、創(chuàng)建音頻數(shù)據(jù)集：通過爬蟲方法從音樂播放軟件和短視頻平臺(tái)獲取音頻數(shù)據(jù)，并進(jìn)行格式轉(zhuǎn)換和小波閾值去噪操作；S2、提取特征信息：設(shè)計(jì)方法提取頻譜特征，以最大化貼合人耳的聽覺系統(tǒng)；S3、設(shè)計(jì)分類算法：選擇適合的網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行優(yōu)化，如GoogLeNet網(wǎng)絡(luò)模型中的Inception模塊，并結(jié)合BN層和殘差連接對(duì)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，所述音頻分析算法計(jì)算的流程具體為：S1、傅里葉變換：將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，分析信號(hào)的頻率結(jié)構(gòu)；S2、信號(hào)采樣：將連續(xù)時(shí)間信號(hào)變?yōu)殡x散時(shí)間信號(hào)，再進(jìn)行幅值量化變?yōu)殡x散數(shù)字信號(hào)；S3、音頻分析方法：通過對(duì)輸入信號(hào)和輸出信號(hào)的分析，了解音頻設(shè)備的性能和特點(diǎn)，
5.根據(jù)權(quán)利要求1所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：所述步驟一中音樂生成模型基于神經(jīng)網(wǎng)絡(luò)的生成模型，具體為生成器負(fù)責(zé)生成新的音樂作品，而判別器則用于評(píng)價(jià)生成的音樂作品的質(zhì)量，生成器和判別器通過對(duì)抗學(xué)習(xí)的方式相互競爭和學(xué)習(xí)，最終生成高質(zhì)量的音樂作品，常見的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括循環(huán)神經(jīng)網(wǎng)絡(luò)和變分自編碼器，它們分別用于捕捉音樂序列中的時(shí)間依賴關(guān)系和學(xué)習(xí)音樂數(shù)據(jù)的潛在分布。
6.根據(jù)權(quán)利要求1所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：所述步驟二中第二次音樂生成具體流程為：S1、推薦算法：基于用戶的協(xié)同過濾推薦算法的基本原理是通過挖掘用戶與用戶之間的關(guān)聯(lián)規(guī)則來進(jìn)行推薦；S2、深度學(xué)習(xí)：通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)；S3、檢測(cè)校正：通過大量數(shù)據(jù)往復(fù)實(shí)驗(yàn)對(duì)音樂生成和推薦結(jié)果進(jìn)行檢測(cè)和校正。
7.根據(jù)權(quán)利要求6所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：所述卷積伸縮網(wǎng)絡(luò)主要由輸入層、卷積層、池化層、全連接層和輸出層組成，其中，卷積層通過卷積操作降低數(shù)據(jù)的維度，池化層在保留主要特征的同時(shí)進(jìn)一步壓縮數(shù)據(jù)量和參數(shù)量，在圖像處理中，將圖像轉(zhuǎn)換為一維數(shù)據(jù)輸入網(wǎng)絡(luò)，并經(jīng)過一系列的卷積和池化操作最終通過全連接層或softmax分類器進(jìn)行輸出，全卷積網(wǎng)絡(luò)作為卷積神經(jīng)網(wǎng)絡(luò)塊，它將輸入的梅爾頻譜圖作為特征輸入到全卷積網(wǎng)絡(luò)中，通過卷積和池化操作不斷提取相關(guān)特征，最后，利用輸出層的softmax分類器輸出結(jié)果，并通過迭代訓(xùn)練優(yōu)化網(wǎng)絡(luò)參數(shù)，將訓(xùn)練好的型保存至本地，處理音樂頻譜數(shù)據(jù)時(shí)，卷積神經(jīng)網(wǎng)絡(luò)往往會(huì)忽略數(shù)據(jù)中的時(shí)間序列相關(guān)性，然而，音樂頻譜包含了大量的上下文內(nèi)容，為了更好地捕捉這些相關(guān)性，使用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，循環(huán)神經(jīng)網(wǎng)絡(luò)具有記憶性和參數(shù)共享的特點(diǎn)，記憶性指的是它處理短期記憶，而參數(shù)共享指的是在每個(gè)時(shí)間步上，所對(duì)應(yīng)的參數(shù)是共享的，對(duì)于音樂頻譜的特征提取，不能忽略上下文的相關(guān)性，因此在特征提取模型中引入循環(huán)神經(jīng)網(wǎng)絡(luò)是必要的，通過循環(huán)神經(jīng)網(wǎng)絡(luò)，獲取梅爾頻譜的深層次特征，更好地捕捉音樂數(shù)據(jù)中的時(shí)間序列相關(guān)性，這樣的模型有效地提取音樂的特征，為后續(xù)的任務(wù)，如音樂分類、音樂生成提供更準(zhǔn)確和有意義的輸入。
8.根據(jù)權(quán)利要求6所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：所述檢測(cè)校正...
【技術(shù)特征摘要】
1.一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：所述步驟一中機(jī)器學(xué)習(xí)具體為機(jī)器學(xué)習(xí)的基礎(chǔ)在于對(duì)數(shù)據(jù)的分析和歸納，所述數(shù)據(jù)為音樂生成技術(shù)的實(shí)現(xiàn)依賴于大量的音樂數(shù)據(jù)，這些數(shù)據(jù)來自于音樂專業(yè)人員或者是世界上知名的音樂家，他們的創(chuàng)作成果經(jīng)過，數(shù)字化處理之后就成為機(jī)器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：所述步驟一中第一次音樂生成具體步驟為：s1、數(shù)據(jù)采集與處理：從互聯(lián)網(wǎng)和其他相關(guān)資源中收集大量的音樂作品，包括各種風(fēng)格和類型的音樂，隨后，需要對(duì)這些數(shù)據(jù)進(jìn)行處理和清洗，以確保數(shù)據(jù)的質(zhì)量和準(zhǔn)確性；s2、特征提取與分析：在數(shù)據(jù)處理完畢后，我們將利用機(jī)器學(xué)習(xí)算法對(duì)音樂數(shù)據(jù)進(jìn)行特征提取和分析，通過分析音樂的音調(diào)、節(jié)奏、和弦特征，從而揭示音樂創(chuàng)作中的規(guī)律和模式；s3、模型設(shè)計(jì)與訓(xùn)練：基于提取的音樂特征，將設(shè)計(jì)并訓(xùn)練一個(gè)智能音樂生成模型該模型學(xué)習(xí)并理解音樂的組成要素，并根據(jù)學(xué)習(xí)到的知識(shí)生成新的音樂作品；s4、生成系統(tǒng)界面：為了讓用戶方便地使用該智能音樂創(chuàng)作與生成系統(tǒng)，設(shè)計(jì)一個(gè)友好的用戶界面；s5、用戶體驗(yàn)：用戶通過系統(tǒng)界面選擇音樂類型、風(fēng)格以及其他創(chuàng)作參數(shù)，以獲得滿足個(gè)人需求的音樂作品。
4.根據(jù)權(quán)利要求1所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：步驟一中機(jī)器學(xué)習(xí)包括基于深度學(xué)習(xí)的音樂流派分類算法和音頻分析算法，所述音樂流派分類算法計(jì)算的流程具體為：s1、創(chuàng)建音頻數(shù)據(jù)集：通過爬蟲方法從音樂播放軟件和短視頻平臺(tái)獲取音頻數(shù)據(jù)，并進(jìn)行格式轉(zhuǎn)換和小波閾值去噪操作；s2、提取特征信息：設(shè)計(jì)方法提取頻譜特征，以最大化貼合人耳的聽覺系統(tǒng)；s3、設(shè)計(jì)分類算法：選擇適合的網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行優(yōu)化，如googlenet網(wǎng)絡(luò)模型中的inception模塊，并結(jié)合bn層和殘差連接對(duì)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，所述音頻分析算法計(jì)算的流程具體為：s1、傅里葉變換：將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)，分析信號(hào)的頻率結(jié)構(gòu)；s2、信號(hào)采樣：將連續(xù)時(shí)間信號(hào)變?yōu)殡x散時(shí)間信號(hào)，再進(jìn)行幅值量化變?yōu)殡x散數(shù)字信號(hào)；s3、音頻分析方法：通過對(duì)輸入信號(hào)和輸出信號(hào)的分析，了解音頻設(shè)備的性能和特點(diǎn)，
5.根據(jù)權(quán)利要求1所述的一種基于人工智能及深度學(xué)習(xí)改進(jìn)算法的音樂生成方法，其特征在于：所述步驟一中音樂生成模型基于神經(jīng)網(wǎng)絡(luò)的生成模型，具體為生成器負(fù)責(zé)生成新的音樂作品，而判別器則用于評(píng)價(jià)生成的音樂作品的質(zhì)量，生成器和判別器通過對(duì)抗學(xué)習(xí)的方式相互競爭和學(xué)習(xí)，最終生成高質(zhì)量的音樂作品，常見的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括循環(huán)神經(jīng)網(wǎng)絡(luò)和變分自編碼器，它們分別用于捕捉音樂序列中的時(shí)間依賴關(guān)系和學(xué)習(xí)音樂數(shù)據(jù)的潛在分布。
6.根據(jù)權(quán)利要求1所述的一種基于人...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：龍嘉榆，王慶，
申請(qǐng)(專利權(quán))人：胡靜媛，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。