基于递归神经网络的乐谱建模和生成

摘要

使用算法（或者至少是某些格式化的规则）进行音乐创作已经具有几个世纪的历史了。但是，就自动对乐谱进行建模和生成而言，如今仍有许多诸如乐谱格式是否正确、节奏是否与标注一致、旋律是否恰当等问题需要克服。近年来，随着递归神经网络的飞速发展，其在时间序列建模和生成领域的优势得到了广泛的关注和应用。作为算法作曲众多方法中在近年来发展最为迅猛的系统学习法中的一种，将深度神经网络中的递归神经网络应用到乐谱的建模和生成之中，进而进行创作的方式在算法音乐创作的研究领域上具有不可忽视的贡献。
　　因此，本论文提出了一种用于ABC格式电子乐谱建模与生成的递归神经网络（ABC-RNN）模型。该模型在使用长短时记忆单元的基础上，将关注度模型、丢弃层和嵌入层应用其中。通过加入关注度模型使得ABC-RNN对于不同类型的上下文元素有更好的识别应用效果，加入丢弃层显著地解决了模型的过拟合问题并能带来更小的学习误差，加入的嵌入层可以将输入数据获得更好的向量表现并降低网络的学习成本。最终在ABC格式电子乐谱建模与生成领域，本论文提出的ABC-RNN模型获得了较当前领先的方法更加优秀的效果。在对数据进行10轮学习训练建模的情况下，ABC-RNN的损失值可下降至0.825，比当前领先方法下降了9.041％，并在生成乐谱方面正确率达到了86%，比当前领先方法提升了59.259%。
　　除此之外，本论文提出的ABC-RNN模型还能够有效地降低错误生成的量级，降低错误出现对于乐谱整体的影响，并可以学习到乐谱的结构特性，保持生成节奏的一致、旋律的前后和谐，实现了优良的乐谱建模和生成效果。

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 乐谱建模和生成现状

1.3 论文主要工作及贡献

1.4 论文章节安排

第2章 乐谱基础知识

2.1音乐记谱法

2.2乐谱的电子表达形式

2.3 ABC格式电子乐谱在建模和生成中的优势

第3章 递归神经网络

3.1 深度学习

3.2 递归神经网络

3.3 长短时记忆网络

3.4 字符级语言建模

第4章 ABC-RNN模型

4.1 关注度模型

4.2 丢弃层

4.3 嵌入层

4.4 ABC-RNN模型架构

第5章 实验及分析

5.1 实验数据说明

5.2 实验环境与条件

5.3 实验结果与分析

第6章 总结与展望

6.1 研究总结

6.2 后续工作展望

参考文献

参加科研情况说明

致谢