基于注意力机制卷积神经网络钢琴乐谱难度识别方法.pdf
英瑞****写意
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于注意力机制卷积神经网络钢琴乐谱难度识别方法.pdf
本发明属于音乐信息检索领域,为从众多信息中选择出对当前任务目标更关键的信息,充分使用源数据集中包含的所有信息,以提高分类准确率,为钢琴教学和学生学习,提供可靠的钢琴难度信息,同时也大大提高乐谱网站的用户体验。为此,本发明,基于注意力机制卷积神经网络钢琴乐谱难度识别方法,搭建并训练基于注意机制的改进卷积神经网络模型,在训练过程中,将n个不同难度等级的MIDI乐谱文件当做神经网络的n个通道输入到网络模型中进行训练,以便融合不同难度等级数据集的多个特征,进行准确率更高的难度分类,利用训练好的网络模型进行钢琴乐谱
基于卷积神经网络的光学乐谱识别方法.pdf
本发明公开了一种基于卷积神经网络的光学乐谱识别方法,包括:对乐谱图像进行谱线检测;根据谱线的位置进行谱线删除;音符分割,得到一系列音符图像;将音符图像输入到已经训练好的神经网络中完成识别。本发明采用基于图论的谱线检测算法进行谱线检测,不受乐谱图像的质量、谱线扭曲形变等影响,可以准确检测出谱线的位置;采用基于线轨迹高度+局部游程直方图算法进行谱线删除,可以有效避免过删除现象;采用基于层次分级+模板匹配的分割算法,可以有效进行音符分割且保证音符的完整性;利用卷积神经网络对分割之后音符进行识别,结果具有较好的识
基于提升决策树的钢琴乐谱难度识别方法.pdf
本发明属于机器学习领域,为使得钢琴乐谱难度等级识别可获得更高的准确性和稳定性,为钢琴教学和学生学习提供可靠地钢琴难度信息,提高乐谱网站的用户体验。为此,本发明采取的技术方案是,基于提升决策树的钢琴乐谱难度识别方法,建立基于网格搜索的多分类提升决策树的学习算法xgboost模型,利用测试集对建立的所述模型进行准确率检测、优化,利用完成优化的所述模型对钢琴乐谱难度进行分类;其中,以决策树为基函数,XGBoost模型由多个决策树组成,后面的决策树将拟合前面的残差,最终得到的预测值是所有决策树测试结果的和。本发明
基于测度学习半监督的钢琴乐谱难度识别方法.pdf
本发明属于机器学习、乐谱自动识别技术,为实现具有适应乐谱数据变化的能力,并具有高的识别稳定性和识别准确率,为钢琴教学和学习过程,提供可靠的钢琴难度等级信息。为此,本发明,基于测度学习半监督的钢琴乐谱难度识别方法,包括下列步骤:1)收集具有难度标签的实验数据源即两种不同评价体系下的数据集;2)对提取到的特征数据进行归一化预处理、数据清洗,解决数据不平衡问题,并评估难度相关特征的有效性;3)对其中一个数据集进行基于测度学习理论的有监督算法分类,获到分类正确率;4)现已收集两个评价体系的数据集;5)利用其中一个
基于注意力机制和卷积神经网络的语音抑郁症识别方法.pdf
本发明涉及一种基于注意力机制和卷积神经网络的语音抑郁症识别方法。本发明首先对语音数据进行预处理,对较长的语音数据进行分割,依据的是分割后的片段能够充分包含抑郁症相关的特征。然后对分割后每个片段提取梅尔频谱图,调整其输入到神经网络模型的频谱图尺寸大小,以便模型的训练。之后用预训练好的Alexnet深度卷积神经网络进行权值的微调,提取梅尔频谱图中更高级的语音特征。然后用注意力机制算法,对片段级语音特征进行权重调整,得到句级的语音特征。最后对句级语音特征用SVM分类模型进行抑郁症的分类。本发明方法考虑了和抑郁症