基于提升决策树的钢琴乐谱难度识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110852178A(43)申请公布日2020.02.28(21)申请号201910987180.X(22)申请日2019.10.17(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人闫晗晗李锵关欣(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人刘国威(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书5页附图1页(54)发明名称基于提升决策树的钢琴乐谱难度识别方法(57)摘要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。本发明主要应用于钢琴乐谱难度自动识别场合。CN110852178ACN110852178A权利要求书1/2页1.一种基于提升决策树的钢琴乐谱难度识别方法，其特征是，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。2.如权利要求1所述的基于提升决策树的钢琴乐谱难度识别方法，其特征是，具体步骤如下：1)收集具有难度标签的实验数据源，针对难度等级要求有目的地采集难度相关特征，构成表征难度的特征向量，最后形成难度相关特征空间；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)构建xgboost模型：将提取的难度相关特征作为输入，利用数据集中已知的数字乐谱MIDI文件的难度标签，训练xgboost模型并进行保存；4)测试调优：利用已保存的模型，在测试集上进行测试。通过结果对比分析，对xgboost参数进行调节，优化之前的模型。3.如权利要求1所述的基于提升决策树的钢琴乐谱难度识别方法，其特征是，对特征空间进行归一化处理，用Min-Max归一化方法，公式如下：将特征向量的值归一化到[0,1]区间，其中min和max分别表示特征xi的最小和最大值，表示特征xi经过归一化处理后的特征。4.如权利要求1所述的基于提升决策树的钢琴乐谱难度识别方法，其特征是，XGBoost模型表示为：式中yr为模型中的第r个样本预测值，fk为第k个决策树基函数，K为决策树基函数的总数量，xr为第r个输入样本，F为假设空间；对于每一棵决策树，目标函数L(t)表示为：式中l(·)为损失函数，Yr为真值，M为样本总数量，为第t-1轮迭代的预测值，ft第t轮迭代的预测值，Ω(·)为正则项，T为决策树叶节点的个数，ω为叶节点的输出值，γ和λ为对应的系数。5.如权利要求1所述的基于提升决策树的钢琴乐谱难度识别方法，其特征是，控制模型复杂度的L2正则项参数lambda＝4，控制是否后剪枝的参数gamma＝0.1，构建决策树的深度参数maxdepth＝6，控制随机采样训练样本的百分比subsample＝0.7，生成决策树时的列2CN110852178A权利要求书2/2页采样参数colsamplebytree＝0.7,同时xgboost支持多线程运行，根据计算机配置选择最大线程数；同时，通过测试误差，进一步调节XGBoost的模型参数，进行模型优化。3CN110852178A说明书1/5页基于提升决策树的钢琴乐谱难度识别方法技术领域[0001]本发明属于机器学习领域，尤其涉及一种XGBoost(基于提升决策树的学习算法)的钢琴乐谱难度识别方法。背景技术[0002]钢琴乐谱难度等级识别即用一种算法能够自动识别某一钢琴乐谱的难度等级，给予使用者参考意见。每天有大量的钢琴乐谱被创作出来，并且在音乐历史中已经有大量的钢琴乐谱存在。然而，如何从庞大的钢琴乐谱数据中找到与学习者学习等级匹配的乐谱是一个很大的挑战。对于专业钢琴学习者，一般都有固定进阶教材，但不利于个性化学习以激发学习者的热情和兴趣，有必要对网上海量的乐谱进行难度等级的衡量。对于音乐业余爱好者，选择合适自己的难度等级乐谱，以防学习信心受挫，学习热情降低，有利于自身音乐学习水平更快的提升。判断钢琴乐