一种基于大间隔投影空间学习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CN106529585A(43)申请公布日2017.03.22(21)申请号201610934809.0(22)申请日2016.10.25(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人李锵郭龙伟关欣(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人李素兰(51)Int.Cl.G06K9/62(2006.01)权利要求书1页说明书5页附图2页(54)发明名称一种基于大间隔投影空间学习的钢琴乐谱难度识别方法(57)摘要本发明公开了一种基于大间隔投影空间学习的钢琴乐谱难度识别方法，步骤(1)、采集不同难度标签的钢琴乐谱数据，提取难度特征向量，构成特征空间集合；步骤(2)、对特征空间集合进行归一化预处理；步骤(3)、实现投影特征空间学习，利用特征空间集合数据求解M最小值，步骤(4)、识别特定乐谱的难度等级。与现有技术相比，本发明具有适应乐谱数据变化的能力，从而使得该方法具有高的识别稳定性和识别正确率，为钢琴教学和学习过程，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。CN106529585ACN106529585A权利要求书1/1页1.一种基于大间隔投影空间学习的钢琴乐谱难度识别方法，其特征在于，该方法包括以下步骤：步骤(1)、采集不同难度标签的钢琴乐谱数据，提取难度特征向量，构成特征空间集合；步骤(2)、对特征空间集合进行归一化预处理；特征向量公式如下：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；步骤(3)、实现投影特征空间学习，利用特征空间集合数据求解M最小值，使得：取得最小值的M，其中：TDM＝(xi-xj)M(xi-xj)其中，M为原始特征向量投影到一个新的特征空间的投影矩阵；xi{i＝1,…,n}表示特征向量，n表示样本数目；T表示转置，S表示由相同难度等级的两个乐谱组成的数据对集，R表示在S的基础上，每个对集加入一个不同难度等级的乐谱组成三集合；λ是一个常数，由交叉验证得到；最终结果使得同类别标签的乐谱距离尽量小，而不同类别标签乐谱之间的间隔尽可能大，即所述大间隔，以此最大化类别间区分度；步骤(4)、对于一首待识别的乐谱，用与步骤(1)中相同的方法提取乐谱特征向量，经过数据预处理后，用作为KNN的距离度量函数，计算其与模式集中每一首乐谱的距离，值越小越相似，按值从小到大排序，排在前三的乐谱中多数乐谱所属的难度等级即为待识别乐谱的难度等级。2CN106529585A说明书1/5页一种基于大间隔投影空间学习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，特别是涉及一种基于大间隔（largemargin）投影空间学习的钢琴乐谱难度识别方法。背景技术[0002]钢琴乐谱难度识别是自动识别出特定钢琴乐谱的难度等级的一种技术。随着互联网的飞速发展，现如今数以万计的钢琴乐谱可以从网络中购买甚至很多网站提供免费下载服务。但对于业余音乐爱好者，由于缺少专业知识和指导，不知如何从网络中海量的钢琴乐谱中选择适合自己难度等级的乐谱学习而止步不前，更有甚者，由于一开始选择较难的乐谱练习而使得信心倍受打击，学习热情大减。对于专业音乐学习者，学习过程中有一套固定的进阶教材，但长时间练习同样的乐曲，过程过于单调和枯燥，也不利于针对个人制定个性化的学习方案以增加学习者的学习热情，提高学习效率。然而，对于海量的钢琴乐谱，如果都要人为一个个给出其难度等级，是不现实的。所以，如果设计一种方法能够自动给出其难度等级标签，那么无论对于音乐学习与教学都有很大意义，更有助于音乐的传播与发展。[0003]钢琴难度等级自动识别技术是一个较新但很有发展潜力的技术领域。Shih-ChuanChiu等人最早提出自动识别钢琴难度等级的方法。该方法将此问题看作分类问题，定义一些和钢琴难度紧密相关的特征，考虑用线性回归方法去实现钢琴难度的自动识别，最终结果不令人满意，原因在于：没有考虑特征数据本身的特点，而直接将特征和难度等级模型简化为线性关系，用线性回归方法去拟合，趋向于解释模型，更适合分析输入与输出的关系，分类能力有限；并且，仅用8个难度特征，特征空间较小。[0004]VéroniqueSébastien等人根据音乐教学的过程，提出一种基于乐谱分析的钢琴乐谱难度识别方法：首先也定义一些难度相关特征，然后利用PCA降维，将特征投影到二维空间，经过分层聚类（hierarchicalclustering）和k均值聚类得到难度类别标签。此方法不足在于：无论PCA还是聚类方法都是非监督方法，对于此多分类问题能力有限，如原始数据有四个难度等级，但经过PCA，聚类后仅