基于特征旋律挖掘的二阶马尔可夫链在算法作曲中的研究与应用

算法作曲是如今国内外许多研究者和作曲家都十分关注和颇感兴趣的一个新兴交叉学科研究领域。本文首先针对算法作曲领域内已有的各类研究做了资源整合、归纳,接着在此基础上,结合平时的探究与思考尝试设计和提出一种新的用于音乐片段分析与特征旋律挖掘的ISM(Interval Sequence Mining)算法,即音程序列挖掘算法。该算法是从用于关联规则挖掘的Apriori算法思想中获得启发,结合相关乐理知识和作曲家作曲的心理过程来进行设计的,它以挖掘到的音乐片段中出现次数最多并相对较长的音程子序列作为该音乐片段的特征旋律。本文进一步将该算法和二阶马尔可夫链模型相结合,用实验验证了其在生成具有给定训练乐曲音乐风格的新音符序列时的有效性,并以二者结合的方法探索性地创作了一曲名为《巴赫创意变奏曲》的新音乐小品,在算法作曲领域中做了一次新的尝试。     

基于贝叶斯网研究自动作曲中音高的表示和推理

自动作曲或称算法作曲是利用计算机进行自动或半自动的音乐创作过程。算法作曲的关键之一是生成音高。然而,不确定性是音乐本身固有的特征。贝叶斯网是不确定性知识的表示和推理的典型工具,已经成功应用到很多领域。在MIDI格式的基础上,利用贝叶斯网在算法作曲中生成音高,首先建立一个关于音高的贝叶斯网模型并基于此模型建立知识库。其次,基于贝叶斯网对音高进行推理,生成给定节拍处的每一个音的音高。实验表明,所提出的音高推理方法是可行的。     

隐式特征和循环神经网络的多声部音乐生成系统

音乐生成是一种使用算法来生成音乐序列的研究。本文针对音乐样本特征提取以及自动作曲问题提出了一种基于音乐隐式特征和循环神经网络（recurrent neural network, RNN）的多声部音乐生成算法。该方法通过使用栈式自编码器对多声部音乐序列每个时间步的音符隐式特征进行提取,结合长短期记忆循环神经网络（long short-term memory, LSTM）,以序列预测的方式搭建了基于隐式特征的音乐生成模型。仿真结果表明,该音乐生成算法在使用相同风格的音乐数据训练后,得到的模型可以生成旋律与和弦匹配较好的多声部音乐数据。     

用于动态序列合成的基于核密度估计的隐马尔科夫模型

提出了一种用于动态序列合成的统计模型－基于核密度估计的隐马尔可夫模型，给定一个输入动态序列，该模型可以自动产生被控的输出动态序列，文中提出的模型是一种以非参数化概率密度估计作为观测模型的隐马尔可夫模型，该模型对输入和受控输出序列的联合概率分布进行建模，并利用基于核函数的概率密度估计来学习联合概率分布的细节信息，文中详细地讨论了该模型的学习和合成算法，并利用该模型实现了一个虚拟指挥系统，即给定一段音乐，系统可以自动生成相关的乐队指挥动作，该文利用该系统对不同风格和节拍的音乐做了实验，实验结果验证了算法的有效性。     

一种基于液体状态机的音乐和弦序列识别方法

文中提出一种基于液体状态机的音乐和弦序列识别方法。该方法首先将音乐信号进行切分采样并对每帧提取音级轮廓(PCP),经训练后得到一个液体状态机模型。方法提出两类奇异矩阵、和弦出现概率向量、和弦变换矩阵,它们可用在和弦序列后处理阶段。在神经网络模型、隐马尔科夫模型、回声状态网络模型、液体状态机模型上进行的初步实验得到8组实验数据。数据表明液体状态机模型对音乐和弦序列具有较好的识别效果,文中提出的后处理算法也能显著提高识别准确率。     

一种优化的蛋白质序列模式挖掘方法

蛋白质序列作为生物序列数据一个重要组成部分,对其的分析研究已经成为生物信息学中的一个重要的研究方向和内容.通过对序列进行模式挖掘,可以对蛋白质序列或某一蛋白质家族序列进行研究,因此蛋白质序列的模式挖掘已经成为蛋白质序列研究中的一项重要任务.MBioPM是一种最新的生物序列模式挖掘算法,该算法通过引入模式划分概念,提高算法的效率,但该算法在效率方面仍存在不足,而且挖掘结果存在冗余性的问题.因此,提出一种优化算法BioPMMH,通过带有模式划分特点的Hash链表结构来优化算法中的搜索空间及策略,并在算法过程中对重复模式进行过滤.实验表明,算法BioPMMH能有效提高模式挖掘的效率,并解决结果的冗余性问题.     

智能音乐辅助系统：乐谱获取与学习的创新方案

设计和实现基于语音识别与编辑的自动作曲系统,旨在解决视觉障碍者和音乐初学者在乐谱访问和音乐理解方面的困难。研究内容包括音符识别、音符编辑和多种文件生成。通过音符识别算法和语音技术的集成,用户的音频输入可以转换为乐谱中的音符和时值。音符编辑功能允许用户灵活地修改音符的音高。系统能够生成多种文件格式,例如,图片、音频、可编辑版乐谱和盲文文件,以满足用户的展示和编辑需求。该研究对音乐辅助技术的发展具有重要意义,为视觉障碍者和音乐初学者提供了创新的学习工具和音乐创作方式。未来,自动作曲系统有望进一步发展,提高算法准确性、用户体验和创作自由度。同时,与其他领域技术的融合将进一步扩展其功能和应用场景,推动音乐辅助技术的进一步发展。     

TopN显著连续序列算法

显著连续序列的发现是时序数据分析中的重要研究领域,所谓显著连续序列,即给定一列时序数据,一个连续序列由一个子序列和该子序列的极大值或极小值组成,如果存在一个连续序列,不被其他任何一个连续序列所包含,则称这个连续序列为这列时序数据的一个显著连续序列.在以往的显著连续序列发现算法中,仅能提供所发现的乱序连续序列.本文在分析显著序列算法基础上,提出了TopN显著连续序列算法,该算法根据数据特征,对显著序列进行排序,提供可能感兴趣的最显著TopN序列.本文利用现实数据集进行实验,结果表明TopN显著连续序列算法提高了显著连续序列发现效率,同时在进行数据集的数据特征提取更为有效.     

多重序列比对的蚁群算法

序列多重比对是生物信息学特别是生物序列分析中的一个重要的操作.提出了一种解决多重序列比对的蚁群算法,利用了人工蚂蚁逐个选择各个序列中的字符进行配对.在算法中,蚂蚁根据信息素、字符匹配得分以及位置偏差等信息决定选择各序列中的字符的概率,通过信息素的更新与调节相结合的策略,以及参数的动态自适应调节方法,较为有效地解决了局部收敛的问题,加强了算法寻求全局最优解的能力.实验显示,该算法可以有效解决多重序列比对问题.     

基于遗传算法的计算机智能作曲模型

针对传统计算机智能作曲客观评价不准、实现难度过大问题,本文对智能作曲进行探讨并给出一种遗传算法的智能作曲模型,并提出一种简化的模型.对该模型分别从算法设计和算法实现两方面进行了较深入的探讨,同时给出了程序实现.实验结果表明,模型对局部进行改善而不影响到其他部件,具有较高的可扩展性,算法的时间和空间复杂度较好,证明本文的算法是可行和有效的.