一种自动作曲方法及系统与流程

技术特征：
1.一种自动作曲方法，其特征在于，所述方法包括如下步骤：构建音乐数据训练集；以所述音乐数据训练集中的音乐数据作为lstm网络模型的输入，以所述音乐数据的质量数据作为lstm网络模型的输出，利用所述音乐数据训练集训练lstm网络模型，获得训练后的lstm网络模型；以训练后的lstm网络模型的输出的最大化为优化目标，采用优化算法，进行音乐生成。2.根据权利要求1所述的自动作曲方法，其特征在于，所述构建音乐数据训练集，具体包括：获取原始音乐数据集；采用遗传算法对所述原始音乐数据集进行处理，获得生成音乐数据集；将所述原始音乐数据集和所述生成音乐数据集合并到音乐数据训练集中；采用音乐质量评价算法对音乐数据训练集中的每个音乐数据进行评价，获得每个音乐数据的质量数据。3.根据权利要求2所述的自动作曲方法，其特征在于，所述遗传算法中按照所述原始音乐数据集中每个音高的统计概率生成初始的父代种群中的随机音乐。4.根据权利要求2所述的自动作曲方法，其特征在于，所述遗传算法中的适应度函数为m＝s
r
‑2‑
gram
s
r
‑3‑
gram
‑
s
rule
‑
n
；其中，s
r
‑2‑
gram
为随机音乐中连续相邻2个音高数据在原始音乐数据集中出现的次数、s
r
‑3‑
gram
为随机音乐中连续相邻3个音高数据在原始音乐数据集中出现的次数及，s
rule
‑
n
为随机音乐中为音乐规则中不和谐音乐的音调出现的次数，m表示适应度函数值。5.根据权利要求2所述的自动作曲方法，其特征在于，所述采用音乐质量评价算法对音乐数据训练集中的每个音乐数据进行评价，获得每个音乐数据的质量数据，具体包括：采用n
‑
gram相似度评价方法，利用公式f1＝s2‑
gram
s3‑
gram
，对音乐数据训练集中的每个音乐数据进行评价，获得音乐数据训练集中的每个音乐数据的第一评价结果；其中，f1表示音乐数据训练集中的音乐数据的第一评价结果，s2‑
gram
表示音乐数据训练集中的音乐数据的相邻两个音高数据在原始音乐数据集中出现的次数，s3‑
gram
表示音乐数据训练集中的音乐数据的相邻三个音高数据在原始音乐数据集中出现的次数；采用音乐规则评价方法，利用公式f2＝∑s
rule
，对音乐数据训练集中的每个音乐数据进行评价，获得音乐数据训练集中的每个音乐数据的第二评价结果；其中，f2表示音乐数据训练集中的音乐数据的第二评价结果，s
rule
表示音乐数据符合的音乐规则中的规则的得分；以所述第一评价结果和所述第二评价结果的和为依据，对所述音乐数据训练集中的音乐数据进行分层；分别从每层的音乐数据中获取小样本数据进行听觉感知评分，获得每层的音乐数据中的每个小样本数据的第三评价结果；采用小样本学习技术，分别根据每层的音乐数据中的每个小样本数据的第三评价结果，对每层中的每个音乐数据进行评价，获得每层中的每个音乐数据的第三评价结果；对音乐数据训练集中每个音乐数据的第一评价结果、第二评价结果和第三评价结果进行加权求和，得到音乐数据训练集中每个音乐数据的质量数据。6.一种自动作曲系统，其特征在于，所述系统包括：
音乐数据训练集构建模块，用于构建音乐数据训练集；lstm网络模型训练模块，用于以所述音乐数据训练集中的音乐数据作为lstm网络模型的输入，以所述音乐数据的质量数据作为lstm网络模型的输出，利用所述音乐数据训练集训练lstm网络模型，获得训练后的lstm网络模型；音乐生成模块，用于以训练后的lstm网络模型的输出的最大化为优化目标，采用优化算法，进行音乐生成。7.根据权利要求6所述的自动作曲系统，其特征在于，所述音乐数据训练集构建模块，具体包括：原始音乐数据集获取子模块，用于获取原始音乐数据集；音乐数据生成子模块，用于采用遗传算法对所述原始音乐数据集进行处理，获得生成音乐数据集；数据集合并子模块，用于将所述原始音乐数据集和所述生成音乐数据集合并到音乐数据训练集中；质量数据获取子模块，用于采用音乐质量评价算法对音乐数据训练集中的每个音乐数据进行评价，获得每个音乐数据的质量数据。8.根据权利要求7所述的自动作曲系统，其特征在于，所述遗传算法中按照所述原始音乐数据集中每个音高的统计概率生成初始的父代种群中的随机音乐。9.根据权利要求7所述的自动作曲系统，其特征在于，所述遗传算法中的适应度函数为m＝s
r
‑2‑
gram
s
r
‑3‑
gram
‑
s
rule
‑
n
；其中，s
r
‑2‑
gram
为随机音乐中连续相邻2个音高数据在原始音乐数据集中出现的次数、s
r
‑3‑
gram
为随机音乐中连续相邻3个音高数据在原始音乐数据集中出现的次数及，s
rule
‑
n
为随机音乐中为音乐规则中不和谐音乐的音调出现的次数，m表示适应度函数值。10.根据权利要求7所述的自动作曲系统，其特征在于，所述质量数据获取子模块，具体包括：第一评价单元，用于采用n
‑
gram相似度评价方法，利用公式f1＝s2‑
gram
s3‑
gram
，对音乐数据训练集中的每个音乐数据进行评价，获得音乐数据训练集中的每个音乐数据的第一评价结果；其中，f1表示音乐数据训练集中的音乐数据的第一评价结果，s2‑
gram
表示音乐数据训练集中的音乐数据的相邻两个音高数据在原始音乐数据集中出现的次数，s3‑
gram
表示音乐数据训练集中的音乐数据的相邻三个音高数据在原始音乐数据集中出现的次数；第二评价单元，用于采用音乐规则评价方法，利用公式f2＝∑s
rule
，对音乐数据训练集中的每个音乐数据进行评价，获得音乐数据训练集中的每个音乐数据的第二评价结果；其中，f2表示音乐数据训练集中的音乐数据的第二评价结果，s
rule
表示音乐数据符合的音乐规则中的规则的得分；分层单元，用于以所述第一评价结果和所述第二评价结果的和为依据，对所述音乐数据训练集中的音乐数据进行分层；听觉感知评分单元，用于分别从每层的音乐数据中获取小样本数据进行听觉感知评分，获得每层的音乐数据中的每个小样本数据的第三评价结果；第三评价单元，用于采用小样本学习技术，分别根据每层的音乐数据中的每个小样本
数据的第三评价结果，对每层中的每个音乐数据进行评价，获得每层中的每个音乐数据的第三评价结果；加权求和单元，用于对音乐数据训练集中每个音乐数据的第一评价结果、第二评价结果和第三评价结果进行加权求和，得到音乐数据训练集中每个音乐数据的质量数据。

技术总结
本发明涉及了一种自动作曲方法及系统，所述方法包括如下步骤：构建音乐数据训练集；以所述音乐数据训练集中的音乐数据作为LSTM网络模型的输入，以所述音乐数据的质量数据作为LSTM网络模型的输出，利用所述音乐数据训练集训练LSTM网络模型，获得训练后的LSTM网络模型；以训练后的LSTM网络模型的输出的最大化为优化目标，采用优化算法，进行音乐生成。本发明结合LSTM网络模型和优化算法实现对生成音乐的自动评价和优化，实现了自动对生成音乐进行优化，自动生成优化后的音乐。自动生成优化后的音乐。自动生成优化后的音乐。


技术研发人员：陈昊 罗刚 黎明 王铭勋 黄敏 徐一晨 张聪炫
受保护的技术使用者：南昌航空大学
技术研发日：2021.07.07
技术公布日：2021/10/8