申请/专利权人：平安科技(深圳)有限公司

申请日：2021-03-26

公开（公告）日：2024-02-27

公开（公告）号：CN112967734B

主分类号：G10L25/51

分类号：G10L25/51;G10L25/30;G10L25/90;G06N3/0464;G06N3/047;G06N3/08;G06N3/0442

优先权：

专利状态码：有效-授权

法律状态：2024.02.27#授权;2021.11.23#实质审查的生效;2021.06.15#公开

摘要：本发明涉及人工智能领域，公开了基于多声部的音乐数据识别方法、装置、设备及存储介质，用于提高识别单声部音乐数据的准确率。基于多声部的音乐数据识别方法包括：获取多声部音乐数据，并采用卷积神经网络将多声部音乐数据转换为音乐序列，音乐序列包括音高序列和节奏序列；将音乐序列输入多声部音乐识别模型中进行递归卷积，生成多个样本乐谱序列组；根据多个样本乐谱序列组、预先训练好的音乐语言模型和条件概率模型，生成多个匹配概率组，多个样本乐谱序列组与多个匹配概率组一一对应；基于多个匹配概率组在多个样本乐谱序列组中确定多个目标单声部音乐数据。此外，本发明还涉及区块链技术，多声部音乐数据可存储于区块链中。

主权项：1.一种基于多声部的音乐数据识别方法，其特征在于，所述基于多声部的音乐数据识别方法包括：获取多声部音乐数据，并采用神经网络架构将所述多声部音乐数据转换为音乐序列，所述音乐序列包括音高序列和节奏序列；将所述音乐序列输入多声部音乐识别模型中进行递归卷积，生成多个样本乐谱序列组；根据所述多个样本乐谱序列组、预先训练好的音乐语言模型和条件概率模型，生成多个匹配概率组，所述多个样本乐谱序列组与所述多个匹配概率组一一对应；基于所述多个匹配概率组在所述多个样本乐谱序列组中确定多个目标单声部音乐数据；所述获取多声部音乐数据，并采用神经网络架构将所述多声部音乐数据转换为音乐序列，所述音乐序列包括音高序列和节奏序列包括：获取多声部音乐数据，将所述多声部音乐数据输入卷积神经网络，生成初始音乐特征向量；将所述初始音乐特征向量输入长短期记忆人工神经网络，进行时域变化减小处理，生成减小时域变化后的音乐特征向量；将所述减小时域变化后的音乐特征向量输入深度神经网络的全连接层进行映射，生成音乐序列，所述音乐序列包括音高序列和节奏序列；所述将所述音乐序列输入多声部音乐识别模型中进行递归卷积，生成多个样本乐谱序列组包括：读取预置的权重参数，并将所述音乐序列输入多声部音乐识别模型中的第一层隐藏层，结合所述预置的权重参数进行卷积，生成第一准确率和第一隐藏音乐向量；基于预置的损失函数和所述第一准确率计算第一权重参数，并将所述第一隐藏音乐向量输入第二层隐藏层，结合所述第一权重参数进行卷积，生成第二准确率和第二隐藏音乐向量；基于所述损失函数和所述第二准确率计算第二权重参数，并将所述第二隐藏音乐向量输入第三层隐藏层，结合所述第二权重参数进行卷积，生成第三准确率和第三隐藏音乐向量；按照上述步骤在其他层隐藏层基于对应的权重参数和对应的隐藏音乐向量进行卷积，生成多个样本乐谱序列组；所述根据所述多个样本乐谱序列组、预先训练好的音乐语言模型和条件概率模型，生成多个匹配概率组，所述多个样本乐谱序列组与所述多个匹配概率组一一对应包括：按照时刻顺序将所述多个样本乐谱序列组依次输入预先训练好的音乐语言模型中进行比对，生成多个条件概率组；按照时刻顺序将所述多个条件概率组依次输入条件概率模型，生成多个匹配概率组，所述多个样本乐谱序列组与所述多个匹配概率组一一对应。

全文数据：

权利要求：

百度查询： 平安科技(深圳)有限公司 基于多声部的音乐数据识别方法、装置、设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD