基于Firefly算法的LSTM模型用于Guzheng曲调的切换与大数据分析

科学领域:

• 计算音乐学 计算音乐学
• 音乐中的人工智能
• 算法构成 算法构成

背景情况:

• 古旋律的进展依赖于复杂的旋律动机过渡,这给自动生成带来了挑战.
• 现有的方法很难在广的创作空间中进行音乐上一致的阐述.

研究的目的:

• 开发一种专门的模型,用于生成音乐上一致的古曲调过渡.
• 加强在古音乐世代中探索创造性的可能性.

主要方法:

• 增强的火算法 (FA) 具有适应性多样性保护和游泳参数.
• 专门的堆叠LSTM架构,具有剩余连接和条件嵌入矢量.
• 使用变化自编码器无监督学习古特定的旋律嵌入.
• 针对现实的Guzheng调节合成和评估的对抗性生成模型.

主要成果:

• 与标准FA优化相比,重建错误减少了63%.
• 在图案捕捉,模式连贯性 (<2%的不和音调错误) 和节奏节奏保留方面表现优于基线.
• 生成的旋律过渡被用户高度评价为自然,新和风格忠实.

结论:

• 拟议的FA增强的LSTM模型显著提高了生成的Guzheng旋律过渡的忠实性和音乐性.
• 该模型有效地捕捉了古音乐中独特的波特征和远程时间依赖.
• 这项工作为中国传统音乐中人工智能驱动的算法构成提供了一个强大的框架.