基于对位和声关系的LSTM多轨音乐生成方法与流程

本发明涉及一种基于对位和声关系的lstm多轨音乐生成方法，属于计算机算法作曲领域。

背景技术：

随着计算机和神经网络算法的不断发展，人工智能已经应用到众多的领域。在音乐创作方面，利用神经网络算法进行编曲已经取得了一定阶段的突破。对于现有的算法而言，大多通过对乐曲中音符的上下文关系进行分析，没有考虑伴奏及和声与主旋律直接的对位关系。

技术实现要素：

发明目的：为了克服现有技术的不足，基于对位和声关系的lstm(长短期神经网络)多轨音乐生成方法。

本发明采用的技术方案为：

一种基于对位和声关系的lstm多轨音乐生成方法，具体包括以下步骤：

s1，构建音频midi数据集；

s2，提取midi文件中的主旋律与和声旋律，构建对位关系矩阵；

s3，利用主旋律训练生成旋律的长短期神经网络，并用对位关系矩阵训练生成和声的长短期神经网络，通过网络生成多轨音乐。

在所述步骤s2中，提取midi文件中的主旋律与和声旋律，构建对位关系矩阵，包括以下过程：

s21，选取midi文件中的主旋律，将非和声旋律剔除，其余旋律依次编号；

s22，将每时刻的旋律信息制作为矩阵，将每条和声旋律与主旋律做差值操作，得到对位关系矩阵。

在所述步骤s22中，将每条和声旋律与主旋律做差值操作，对位关系矩阵，包括以下过程：

midi文件由头块与音轨块组成，音轨块数据区包含以下两种信息：

其中，ij表示第j条midi消息，δti表示第i段midi消息所执行的时间长度，mi表示第i段midi消息。midi消息存储该时间段内的音符，强弱等信息。值得注意的是，i＝0，表示主旋律所对应的音轨块数据区。

对位关系矩阵可根据以下公式得出：

dj＝ij-i0

其中，d表示对位关系矩阵，对位关系矩阵通过计算差值，表示了和声旋律与主旋律之间的相对关系。

在所述步骤s3中，利用主旋律训练生成旋律的长短期神经网络，并用对位关系矩阵训练生成和声的长短期神经网络，包括以下过程：

s31：将主旋律送入一个长短期神经网络中进行训练，该长短期神经网络用以生成主旋律。

s32：将和声旋律送入另一个长短期神经网络中进行训练，该长短期神经网络用以生成多轨和声旋律。

s33：将生成的主旋律与多轨和声旋律融合，生成新的多轨音乐。

所述长短期神经网络由遗忘门、输入门和输出门构成。遗忘门决定上一时刻的单元状态ct-1有多少保留到当前时刻的ct，输入们决定当前时刻网络的输入xt有多少保存到单元状态ct，输出门控制单元状态ct-1有多少输出到lstm的当前输出值ht。

在所述步骤s33中，生成的主旋律与多轨和声旋律融合，生成新的多轨音乐，采用对多轨道音频的直接混缩法进行融合。

在所述步骤s3中，长短期神经网络的遗忘门、输入门和输出门的激活函数分别各自采用了sigmoid函数与tanh函数。通过采用激活函数，可以将线性关系转化为非线性关系，便于神经网络判断更好地学习数据特征。

有益效果：

1.本发明提取了主旋律与和声旋律之间的特征，有助于神经网络算法能够更加直观地对和声旋律的生成进行处理。

2.本发明所使用了两次长短期神经网络，不仅可以生成一条新的旋律，而且可以在新旋律的基础上生成关于旋律的和声，大大简化了复杂情况下编曲的过程。

附图说明

图1所示为本发明的流程图；

图2所示为长短期神经网络结构图。

具体实施方法

下面结合附图对本发明作更进一步的说明。

下面结合实例对本发明作更进一步的说明。

如图1所示，基于对位和声关系的lstm多轨音乐生成方法，首先构建音频midi数据集，提取midi文件中的主旋律与和声旋律，并且构建对位关系矩阵。利用主旋律训练生成旋律的长短期神经网络，并用对位关系矩阵训练生成和声的长短期神经网络。通过两条网络分别生成多条旋律，合成多轨音乐。具体过程如下：

s1，构建音频midi数据集；

从现有的开源音频midi数据集中获取多轨音频midi数据集。

s2，提取midi文件中的主旋律与和声旋律，构建对位关系矩阵；

将每条和声旋律与主旋律做差值操作，对位关系矩阵，包括以下过程：

s21，选取midi文件中的主旋律，将非和声旋律剔除，其余旋律依次编号；

s22，将每时刻的旋律信息制作为矩阵，将每条和声旋律与主旋律做差值操作，得到对位关系矩阵。

在所述步骤s22中，将每条和声旋律与主旋律做差值操作，对位关系矩阵，包括以下过程：

midi文件由头块与音轨块组成，音轨块数据区包含以下两种信息：

其中，ij表示第j条midi消息，δti表示第i段midi消息所执行的时间长度，mi表示第i段midi消息。midi消息存储该时间段内的音符，强弱等信息。值得注意的是，i＝0，表示主旋律所对应的音轨块数据区。

对位关系矩阵可根据以下公式得出：

dj＝ij-i0

其中，d表示对位关系矩阵，对位关系矩阵通过计算差值，表示了和声旋律与主旋律之间的相对关系。

s3，利用主旋律训练生成旋律的长短期神经网络，并用对位关系矩阵训练生成和声的长短期神经网络。通过网络生成多轨音乐。

利用主旋律训练生成旋律的长短期神经网络，并用对位关系矩阵训练生成和声的长短期神经网络，包括以下过程：

将主旋律送入一个长短期神经网络中进行训练，该长短期神经网络用以生成主旋律；

将和声旋律送入另一个长短期神经网络中进行训练，该长短期神经网络用以生成多轨和声旋律；

将生成的主旋律与多轨和声旋律融合，生成新的多轨音乐。

长短期神经网络由遗忘门、输入门和输出门构成。遗忘门决定上一时刻的单元状态ct-1有多少保留到当前时刻的ct，输入们决定当前时刻网络的输入xt有多少保存到单元状态ct，输出门控制单元状态ct-1有多少输出到lstm的当前输出值ht。

将生成的主旋律与多轨和声旋律融合，生成新的多轨音乐。采用对多轨道音频的直接混缩法进行融合。

长短期神经网络的遗忘门、输入门和输出门的激活函数分别各自采用了sigmoid函数与tanh函数。通过采用激活函数，可以将线性关系转化为非线性关系，便于神经网络判断更好地学习数据特征。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除