📄Работа №142756
Тема: Нейросетевые методы генерации музыкальных дорожек
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Информатика и вычислительная техника
Объем:
73 листов
Год:
2023
Просмотров:
123
4650
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
1. Обзор предметной области 8
1.1. Метод представления и кодирования музыки 8
1.1.1. Метод представления 8
1.1.2. Метод кодирования 10
1.2. Статус исследования генерации музыки 11
1.3. Задача генерации музыки 14
1.3.1. Генерация мелодий 14
1.3.2. Гармоническая аранжировка 15
1.3.3. Перенос стиля 16
1.4. Классическая модель 17
1.4.1. Модель LSTM 17
1.4.2. Модель Transformer 19
1.4.3. Модель GAN 21
2. Классическая и усовершенствование модель 22
2.1. Классические модели 23
2.1.1. Генерация музыки на LSTM и Transformer .... 23
2.1.2. Генерация музыки на MuseGAN 27
2.2. Классическая модель и ее усовершенствование 29
2.2.1. Усовершенствованные модели LSTM 29
2.2.2. Усовершенствованные модели GAN 32
2.3. Субъективная оценка результатов 37
3. Заключение 42
Список литературы 44
1. Обзор предметной области 8
1.1. Метод представления и кодирования музыки 8
1.1.1. Метод представления 8
1.1.2. Метод кодирования 10
1.2. Статус исследования генерации музыки 11
1.3. Задача генерации музыки 14
1.3.1. Генерация мелодий 14
1.3.2. Гармоническая аранжировка 15
1.3.3. Перенос стиля 16
1.4. Классическая модель 17
1.4.1. Модель LSTM 17
1.4.2. Модель Transformer 19
1.4.3. Модель GAN 21
2. Классическая и усовершенствование модель 22
2.1. Классические модели 23
2.1.1. Генерация музыки на LSTM и Transformer .... 23
2.1.2. Генерация музыки на MuseGAN 27
2.2. Классическая модель и ее усовершенствование 29
2.2.1. Усовершенствованные модели LSTM 29
2.2.2. Усовершенствованные модели GAN 32
2.3. Субъективная оценка результатов 37
3. Заключение 42
Список литературы 44
📖 Аннотация
Работа посвящена исследованию нейросетевых методов генерации музыкальных дорожек. Актуальность темы обусловлена растущей зависимостью музыкальной индустрии от цифровых технологий и необходимостью в автоматизированных инструментах создания разнообразного музыкального контента, что требует преодоления ограничений традиционных алгоритмов, зависящих от ручного выделения признаков. В исследовании применяется методология сравнительного анализа, включающая реализацию, обучение и оценку классических моделей глубокого обучения — LSTM, Transformer и Generative Adversarial Networks (GAN) — для генерации как однодорожечных, так и многодорожечных фортепианных композиций. Результатом работы является объективная и субъективная оценка производительности данных архитектур, на основе которой выбрана наиболее эффективная модель для генерации символической музыки; субъективная оценка качества сгенерированных фрагментов проведена посредством анкетирования. Практическая значимость заключается в разработке на базе лучшей модели функционального приложения для автоматической генерации музыки, которое может быть использовано композиторами, саунд-дизайнерами и в медиаиндустрии для создания оригинального музыкального сопровождения. Теоретическая основа исследования включает анализ современных подходов к представлению музыкальных данных, задач генерации мелодий, гармонической аранжировки и переноса стиля.
📖 Введение
Актуальность
С развитием компьютерных технологий и распространением электронных устройств музыка все чаще хранится в цифровом виде на компьютерах, а хранение, обработка, сочинение и производство музыки все больше зависят от компьютеров. Эта тенденция определила развитие музыкальных технологий и музыкального интеллекта. Если музыка - это искусство и культурная форма, используемая для выражения мыслей и чувств людей и социальных реалий, то генеративный искусственный интеллект - одна из самых революционных технологий нашего времени, меняющая способ нашего взаимодействия с машинами. Генерация музыки изучает идею о том, чтобы позволить компьютерам автоматически создавать музыку с помощью алгоритмов, что обеспечивает музыкальной индустрии более разнообразный спектр музыкальных произведений для удовлетворения потребностей различных аудиторий.
В последние годы глубокие нейронные сети [4] добились значительного прогресса и достигли замечательных результатов в генерации изображений и видео, а также текста [37]. Аналогичные попытки постепенно предпринимаются для применения их в задачах генерации музыки. С развитием методов глубокого обучения [5] применение методов глубокого обучения [25] для автоматического генерирования музыки стало актуальным направлением исследований. Методы глубокого обучения позволяют избежать большого количества ручных музыкальных характеристик, которые необходимо маркировать в традиционных алгоритмах машинного обучения, и стали основным подходом к автоматическому генерированию музыки, обусловленным текущими доступными музыкальными данными и хорошими возможностями моделирования. В настоящее время генерация музыки охватывает различные области, такие как генерация полифонической музыки [19], генерация аккомпанемента [34], преобразование стиля [22] и восстановление музыки [27].
Создание музыкального произведения - непростая задача, это не то, что может сделать один человек простым движением руки, скорее, композитору требуется много усилий и времени, чтобы тщательно разработать и создать музыкальное произведение с помощью человеческого труда...
С развитием компьютерных технологий и распространением электронных устройств музыка все чаще хранится в цифровом виде на компьютерах, а хранение, обработка, сочинение и производство музыки все больше зависят от компьютеров. Эта тенденция определила развитие музыкальных технологий и музыкального интеллекта. Если музыка - это искусство и культурная форма, используемая для выражения мыслей и чувств людей и социальных реалий, то генеративный искусственный интеллект - одна из самых революционных технологий нашего времени, меняющая способ нашего взаимодействия с машинами. Генерация музыки изучает идею о том, чтобы позволить компьютерам автоматически создавать музыку с помощью алгоритмов, что обеспечивает музыкальной индустрии более разнообразный спектр музыкальных произведений для удовлетворения потребностей различных аудиторий.
В последние годы глубокие нейронные сети [4] добились значительного прогресса и достигли замечательных результатов в генерации изображений и видео, а также текста [37]. Аналогичные попытки постепенно предпринимаются для применения их в задачах генерации музыки. С развитием методов глубокого обучения [5] применение методов глубокого обучения [25] для автоматического генерирования музыки стало актуальным направлением исследований. Методы глубокого обучения позволяют избежать большого количества ручных музыкальных характеристик, которые необходимо маркировать в традиционных алгоритмах машинного обучения, и стали основным подходом к автоматическому генерированию музыки, обусловленным текущими доступными музыкальными данными и хорошими возможностями моделирования. В настоящее время генерация музыки охватывает различные области, такие как генерация полифонической музыки [19], генерация аккомпанемента [34], преобразование стиля [22] и восстановление музыки [27].
Создание музыкального произведения - непростая задача, это не то, что может сделать один человек простым движением руки, скорее, композитору требуется много усилий и времени, чтобы тщательно разработать и создать музыкальное произведение с помощью человеческого труда...
✅ Заключение
Целью работы является исследование методов генерации фортепианной музыки с использованием нейронных сетей, таких как LSTM, Transformer и GAN, обучение нескольких моделей генерации фортепианной музыки и оценка их производительности. Кроме того, в данной работе оценивается субъективное качество сгенерированных музыкальных клипов с помощью анкеты для выбора лучшей модели генерации фортепианной музыки, а также разрабатывается и внедряется приложение для автоматической генерации музыки на основе этой модели.
Основные задачи данной работы заключаются в следующем:
Во-первых, мы собрали и подготовили данные, используемые для проведения экспериментов, выбрали три классические модели LSTM, GAN и Transformer, сгенерировали с помощью этих моделей однодорожечные и многодорожечные фрагменты фортепианной музыки, а также выбрали усовершенствованные модели LSTM и GAN для обучения генерированию фортепианной музыки длительностью около 2 мин.
Во-вторых, в данной работе объективно оцениваются три модели генерации музыки на основе нейронных сетей и субъективно оценивается качество сгенерированных музыкальных фрагментов для выбора лучшей модели генерации фортепианной символьной музыки, что доказывает эффективность и мастерство предложенного метода генерации фортепианной символьной музыки. Среди них, для анкетной части, мы выбрали музыкальные клипы, сгенерированные каждой из этих моделей, два клипа классической LSTM и Transformer с хорошим опытом прослушивания, два клипа GAN и по одному клипу продвинутой LSTM и GAN, чтобы провести анкетный опрос, сформировать результаты анкетирования и проанализировать их...
Основные задачи данной работы заключаются в следующем:
Во-первых, мы собрали и подготовили данные, используемые для проведения экспериментов, выбрали три классические модели LSTM, GAN и Transformer, сгенерировали с помощью этих моделей однодорожечные и многодорожечные фрагменты фортепианной музыки, а также выбрали усовершенствованные модели LSTM и GAN для обучения генерированию фортепианной музыки длительностью около 2 мин.
Во-вторых, в данной работе объективно оцениваются три модели генерации музыки на основе нейронных сетей и субъективно оценивается качество сгенерированных музыкальных фрагментов для выбора лучшей модели генерации фортепианной символьной музыки, что доказывает эффективность и мастерство предложенного метода генерации фортепианной символьной музыки. Среди них, для анкетной части, мы выбрали музыкальные клипы, сгенерированные каждой из этих моделей, два клипа классической LSTM и Transformer с хорошим опытом прослушивания, два клипа GAN и по одному клипу продвинутой LSTM и GAN, чтобы провести анкетный опрос, сформировать результаты анкетирования и проанализировать их...
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.