ВВЕДЕНИЕ 5
1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 9
1.1. Обзор аналогов 9
1.2. Генеративно-состязательные сети 13
Выводы по первой главе 14
2. ПРОЕКТИРОВАНИЕ 15
2.1. Функциональные требования 15
2.2. Нефункциональные требования 15
2.3. Варианты использования системы 15
2.4. Диаграмма деятельности 17
2.5. Топология нейронной сети 18
2.6. Проектирование графического интерфейса пользователя 19
Выводы по второй главе 20
3. РЕАЛИЗАЦИЯ 21
3.1. Программные средства реализации 21
3.2. Реализация нейронных сетей 21
3.3.Обучение нейронной сети 22
3.4. Разработка приложения 25
3.5. Реализация пользовательского интерфейса 26
Выводы по третьей главе 28
4. ТЕСТИРОВАНИЕ 29
4.1. Функциональное тестирование 29
4.2. Отзывы респондентов 30
Выводы по четвертой главе 31
ЗАКЛЮЧЕНИЕ 32
ЛИТЕРАТУРА
Нейронные сети - математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма .
Рекуррентные нейронный сети (англ. Recurrent Neura Network, RNN) - это вид нейронных сетей, в которой имеется обратная связь. При получении новых входных данных нейрон также получает некоторую информацию о предыдущем состоянии сети .
Ограниченная машина Больцмана (англ. Restricted Boltzmann machine, RBM) - это вид генеративных нейронных сетей, которые определяют распределение вероятностей на входных образцах данных.
В рамках решения поставленной задачи необходимо отдельно рассмотреть нейронные сети с долгой краткосрочной памятью (англ. Long short-term memory, LSTM). Долгая краткосрочная память - это разновидность рекуррентных нейронных сетей, но в отличие от них, LSTM может оперировать зависимостями на больших расстояниях .
Генеративно-состязательная нейронная сеть (англ. Generative Adversarial Networks, GAN) - алгоритм машинного обучения, работа которого строится на основе двух «соперничающих» нейронных сетей. Принцип алгоритма заключается в том, что одна из этих сетей, называемая генератором, пытается сгенерировать определенные образцы (например, изображения, видео или любые другие данные, на генерацию которых она запрограммирована), а другая сеть, называемая дискриминатором, старается решить, является ли представленный ей образец настоящим или сгенерированным. Задачей генератора является производство таких образцов, которые дискриминатор сочтет настоящими, в то время как задача дискриминатора противоположна - он должен отбраковать сгенерированные образцы .
АКТУАЛЬНОСТЬ ТЕМЫ ИССЛЕДОВАНИЯ
Существующие нейронные сети все более качественно справляются с поставленными задачами, наиболее присущими их конфигурациям. На протяжении нескольких лет в таких областях, как компьютерное зрение, прогнозирование и моделирование различных процессов человеческой деятельности, передовая медицина, все чаще применяются методы глубокого машинного обучения для решения поставленных задач. Однако в областях, связанных с творческой деятельностью, нейронные сети на текущий день распространены мало. Наиболее развитой областью является различного рода работа с изображениями.
Перспективы применения машинного обучения в области генерации музыки крайне обширны. Тем не менее, на сегодняшний день немногие заинтересованы в решении проблемы искусственного создания музыки с помощью нейронных сетей.
С точки зрения композиции написание одноголосной мелодии является одним из простейших этапов создания музыки. Мелодия является основой любого музыкального произведения, и именно поэтому этот вопрос наиболее широко освещен в современных трудах, посвященных нейронным сетям и созданию ими музыки.
Гораздо более сложным этапом создания музыки является аранжировка нескольких инструментальных партий, образующих собой единую музыкальную композицию. На сегодняшний день вопрос генерации полноценного многоинструментального музыкального произведения является особенно актуальным, однако в современных работах отражен достаточно мало .
Тем не менее, в последние годы в научной сфере намечены положительные тенденции в изучении возможностей искусственной генерации музыки с помощью различных подходов, в большинстве своем связанных с нейросетевыми технологиями.
Качественная генерация оригинальных музыкальных произведений не только упростит задачу современных композиторов, но и позволит продвинуться в понимании принципов создания искусственного интеллекта, расширит возможности современных творческих направлений в машинном обучении.
ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ
Целью данной работы является разработка приложения для генерации многоинструментальной музыки с применением нейросетевых технологий.
Для выполнения поставленной цели необходимо решить следующие задачи.
1. Провести обзор аналогов и научной литературы.
2. Осуществить сбор и предобработку данных для обучения.
3. Спроектировать топологию нейронной сети.
4. Обучить нейронную сеть и оценить результаты её работы.
5. Реализовать приложение для генерации многоинструментальной музыки.
...
В рамках дипломного проекта было реализовано приложение для генерации многоинструментальной музыки с применением нейросетевых технологий.
В ходе реализации системы были получены следующие результаты:
1) проведен обзор аналогов и научной литературы;
2) осуществлен сбор и предобработка данных для обучения;
3) спроектирована топология нейронной сети;
4) нейронная сеть обучена, результаты её работы оценены;
5) реализовано приложение для генерации многоинструментальной музыки;
6) осуществлено тестирование приложения.
В будущем планируется увеличение разнообразия жанров: на данный момент система генерирует только композиции в жанре рок с пятью возможными музыкальными партиями. В дальнейшем возможно повышение количество партий и добавление новых инструментов, создание предобученных на разных стилях и направлениях моделей с возможностью выбора жанровой направленности, что позволит генерировать полноценные и разнообразные музыкальные произведения.
