現(xiàn)有的一階隱馬爾可夫模型(hiddenMarkovmodel,HMM)用于鋼琴指法標(biāo)注不能結(jié)合音符序列的長(zhǎng)程信息,導(dǎo)致標(biāo)注結(jié)果存在物理不可彈指法,且演奏效率較低,因此本文提出了一種基于判決隱馬爾可夫模型和改進(jìn)維特比算法的鋼琴指法自動(dòng)標(biāo)注算法.結(jié)合指法規(guī)則的先驗(yàn)知識(shí),在HMM中引入了判決函數(shù),從而能夠去除錯(cuò)誤的穿跨指和超出可彈跨度的指法.在預(yù)測(cè)指法路徑時(shí),改進(jìn)了維特比算法的尋優(yōu)規(guī)則,首先根據(jù)先驗(yàn)知識(shí)對(duì)音符序列進(jìn)行八度分段,并改進(jìn)初始指法的確定方法,最后選擇穿跨指數(shù)最少、演奏效率最高的指法序列為最優(yōu)指法.為了表征算法的性能,文中還提出了不可彈指法占比率和欠合理率兩種新的評(píng)價(jià)指標(biāo)來衡量指法的可彈性和演奏效率.通過實(shí)驗(yàn)驗(yàn)證,文中算法相較于現(xiàn)有標(biāo)注模型在一致率和兩種新的指標(biāo)上提升效果顯著.另外,為了對(duì)比在小數(shù)據(jù)集下傳統(tǒng)方法和深度學(xué)習(xí)方法的性能,還與Bi-LSTM+CRF進(jìn)行了對(duì)比實(shí)驗(yàn),訓(xùn)練時(shí)分別采用原始音符序列和音符差分序列,實(shí)驗(yàn)結(jié)果顯示利用音符差分序列可以有效提高標(biāo)注結(jié)果的一致率,由此可見,相較于原始音符序列,指法標(biāo)注和音符差分序列的關(guān)系更密切,從而進(jìn)一步驗(yàn)證了本文算法結(jié)合音符差分信息改進(jìn)HM...

【文章頁數(shù)】：11 頁

【部分圖文】：

圖1利用指法先驗(yàn)知識(shí)的改進(jìn)HMM方法原理

第1.1節(jié)介紹了常用的指法設(shè)計(jì)規(guī)則，包括正誤穿跨指、可接受的最大音程跨度、手部移位準(zhǔn)則和初始指法確定規(guī)則．第1.2節(jié)提出判決隱馬爾可夫模型．第1.3節(jié)介紹模型的參數(shù)估計(jì)．第1.4節(jié)介紹指法序列的預(yù)測(cè)階段．1.1指法規(guī)則先驗(yàn)知識(shí)

圖2右手錯(cuò)誤穿跨指示意

表1總結(jié)了右手音符降(與左手音符升時(shí)情況一致)的正誤指法轉(zhuǎn)移組合，右手音符升(左手音符降)時(shí)的正誤指法轉(zhuǎn)移情況與表1斜對(duì)角鏡像對(duì)稱．筆者利用這一先驗(yàn)知識(shí)保證指法的正確性．1.1.2音程約束先驗(yàn)

圖3初始狀態(tài)受限時(shí)維特比算法路徑搜索示意

極少數(shù)特殊音符序列下，會(huì)出現(xiàn)某些時(shí)刻δt(i)全為0，即t時(shí)刻沒有可選指法的情況，大多發(fā)生在音符的連續(xù)上升或連續(xù)下降處．如右手上一時(shí)刻的可選指法唯一且為5指，下一音符繼續(xù)上升，則在不換手位下沒有可選指法，此時(shí)的解決辦法是將ψ2使用的最大音程跨度適當(dāng)放大一些，不超過MaxPrac，....

圖4右手音符和指法頻次分布

88個(gè)音符輸出的組合數(shù)十分龐大，輸出概率矩陣中的參數(shù)將達(dá)到31×61929≈190×104，其中4音和弦、5音和弦的組合數(shù)目占到了89.8%．對(duì)數(shù)據(jù)集中的音符和指法進(jìn)行統(tǒng)計(jì)，4音和弦和5音和弦出現(xiàn)的概率極低，近似為0，因此筆者刪掉輸出概率矩陣和轉(zhuǎn)移概率矩陣中的4音、5音和弦音符....

本文編號(hào)：3925816