Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 23 · № 4 · 2018 сер 31, 2018 Електронні системи та сигнали

Застосування нейронних мереж для вирішення завдання генерації музики

YD
Yaroslav Yuriiovych Dorogyi Відповідальний Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" Україна
VT
Vasyl Vasylovych Tsurkan Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" Україна
KB
Kyryl D Beldiaha Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського" Україна
Сторінки42-50 Опублікованосер 31, 2018
PDF
ТОМ 23 · № 4 · 2018 Переглянути випуск

Анотація

В статті розглядається можливість використання нейронних мереж як основи генератора музики. Під генерацією музики розуміють процес створення послідовностей музичних нот, що відносить дане завдання до задач моделювання послідовностей, як і моделювання мови. Актуальність розвитку даної теми пов’язана з необхідністю написання нової музики та знаходження нових мотивів, що спричинено виробництвом великої кількості фільмів та потребами людей. Основною вимогою до системи була генерація поліфонічної музики, що є послідовністю кортежів нот, тобто багаторозмірним об’єктом, що потребує використання породжувальних моделей, які здатні обчислювати ймовірнісний розподіл по відношенню до рекурентних моделей, які, в свою чергу, дають змогу відтворити довгострокові залежності в послідовності багаторозмірних об’єктів. Для цього в статті наведено необхідні теоретичні відомості. Розглянуто існуючі рішення і визначено їх переваги та недоліки. Проаналізовано та представлено варіанти можливих топологій, алгоритми їх тренування та генерації. Описано результати експериментальних досліджень, на підставі яких виконано порівняння та визначено переваги та недоліки кожної з них. Бібл. 11, рис. 8, табл. 1.

Ключові слова

#нейронні мережі #музика #моделювання послідовностей #генерація музики #машинне навчання

Посилання

  1. E. Douglas, “Make Music and Art Using Machine Learning,” Magenta, 2016. [Online]. Available: https://magenta.tensorflow.org/ .
  2. A. van den Oord, S. Dieleman, and H. Zen, “WaveNet: A Generative Model for Raw Audio,” DeepMind, 2016. [Online]. Available: https://deepmind.com/blog/wavenet-generative-model-raw-audio/ .
  3. D. Johnson, “Composing Music With Recurrent Neural Networks · hexahedria,” hexahedria, 2015. [Online]. Available: http://www.hexahedria.com/2015/08/03/composing-music-with-recurrent-neural-networks/ .
  4. I. Goodfellow, Y. Bengio, and A. Courville, “Sequence Modeling: Recurrent and Recursive Nets,” in Deep Learning, MIT Press, 2016, pp. 367–415, URL: http://www.deeplearningbook.org/contents/rnn.html .
  5. S. Hochreiter, Y. Bengio, P. Frasconi, and J. Schmidhuber, “Gradient Flow in Recurrent Nets: the Difficulty of Learning Long-Term Dependencies,” 1991, URL: http://www.bioinf.jku.at/publications/older/ch7.pdf .
  6. S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Comput., vol. 9, no. 8, pp. 1735–1780, 1997, DOI: 10.1162/neco.1997.9.8.1735.
  7. Z. C. Lipton, J. Berkowitz, and C. Elkan, “A Critical Review of Recurrent Neural Networks for Sequence Learning,” 2015, arXiv: 1506.00019.
  8. G. (LISA lab. . Hinton, “Restricted Boltzmann Machines (RBM),” DeepLearning 0.1 documentation, 2010. [Online]. Available: http://deeplearning.net/tutorial/rbm.html .
  9. G. Hinton, “Deep Belief Nets,” Toronto, 2007, URL: https://www.cs.toronto.edu/~hinton/nipstutorial/nipstut3.pdf .
  10. N. Boulanger-Lewandowski, “Modeling High-Dimensional Audio Sequences with Recurrent Neural Networks,” Universit_e de Montr_eal, 2014. URL: http://www-etud.iro.umontreal.ca/~boulanni/NicolasBoulangerLewandowski_thesis.pdf
  11. J. Allwright, “ABC version of the Nottingham Music Database,” 2003. [Online]. Available: http://abc.sourceforge.net/NMD/ .
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

Квазістатична ідентифікація структури затінення сонячних панелей за методом векторів кардинальних чисел

PhD, доц. Олена Олегівна Абакумова, д-р техн. наук, проф. Валерій Якович Жуйков, Микола О. Лук'янов

У статті розглянуто проблему ідентифікації структури затінення сонячних панелей. Актуальність дослідження зумовлена необхідністю швидкої та адекватної реконфігурації…

#Сонячні панелі #Фотоелектрична поверхня #Моделювання структури тіней #Квазістатична ідентифікація
с. 362283.1-362283.7
10.20535/2523-4455.mea.362283

Комплексний метод виділення неінвазивного сигналу фетальної електрокардіограми та класифікації серцевих аритмій

Дмитро А. Шевчук, канд. техн. наук, доц. Наталія Георгіївна Іванушкіна

Стаття присвячена розробці комплексного методу виділення фетального електрокардіосигналу (ФЕКГ) з неінвазивних абдомінальних записів та подальшої автоматизованої…

#абдомінальні електрокардіограми #фетальна електрокардіограма #аритмія #сліпе розділення джерел
с. 356487.1-356487.11
10.20535/2523-4455.mea.356487

Імітаційне моделювання фільтро-компенсаційного перетворювача для трифазної трипровідної мережі

Іван Андрійович Вакуленко, канд. техн. наук, доц. Дмитро Анатолійович Миколаєць, канд. техн. наук, доц. Катерина Сергіївна Клен

У цій статті розглядається критична проблема погіршення якості електроенергії в сучасних енергосистемах, спричинена поширенням нелінійних навантажень. Такі навантаження…

#фільтр-компенсаційний перетворювач #трифазна трипровідна мережа #якість електроенергії #повне гармонійне спотворення
с. 361138.1-361138.6
10.20535/2523-4455.mea.361138

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 60

Ви також можете розпочати розширений пошук схожих статей для цієї статті.