[发明专利]基于测度学习半监督的钢琴乐谱难度识别方法

说明书

技术领域

本发明属于机器学习领域，尤其涉及半监督算法和测度学习理论去实现钢琴乐谱难度识别方法。

背景技术

钢琴乐谱难度等级识别即用一种算法能够自动识别某一钢琴乐谱的难度等级，给予使用者参考意见。半监督算法即充分利用无标签数据，扩大难度识别的数据库，提高识别准确率。每天有大量的钢琴乐谱被创作出来，并且在音乐历史中已经有大量的钢琴乐谱存在。然而，如何从庞大的钢琴乐谱数据中找到与学习者学习等级匹配的乐谱是一个很大的挑战。对于专业钢琴学习者，一般都有固定进阶教材，但不利于个性化学习以激发学习者的热情和兴趣，有必要对网上海量的乐谱进行难度等级的衡量。对于音乐业余爱好者，选择合适自己的难度等级乐谱，以防学习信心受挫，学习热情降低，有利于自身音乐学习水平更快的提升。判断钢琴乐谱的难度等级是一个相对较复杂的任务。首先，钢琴乐谱难度判断的标准和准则较难完全客观地定义出来，现在绝大部分乐谱难度等级仍然需要专业人士进行主观判断。然而对于现在网络中数以万计的数字乐谱，人为逐个去判断其难度等级将会是一个耗时耗力的巨大工程，是不现实的。再者，影响人为主观判断的因素有很多，尤其对于多类别问题，人为主观感知很难一直准确地把握每一个难度等级之间的区别。不同的人对于同一首乐谱可能会给出不同的难度等级，甚至对于同一首乐谱，同一个人在不同的时间也会给出不同的难度等级。为给网络中共享的海量数字钢琴乐谱提供难度等级标签，同时避免耗费大量人为工作时间以及避免人为主观判断难度等级的不一致性，依据机器学习与模式识别相关理论，设计一种能够自动识别乐谱难度等级的算法将会是一个有效的策略。

数字钢琴乐谱难度等级识别是一个较新但很有潜力和应用前景的技术领域。Shih-Chuan Chiu等人最先开始研究提出钢琴乐谱难度等级识别领域。他们首先定义一些和钢琴难度密切相关的特征，并利用特征选择算法对特征重要程度进行排序，然后考虑用三种回归方法去实现钢琴难度的自动识别。无论是多元线性回归还是逐步回归都是以特征和难度等级之间是线性关系的假设为前提，此模型过于简化特征和难度等级之间的实际关系，而支持向量回归虽可实现非线性拟合，但其拟合效果不令人满意。另外，回归算法更倾向于解释型，即可以较明了地表示特征与难度等级之间的函数关系，建立模型，适合拟合数据，预测定量的输出(即输出是连续值)，但对于输出是离散值的分类问题能力有限。

Véronique Sébastien等人根据音乐教学的过程，提出一种基于乐谱分析的方法实现钢琴乐谱难度识别。首先也定义一些难度相关特征，然后利用主成分分析法(PCA)进行降维，将特征投影到二维空间，经过分层聚类(hierarchical clustering)和k均值聚类得到难度类别标签。人主观判断会权衡各个难度准则的重要程度，并且不会受到乐谱题材的影响，而PCA和聚类算法不会权衡特征重要性，并且也会受到音乐题材的影响。聚类算法属于非监督分类算法，虽然能够充分利用特征与难度等级之间的自然分布关系，但无法利用已有的难度等级标签作为先验知识帮助分类。例如实验中，原始乐谱数据是四个类别，经过PCA降维后，应用聚类算法，最终仅得到三个难度类别。

郭龙伟等人将乐谱难度等级识别视为分类问题。为更好地描述数字钢琴乐谱，重新定义了七个难度相关特征，并结合之前的特征总共有25个特征。并利用回归拟合对比实验和ReliefF算法对难度相关特征进行有效性的判断，证明新提出特征的有效性，然后通过散点图分析特征与难度等级的自然分布关系后，决定使用非线性分类算法实现乐谱难度等级识别，首先利用测度学习(Metric Learning)理论改进k最近邻(k nearest neighbors，KNN)，即P-KNN算法。基于求解大间隔优化问题，利用KNN算法分类原理实现待定乐谱难度等级的识别。他们也采用了基于测度学习理论，从数据本身有监督地学习到测度DM，并用之改进高斯径向基核函数，对支持向量机(SVM)算法进行改进，提出一种ML-SVM算法，并利用网格搜索算法寻找最优的模型参数组合。本研究基于两个数据集，并且ML-SVM算法在九类难度等级数据集上达到准确率为84.67％。本文实验数据还是比较少的，为了提高算法的适用性和泛化能力，更好的验证算法的性能，应将算法在更大的钢琴乐谱数据库中进行测试。

因此需要一种解决或至少改善现有技术中固有的一个或多个问题的钢琴乐谱难度等级识别方法。

发明内容