[发明专利]音乐模型训练、音乐创作方法、装置、终端及存储介质

权利要求书

1.一种音乐模型训练方法，其特征在于，所述方法包括：

获取MIDI音乐数据集，所述MIDI音乐数据集包括多个MIDI乐谱；

提取每一个MIDI乐谱的特征向量；

将所述特征向量输入至结构化支持向量机中进行训练得到音乐模型，包括：构造判别函数f(x；w)，x是特征向量，w是参数向量，将最大化判别函数f(x；w)的数据值作为预测值进行输出；根据预设损失函数对所述预测值与真实值进行计算，其中，P为数据的概率分布，用训练样本数据计算得到的经验风险代替；使用SVM的优化公式求解唯一参数向量ω使得通过训练样本数据的经验风险为零；解得判别函数f(x；ω)，最后输出音乐时间序列。

2.如权利要求1所述的方法，其特征在于，所述提取每一个MIDI乐谱的特征向量包括：

提取MIDI乐谱的音高序列作为第一特征向量；

提取MIDI乐谱的时序序列作为第二特征向量；

将所述第一特征向量与所述第二特征向量进行连接，得到MIDI乐谱的特征向量。

3.如权利要求2所述的方法，其特征在于，所述提取MIDI乐谱的时序序列作为第二特征向量还包括：

求解所有时序序列的最大公约数，作为单位时长；或

计算每一个时序序列为所述单位时长的倍数，将所述倍数作为按键对应的时序序列。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

将所获取的MIDI音乐数据集分为第一数据集和第二数据集；

在所述第一数据集中随机选择第一预设数量的数据集参与所述音乐模型的训练；

在所述第二数据集中随机挑选一首MIDI乐谱；

提取挑选出的MIDI乐谱的预设时间段内的乐谱的特征向量；

将所述预设时间段内的乐谱的特征向量输入至训练好的所述音乐模型中，输出对应的MIDI乐谱；

根据所述挑选出的MIDI乐谱与所述输出的MIDI乐谱，验证训练的音乐模型的性能。

5.如权利要求4所述的方法，其特征在于，所述验证训练的音乐模型的性能包括：

提取所述挑选出的MIDI乐谱的第一波形；

提取所述输出的MIDI乐谱的第二波形；

计算所述第一波形与所述第二波形的相似度；

判断所述相似度是否大于预设相似度阈值；

如果所述相似度大于或者等于所述预设相似度阈值时，则确定训练出的所述音乐模型的性能较优；

如果所述相似度小于所述预设相似度阈值时，则确定训练出的所述音乐模型的性能较差。

6.一种音乐创作方法，其特征在于，所述方法包括：

采集用户创作的包含几个MIDI音符的MIDI乐谱，作为待创作的MIDI乐谱；

提取所述待创作的MIDI乐谱的音高序列作为第三特征向量；

提取所述待创作的MIDI乐谱的时序序列作为第四特征向量；

将所述第三特征向量与所述第四特征向量进行连接，得到MIDI乐谱的特征向量；

将所述特征向量输入至预先训练好的音乐模型中进行学习，其中，所述音乐模型为采用如权利要求1-5任意一项所述的方法训练得到；

输出对应的MIDI乐谱。

7.一种音乐模型训练装置，其特征在于，所述装置包括：

获取模块，用于获取MIDI音乐数据集，所述MIDI音乐数据集包括多个MIDI乐谱；

提取模块，用于提取每一个MIDI乐谱的特征向量；

训练模块，用于将所述特征向量输入至结构化支持向量机中进行训练得到音乐模型，包括：构造判别函数f(x；w)，x是特征向量，w是参数向量，将最大化判别函数f(x；w)的数据值作为预测值进行输出；根据预设损失函数对所述预测值与真实值进行计算，其中，P为数据的概率分布，用训练样本数据计算得到的经验风险代替；使用SVM的优化公式求解唯一参数向量ω使得通过训练样本数据的经验风险为零；解得判别函数f(x；ω)，最后输出音乐时间序列。