[发明专利]基于Bi-LSTM深度强化学习网络的鼓乐生成方法

说明书

一种基于Bi‑LSTM深度强化学习网络的民间鼓乐生成方法，包括如下步骤：S100：将民间古乐表示成音符序列；S200：将所产生的音符序列通过编码技术转化成音符向量集；S300：将所述音符向量集输入到Bi‑LSTM神经网络中进行训练，生成基于字符级的Bi‑LSTM鼓乐生成网络；S400：基于强化学习Actor‑Critic算法对所述基于字符级的Bi‑LSTM鼓乐生成网络进行训练，得到基于Bi‑LSTM深度强化学习网络；S500：将输入的音符序列输入到所述基于Bi‑LSTM深度强化学习网络中，可以自主的生成鼓乐作品。本方法可以基本实现高质量、具艺术审美的西安鼓乐的生成，缓解西安鼓乐曲目缺乏问题。

技术领域

本公开属于人工智能、神经网络技术领域，特别涉及一种基于Bi-LSTM深度强化学习网络的鼓乐生成方法。

背景技术

近年来，人工智能艺术，尤其是人工智能音乐变得流行起来，相关技术也变得触手可及。然而，大多数AI音乐生成器平台主要专注于创作现代音乐，未专注于民乐的创作，且生成策略只是根据训练保存的策略来选择下一个音符，由此生成的音乐容易生成不和谐的和声和旋律。

西安鼓乐兴盛于唐代，在民间已传承千年，2006年入选首批国家级非物质文化遗产名录，主要由中国传统的民族乐器演奏，被誉为是“中国古代音乐的活化石”和“中国古代的交响乐”。作为中国传统音乐的符号，西安鼓乐在新时期印证了中华音乐文化的博大精深与渊源悠久，不仅具有非遗的普遍性特点，也具有其特有的发展历程及艺术价值。

目前音乐生成的方法主要有基于马尔可夫模型的音乐生成和基于神经网络的音乐生成。随着深度学习技术的发展，涌现出越来越多基于神经网络的音乐生成算法，如使用循环神经网络(Recurrent Neural Network，RNN)、长短期记忆网络(Long Short-TermMemory，LSTM)以及生成对抗网络(Generative Adversarial Networks，GAN)的音乐生成。

但与人工智能相关的作曲算法在使用的过程中也仍存在着各自的优势和不足。如大多单一算法作曲生成的音乐缺乏感情色彩，风格体裁过于单一；未把专业的音乐知识加入到网络模型中；未考虑到和弦和乐理规则对音符选择的影响；没有注重网络模型创新性等问题，而且目前主要是针对西方音乐创作的研究，而针对非西方音乐尤其中国民族民间音乐的自动创作的研究还处于初级阶段。常规的深度学习LSTM音乐生成网络模型在音乐生成中大都没有考虑乐理规则和西安鼓乐面临的曲目稀缺，作曲困难的问题。

发明内容

鉴于此，本公开提供了一种基于Bi-LSTM深度强化学习网络的民间鼓乐生成方法，包括如下步骤：

S100：将民间古乐表示成音符序列；

S200：将所产生的音符序列通过编码技术转化成音符向量集；

S300：将所述音符向量集输入到Bi-LSTM神经网络中进行训练，生成基于字符级的Bi-LSTM鼓乐生成网络；

S400：基于强化学习Actor-Critic算法对所述基于字符级的Bi-LSTM鼓乐生成网络进行训练，得到基于Bi-LSTM深度强化学习网络；

S500：将输入的音符序列输入到所述基于Bi-LSTM深度强化学习网络中，可以自主的生成鼓乐作品。

通过上述技术方案，根据西安鼓乐自身鲜明的中国古代音乐特点，基于强化学习中的Actor-Critic算法，提出在模拟生成阶段通过奖惩得分构建生成策略改进方法。为了让模型能够充分考虑到真实的民间鼓乐创作过程，针对西安鼓乐独特的音高、和弦、调式等创作理论风格，将一定和弦进行和乐理规则等抽象概念约束转换成计算机语言。通过构建和弦进行奖励机制和乐理规则奖励机制，利用全局的价值回报来实现鼓乐的和谐性约束，实现系统化的鼓乐生成。基于Bi-LSTM深度强化学习模型可以基本实现高质量、具艺术审美的西安鼓乐的生成。