DOI: https://doi.org/10.20535/2523-4455.2018.23.4.105200

Застосування нейронних мереж для вирішення завдання генерації музики

Yaroslav Yuriiovych Dorogyi, Vasyl Vasylovych Tsurkan, Kyryl D Beldiaha

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

Повний текст:

PDF

Посилання


E. Douglas, “Make Music and Art Using Machine Learning,” Magenta, 2016. [Online]. Available: https://magenta.tensorflow.org/.

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/.

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/.

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.

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.

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.

Z. C. Lipton, J. Berkowitz, and C. Elkan, “A Critical Review of Recurrent Neural Networks for Sequence Learning,” 2015, arXiv: 1506.00019.

G. (LISA lab. . Hinton, “Restricted Boltzmann Machines (RBM),” DeepLearning 0.1 documentation, 2010. [Online]. Available: http://deeplearning.net/tutorial/rbm.html.

G. Hinton, “Deep Belief Nets,” Toronto, 2007, URL: https://www.cs.toronto.edu/~hinton/nipstutorial/nipstut3.pdf.

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

J. Allwright, “ABC version of the Nottingham Music Database,” 2003. [Online]. Available: http://abc.sourceforge.net/NMD/.


Перелік посилань за IEEE 2006






Copyright (c) 2017 Дорогий Я. Ю., Цуркан В. В., Бельдяга К. Д.

Creative Commons License
Ця робота ліцензована Creative Commons Attribution 4.0 International License.

ISSN: 2523-4447
e-ISSN: 2523-4455