权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Development of Artificial Intelligence that Simulates Human Kansei for Melodies Written in Music Notation

开发模拟人类感性的乐谱旋律人工智能

基本信息

批准号：
22K12329
负责人：
川村暁
金额：
$ 1.75万
依托单位：
Iwate University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2026-03-31
项目状态：
未结题

项目摘要

楽器演奏者の楽譜（旋律）演奏におけるテンポや印象などの感性情報を得るため被験者実験を行っている．楽譜（旋律）は，本科研費およびJP18K11598の助成で構築した820旋律を用いた．被験者の楽器は吹奏楽器とピアノである．被験者８名が実験中である．これまでの被験者実験の結果をデータベース化し分析基盤を構築中である．実験が完了している12名のデータを入力した．集成されたデータに基づきクロス分析する際の指標について検討中である．データセットの元である楽譜の，作曲年代・作曲者・種別などを指標とした解析を行う基盤となる．このような，録音された音のデータセットでは無く，楽譜と感性情報処理の結果（楽譜と，楽譜を演奏したときのテンポ・好き嫌いなど）の対になったデータセットは特異である．これまでに集成した楽譜とテンポを用いて，数値化した楽譜からテンポのはやい・おそいを機械学習し学習に用いていない評価用の楽譜のテンポのクラスを模擬できるか計算機実験を行っている．ある楽器演奏者の推定したテンポをデータとし，前処理に自己符号化器を用いた深層ニューラルネットワーク（入力層１，中間層１１，出力層１）とし，Optunaにより最適パラメータを検索した結果，学習用データの認識率は99.8%，評価用データの認識率は83.9%となった．引き続き，学習に用いていない評価用データの認識率の向上，および，他の被験者の推定したテンポのクラス分類について機械学習を行っている．

The musician's music score (melody) plays the music. The performer's music score (melody) plays the music. The performer's music score (melody) plays the music. Music (Melody), this research fee is JP18K11598 and help to construct it 820 Melody is used. The person who was killed was killed. The eight names of the victims are. The results of this analysis are in the process of constructing an analytical matrix. 12 of the 12 members of the National Committee of the Communist Party of China (CPC) have completed their work. The integration of data base analysis and data base analysis. The year of composition, the composer, the category, the index, the analysis, the base plate. At this point, there is no need to record the audio data, and the results of the music and perceptual information processing (music, music, and time to play) are unique. This is the first time that a computer system has been developed. In the pre-processing, the player's estimation is performed in the middle of the deep layer (input layer 1, middle layer 11, output layer 1). In the pre-processing, the player's recognition rate for learning is 99.8%, and the recognition rate for evaluation is 83.9%. In this paper, the author points out that, in order to improve the recognition rate of learning, it is necessary to evaluate the recognition rate of learning.