[发明专利]基于多声部的音乐数据识别方法、装置、设备及存储介质

权利要求书

1.一种基于多声部的音乐数据识别方法，其特征在于，所述基于多声部的音乐数据识别方法包括：

获取多声部音乐数据，并采用神经网络架构将所述多声部音乐数据转换为音乐序列，所述音乐序列包括音高序列和节奏序列；

将所述音乐序列输入多声部音乐识别模型中进行递归卷积，生成多个样本乐谱序列组；

根据所述多个样本乐谱序列组、预先训练好的音乐语言模型和条件概率模型，生成多个匹配概率组，所述多个样本乐谱序列组与所述多个匹配概率组一一对应；

基于所述多个匹配概率组在所述多个样本乐谱序列组中确定多个目标单声部音乐数据。

2.根据权利要求1所述的基于多声部的音乐数据识别方法，其特征在于，所述获取多声部音乐数据，并采用神经网络架构将所述多声部音乐数据转换为音乐序列，所述音乐序列包括音高序列和节奏序列包括：

获取多声部音乐数据，将所述多声部音乐数据输入卷积神经网络，生成初始音乐特征向量；

将所述初始音乐特征向量输入长短期记忆人工神经网络，进行时域变化减小处理，生成减小时域变化后的音乐特征向量；

将所述减小时域变化后的音乐特征向量输入深度神经网络的全连接层进行映射，生成音乐序列，所述音乐序列包括音高序列和节奏序列。

3.根据权利要求1所述的基于多声部的音乐数据识别方法，其特征在于，所述将所述音乐序列输入多声部音乐识别模型中进行递归卷积，生成多个样本乐谱序列组包括：

读取预置的权重参数，并将所述音乐序列输入多声部音乐识别模型中的第一层隐藏层，结合所述预置的权重参数进行卷积，生成第一准确率和第一隐藏音乐向量；

基于预置的损失函数和所述第一准确率计算第一权重参数，并将所述第一隐藏音乐向量输入第二层隐藏层，结合所述第一权重参数进行卷积，生成第二准确率和第二隐藏音乐向量；

基于所述损失函数和所述第二准确率计算第二权重参数，并将所述第二隐藏音乐向量输入第三层隐藏层，结合所述第二权重参数进行卷积，生成第三准确率和第三隐藏音乐向量；

按照上述步骤在其他层隐藏层基于对应的权重参数和对应的隐藏音乐向量进行卷积，生成多个样本乐谱序列组。

4.根据权利要求1所述的基于多声部的音乐数据识别方法，其特征在于，所述根据所述多个样本乐谱序列组、预先训练好的音乐语言模型和条件概率模型，生成多个匹配概率组，所述多个样本乐谱序列组与所述多个匹配概率组一一对应包括：

按照时刻顺序将所述多个样本乐谱序列组依次输入预先训练好的音乐语言模型中进行比对，生成多个条件概率组；

按照时刻顺序将所述多个条件概率组依次输入条件概率模型，生成多个匹配概率组，所述多个样本乐谱序列组与所述多个匹配概率组一一对应。

5.根据权利要求1所述的基于多声部的音乐数据识别方法，其特征在于，所述基于所述多个匹配概率组在所述多个样本乐谱序列组中确定多个目标单声部音乐数据包括：

针对一个样本乐谱序列组，在对应的匹配概率组中搜寻最大的匹配概率，确定目标匹配概率；

在对应的样本乐谱序列组中，将所述目标匹配概率对应的样本乐谱序列确定为单个目标单声部音乐数据；

针对其他样本乐谱序列组和对应的其他匹配概率组，确定多个其他目标单声部音乐数据；

整合所述单个目标单声部音乐数据和所述多个其他目标单声部音乐数据生成多个目标单声部音乐数据。

6.根据权利要求1-5中任意一项所述的基于多声部的音乐数据识别方法，其特征在于，在所述获取多声部音乐数据，并采用神经网络架构将所述多声部音乐数据转换为音乐序列，所述音乐序列包括音高序列和节奏序列之前，所述基于多声部的音乐数据识别方法还包括：

获取待处理多声部音乐数据，并将所述多声部音乐数据进行预处理，生成多声部音乐数据。