bp神经网络在器乐演奏评价中的应用

bp神经网络在器乐演奏评价中的应用

ID:9922044

大小:25.50 KB

页数:7页

时间:2018-05-15

bp神经网络在器乐演奏评价中的应用_第1页
bp神经网络在器乐演奏评价中的应用_第2页
bp神经网络在器乐演奏评价中的应用_第3页
bp神经网络在器乐演奏评价中的应用_第4页
bp神经网络在器乐演奏评价中的应用_第5页
资源描述:

《bp神经网络在器乐演奏评价中的应用》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库

1、BP神经网络在器乐演奏评价中的应用实践与经验0引言BP神经网络在器乐演奏评价中的应用王文海.袁剑(1.西安工业大学数理系,西安710032;2.西安音乐学院计算机教研室,西安710061)摘要:评价者在为器ft.演奏者的表演打分时易受主观因素影响.而演奏者的表演也需从多个指标来衡量.BP神经网络可模拟由各因素构成的非线性映射.建立声乐评价体系,将各个评价指标客观化,使用成绩向量作为输入,经由BP神经网络输出得到合理的分数.实验仿真表明,通过训练的BP网络可模拟一个稳定的评分系统.关键词:BP神经网络;器乐演奏;

2、评价模型传统的器乐演奏评价方法多以专家打分的方法来实现.由于对演奏者表演的评价是受各个专家主观评判.以及其个人的思维感受影响.其给出的分值是根据感觉和印象打出,虽然给出具体的分值.但是并不能说明分值确切含义.因此造成看起来十分精确的分数却不能精确地说明所评价表演者的演奏具体水平或优劣状态.影响表演效果的因素多.且各个因素的影响程度也各不相同传统的评分方法使用的是简单的线性分类数学解析表达式.这种方法忽视了各评价指标和演唱效果之间的非线性关系,其结果带有很大的主观性.不能很好地,真实地反映表演者的水平1标准BP神

3、经网络结构BP(BackPropagation)网络的学习是由正向传播和反向传播两部分组成.其算法步骤如下12l.(1)初始化,选定合理的网络结构,设置权和阈值为均匀分布的较小数值:(2)对每个输入样本计算:①前向计算对第z层的_『单元"():∑'()(n),其中.i=0,,"(,1)为前一层((z一1)层)的单元i送来的信号(:0时置'(n)=一1,':"(n)),在本模型中单元f的作用函数为Sigmoid函数,则y(n)=———=l+exp((n))((n)).若神经原-『属于第一隐层(1),则有∞(n):

4、(n).若神经元_『属于输出隐层(f_L),则有(n)=0J()且ei(n)=(n)一(n)②反向计算对输出单元"(n)=:e(n)Q(n)(1一(,1))(z:£)对隐单元"(n).(n)[1(n)]∑占k""'(n)(n)③修正权值(3)n=n+l,输入新的样本,直至'达到预定要求.训练时各周期样本的输入顺序要重新随机排序.2评价模型的构建2.1器乐演奏评价体系在不同的器乐演奏比赛和考核中.应制定柑应能够进行量化表述的一套客观标准.评价方案设计如下:表1器乐演奏评价标准收稿日期:2010-06-28修稿日期

5、:2010—07—28作者筒介:王文海(1976一),男,陕西大荔人.硕士研究生,助教.研究方向为偏微分方程及应用现代计算机2010.08此评价体系中各项指标的分值区间为[0,10].设有n位专家参与打分.每位专家将根据自己专业的特长为选手各项指标打分.则每一位选手可获得评价矩阵A行向量e为各位专家所打各项指标分值,由于各个专家特长不一样.因此可有专家只为某几个指标打分列向量为该选手在某个指标上各位专家所给出的分值.在该矩阵中,专家‰e负责技巧类别的打分,而e2负责艺术类别的打分,专家‰e负责风格类的打分计算列

6、向量的均值.得到该选手的该指标成绩向量,将所得成绩向量作为神经网络的输人.以下即为一个选手的评分矩阵Xo1234x567对每一列求算术平均值可得该选手的成绩向量:S=[8.858.67.759.18.17.758.257.5].2.2BP网络模型的设计为了避免实际操作中有时偏"严".有时偏"宽".对同一演奏者评出大相径庭的分数因此先请对某种器乐演奏艺术有造诣并且熟悉表演艺术规律的专家.按照表l的各个分项打出分项成绩.再根据器乐演奏艺术的美学规则做出一个较为客观,公正的总分.以分项成绩为输人.总分为样本对网络进行

7、训练,使BP网络以调整各层权值的方式学习专家经验.即采用BP网络来模拟一个稳定的专家打分系统根据BP神经网络模型的定理(Kolmogrov定理):给定任一连续函数厂:[0,1]厂可以用一个三层前向神经网络实现.第一层即输入层有n个神经元.中间层有2n+1个神经元,第三层输出层有m个神经元.因此一个三层结构的.有Sigmoid神经元.并有足够隐节点的BP神经网络可以逼近任何一个连续函数我们采用具有三层结构的BP神经网络.由输入层,隐藏层,输出层构成.根据器乐演奏评价体系中的8个指标,记为S=so,s,,…,s,]

8、,因此网络的输入层有8个输入.我们需要的是将这多个指标分值综合考虑.根据学习的经验给出一个确定的分值.因此输出层确定为1个节点隐层神经元个数的选取根据经验公式m=,/+确定.其中m为隐层节点数,n为输入节点数.z为输出节点数,.为调节常数,取值在1~io之间,根据实验确定隐层神经元个数为11个.隐层传递函数使用"lognsig"对数Sigmoid传递函数实现,输出层传递函数使用"pur

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。