基于人工智能的练习曲目的生成方法及生成装置与流程

本发明涉及人工智能，尤其涉及一种基于人工智能的练习曲目的生成方法及生成装置。

背景技术：

1、传统上，钢琴学习者通常需要通过练习一系列固定的乐曲来提升他们的技术水平。这些乐曲可能来自教科书或由老师推荐，它们固定且不易修改。尽管这些乐曲在技巧和音乐理论方面都有很好的教育效果，但是他们的固定性和难以个性化的特点，使得学生在学习过程中可能感到乏味或挫败。

2、现有的自动音乐生成技术主要依赖于循环神经网络(rnn)。这种类型的网络能够处理序列数据，并能捕获到序列中的时间依赖关系。然而，这种技术在处理复杂的音乐序列时存在缺陷。尽管可以生成具有一定音乐感的旋律，但其对于更复杂的音乐结构(如和弦进程或音乐形式)的理解和生成能力相对较弱。

3、相关技术中，提出一种被称为"aiva"(artificial intelligence virtualartist)的音乐作曲ai。aiva通过学习大量的古典音乐作品，使用深度学习技术生成新的音乐。aiva主要使用循环神经网络(rnn)进行学习和生成。然而，aiva主要用于创建新的音乐作品，而不是为个体学生定制练习曲目。此外，aiva的技术侧重于生成连贯的旋律，而较少考虑到音乐中的其他元素，如音符的时长、力度和和弦等。

4、综上所述，现有技术的主要缺点包括以下几点：

5、钢琴练习曲目的固定性和个性化程度不足：由于传统的练习曲目是固定的，对学生的技巧和兴趣缺乏个性化的反馈，导致学习过程中可能感到乏味或挫败。这可能对学生的学习效果和持久度产生负面影响。

6、自动音乐生成的局限性：现有的自动音乐生成技术，如使用循环神经网络(rnn)的技术，虽然能生成具有一定音乐感的旋律，但在处理复杂的音乐结构(如和弦进程或音乐形式)的理解和生成能力相对较弱。

7、缺乏对音乐多元性的处理：现有的自动音乐生成技术通常只关注音符的选择，而较少考虑音乐的其他元素，如音符的时长、力度和和弦等。这使得生成的音乐可能在丰富性和动听性上受到限制。

技术实现思路

1、本发明要解决的技术问题是如何通过人工智能生成高质量练习曲目，本发明提出一种基于人工智能的练习曲目的生成方法及生成装置。

2、根据本发明实施例的基于人工智能的练习曲目的生成方法，包括：

3、a10，收集多个维度的学生数据；

4、a20，通过多任务深度学习网络对收集的所述学生数据进行处理，构建学生模型；

5、a30，利用强化学习算法，结合所述学生模型，生成练习曲目。

6、根据本发明的一些实施例，所述生成方法还包括：a40，基于学生对所述练习曲目的评价反馈，对所述学生模型和曲目生成的算法进行优化。

7、在本发明的一些实施例中，步骤a40中，基于学生对所述练习曲目的评价反馈计算评价函数，所述评价函数为：

8、r＝wm*rm+wf*rf+wl*rl；

9、其中，rm为用于评价所述练习曲目的质量的音乐理论评价值，wm为音乐理论评价值的权重；

10、rf为所述练习曲目练习过程中的实时反馈评价值，wf为实时反馈评价值的权重；

11、rl为所述练习曲目的长期学习效果评价值，wl为长期学习效果评价值的权重。

12、根据本发明的一些实施例，步骤a10包括：练习数据、反馈信息及辅助信息；

13、所述练习数据包括：弹奏乐曲、弹奏速度、按键力度、练习时间、练习频率和乐曲复杂度；

14、所述反馈信息包括：练习曲目的喜好度评价和技术进步自评；

15、所述辅助信息包括：学生的年龄、音乐基础知识水平和偏好的音乐风格。

16、在本发明的一些实施例中，步骤a20中，所述多任务深度学习网络包括：

17、练习数据子网络，用于基于所述练习数据提取学生的技术水平特征；

18、反馈信息子网络，用于基于所述反馈信息提取学生的偏好特征；

19、辅助信息子网络，用于基于所述辅助信息提取学生的个人信息特征；

20、所述练习数据子网络、所述反馈信息子网络及所述辅助信息子网络之间通过隐藏层进行信息共享。

21、根据本发明的一些实施例，步骤a30具体包括：

22、a31，设计智能体，所述智能体的状态空间包括当前的音乐序列和学生模型，动作空间包括音符、音符的时长、力度、和弦类型；

23、a32，在每个时间步，所述智能体根据当前的状态和策略网络，选择一个动作，生成一个音符，同时指定所述音符的时长、力度和和弦类型；

24、a33，将所述音符加入到当前的音乐序列中，生成新的状态，并根据当前的音乐序列和学生模型，计算出用于评价智能体的动作的奖励。

25、在本发明的一些实施例中，步骤a32中，所述智能体的策略网络由深度神经网络实现，输入为所述智能体的状态，输出为在动作空间中各个动作的概率分布，智能体在每个时间步根据当前的状态和策略网络选择一个动作。

26、根据本发明的一些实施例，步骤a33中，基于预设的奖励函数计算所述奖励，所述奖励函数包括乐曲的音乐性、乐曲的多元性和与学生模型的匹配程度；

27、所述乐曲的音乐性包括：旋律连贯性、和声适当性音乐理论规则；

28、所述乐曲的多元性包括：音符时长和力度的变化性、和弦类型的多样性；

29、与学生模型的匹配程度包括：乐曲难度应适合学生的技术水平，乐曲风格应符合学生的音乐偏好。

30、根据本发明实施例的基于人工智能的练习曲目的生成装置，包括：

31、收集模块，用于收集多个维度的学生数据；

32、模型构建模块，用于通过多任务深度学习网络对收集的所述学生数据进行处理，构建学生模型；

33、练习曲目生成模块，用于利用强化学习算法，结合所述学生模型，生成练习曲目。

34、根据本发明的一些实施例，所述生成装置还包括：

35、优化模块，用于基于学生对所述练习曲目的评价反馈，对所述学生模型和曲目生成的算法进行优化。

36、本发明具有如下有益效果：

37、本发明的练习曲目的生成具有个性化和持续学习的特性。通过利用深度学习技术收集和分析学生的练琴数据，本发明可以构建一个个性化的学生模型，该模型可以准确地反映出学生的技术水平和音乐偏好。然后，通过基于深度强化学习进行曲目生成，可以生成与学生的技术水平和音乐偏好相匹配的练习曲目。本发明大大丰富了练习曲目的多样性，提高了学生的学习兴趣和效果。

38、另外，本发明的练习曲目生成方法具有持续学习和进步的能力。当学生进行练习并提供反馈后，可以根据反馈信息进行自我评价和调整，更新学生模型，改善曲目生成的策略。由此，能够不断地适应学生的发展和变化，进一步提高了乐曲生成的质量和满足度。

技术特征：

1.一种基于人工智能的练习曲目的生成方法，其特征在于，包括：

2.根据权利要求1所述的基于人工智能的练习曲目的生成方法，其特征在于，

3.根据权利要求2所述的基于人工智能的练习曲目的生成方法，其特征在于，步骤a40中，基于学生对所述练习曲目的评价反馈计算评价函数，所述评价函数为：

4.根据权利要求1所述的基于人工智能的练习曲目的生成方法，其特征在于，步骤a10包括：练习数据、反馈信息及辅助信息；

5.根据权利要求1所述的基于人工智能的练习曲目的生成方法，其特征在于，步骤a20中，所述多任务深度学习网络包括：

6.根据权利要求1所述的基于人工智能的练习曲目的生成方法，其特征在于，步骤a30具体包括：

7.根据权利要求6所述的基于人工智能的练习曲目的生成方法，其特征在于，步骤a32中，所述智能体的策略网络由深度神经网络实现，输入为所述智能体的状态，输出为在动作空间中各个动作的概率分布，智能体在每个时间步根据当前的状态和策略网络选择一个动作。

8.根据权利要求6所述的基于人工智能的练习曲目的生成方法，其特征在于，步骤a33中，基于预设的奖励函数计算所述奖励，所述奖励函数包括乐曲的音乐性、乐曲的多元性和与学生模型的匹配程度；

9.一种基于人工智能的练习曲目的生成装置，其特征在于，包括：

10.根据权利要求9所述的基于人工智能的练习曲目的生成装置，其特征在于，所述生成装置还包括：

技术总结
本发明提出了一种基于人工智能的练习曲目的生成方法及生成装置，生成方法包括：A10，收集多个维度的学生数据；A20，通过多任务深度学习网络对收集的所述学生数据进行处理，构建学生模型；A30，利用强化学习算法，结合所述学生模型，生成练习曲目。本发明利用深度学习技术收集和分析学生的数据，构建个性化的学生模型，以准确地反映出学生的技术水平和音乐偏好。基于深度强化学习进行曲目生成，可以生成与学生的技术水平和音乐偏好相匹配的练习曲目，丰富了练习曲目的多样性，提高学习兴趣和练习效果。而且，可以根据反馈信息更新学生模型，改善曲目生成的策略，不断地适应学生的发展和变化，提高了乐曲生成的质量和满足度。

技术研发人员：邵俊
受保护的技术使用者：深圳市真实智元科技有限公司
技术研发日：
技术公布日：2024/1/16