基于O/C度量的乐谱美学和演奏美学评价方法

基于o/c度量的乐谱美学和演奏美学评价方法
技术领域
1.本发明涉及音乐计算美学技术领域，更具体的说是涉及基于o/c度量的乐谱美学和演奏美学评价方法。


背景技术：

2.音乐作为人类最具感染力的艺术之一，吸引了大量研究人员对其进行详细研究。目前市面上有许多与音乐生成相关的应用，但是这些应用生成的音乐质量参差不齐，许多甚至不能被称为音乐。现有对生成音乐的审美评价多停留在人工评价阶段，其效率较低。此外，现有技术中也有将使用信息率（ir）作为音乐美学评价标准的评价系统，但重复或冗余在艺术中有着本质的不同，因此该评价系统根本无法提供特定的审美意图。
3.因此，如何提供一种高效率且可以提供特定审美意图的音乐美学评价方法是本领域技术人员亟需解决的问题。


技术实现要素：

4.有鉴于此，本发明的目的是提供一种基于o/c度量的乐谱美学和演奏美学评价方法。
5.为了实现上述目的，本发明采用如下技术方案：
6.一种基于o/c度量的乐谱美学评价方法，包括以下步骤：
7.s1：获取作曲家乐谱数据集并添加标签；基于所述作曲家乐谱数据集生成ai乐谱数据集并添加标签；
8.s2:计算作曲家乐谱数据集中各个乐谱数据的音乐特征，获得作曲家乐谱的音乐特征集；
9.计算ai乐谱数据集中各个乐谱数据的音乐特征，获得ai乐谱的音乐特征集；
10.s3：基于所述作曲家乐谱的音乐特征集获得作曲家乐谱的美学特征集；
11.基于所述ai乐谱的音乐特征集获得ai乐谱的美学特征集；
12.s4：基于作曲家乐谱的美学特征集和ai乐谱的美学特征集对乐谱美学方程进行训练，获得乐谱美学评价模型；
13.s5：获取待评价乐谱的美学特征，并利用所述乐谱美学评价模型获得待评价乐谱的评价结果。
14.优选的，作曲家乐谱数据集中各个乐谱数据的音乐特征和ai乐谱数据集中各个乐谱数据的音乐特征均包括音高直方图熵phe、时值直方图熵rhe、和弦进行和谐度cph、音程和谐度ih、音高偏度ps、节奏偏度rs、自相似值ssf和柯式复杂度kc；
15.作曲家乐谱数据集中各个乐谱数据的美学特征和ai乐谱数据集中各个乐谱数据的美学特征均包括和谐特征、对称特征、混乱特征和冗余特征。
16.优选的，所述s2进一步包括：
17.将归一化的和弦进行和谐度cph以及归一化的音程和谐度ih输入到逻辑回归模型
中，获得所述和谐特征；
18.将归一化的自相似值ssf、归一化的音高偏度ps和归一化的节奏偏度rs输入到逻辑回归模型中，获得所述对称特征；
19.将归一化的音高直方图熵phe和归一化的时值直方图熵rhe输入到逻辑回归模型中，获得所述混乱特征；
20.将归一化的柯式复杂度kc输入到逻辑回归模型中，获得所述冗余特征。
21.优选的，所述乐谱美学方程为：
22.；
23.其中，h代表和谐特征，s代表对称特征，ch代表混乱特征，r代表冗余特征，、、和为权重，和为常数。
24.优选的，所述s4进一步包括：
25.s41：对作曲家乐谱的美学特征集和ai乐谱的美学特征集进行归一化处理，并输入到乐谱美学方程中获得各个乐谱的美学分数；
26.s42：利用sigmoid函数将各个乐谱的美学分数进行二分类后建立损失函数；
27.s43：利用梯度下降法计算损失函数的最小值，从而获得乐谱美学方程中、、、、和的取值；
28.s44：将s43获得的、、、、和代入到所述乐谱美学方程中，获得所述乐谱美学评价模型。
29.一种基于o/c度量的演奏美学评价方法，包括以下步骤：
30.s1：获取乐谱直出数据集并添加标签；获取乐谱直出数据集对应的ai演奏数据集并添加标签；获取乐谱直出数据集对应的人类演奏数据集并添加标签；
31.s2:将所述ai演奏数据集和乐谱直出数据集进行音符对齐；将所述人类演奏数据集与所述乐谱直出数据集进行音符对齐；
32.s3：计算乐谱直出数据集中各个直出数据的音乐特征，获得乐谱直出的音乐特征集；
33.计算ai演奏数据集中各个演奏数据的音乐特征，获得ai演奏的音乐特征集；
34.计算人类演奏数据集中各个演奏数据的音乐特征，获得人类演奏的音乐特征集；
35.s4：基于所述乐谱直出的音乐特征集获得乐谱直出的美学特征集；
36.基于所述ai演奏的音乐特征集获得ai演奏的美学特征集；
37.基于所述人类演奏的音乐特征集获得人类演奏的美学特征集；
38.s5：基于乐谱直出的美学特征集、ai演奏的美学特征集和人类演奏的美学特征集对演奏美学方程进行训练，获得演奏美学评价模型；
39.s6：获取待评价演奏的美学特征，并利用所述演奏美学评价模型获得待评价演奏的评价结果。
40.优选的，乐谱直出数据集中各个直出数据的音乐特征、ai演奏数据集中各个演奏
数据的音乐特征和人类演奏数据集中各个演奏数据的音乐特征均包括音高直方图熵phe、时值直方图熵rhe、音高偏差pd、时值偏差rd、节拍偏度bs、力度偏度ds、力度和谐dh、平均力度变化adc、节奏变化tv和柯式复杂度kc；
41.乐谱直出数据集中各个直出数据的美学特征、ai演奏数据集中各个演奏数据的美学特征和人类演奏数据集中各个演奏数据的美学特征均包括和谐特征、对称特征、混乱特征和冗余特征。
42.优选的，所述步骤s3进一步包括：
43.将归一化的音高偏差pd、归一化的时值偏差rd和归一化的力度和谐dh输入到逻辑回归模型中，获得所述和谐特征；
44.将归一化的节拍偏度bs和归一化的力度偏度ds输入到逻辑回归模型中，获得所述对称特征；
45.将归一化的音高直方图熵phe、归一化的时值直方图熵rhe、归一化的平均力度变化adc与归一化的节奏变化tv输入到逻辑回归模型中，获得所述混乱特征；
46.将归一化的柯式复杂度kc输入到逻辑回归模型中，获得所述冗余特征。
47.优选的，所述演奏美学方程为：
48.；
49.其中，h代表和谐特征，s代表对称特征，ch代表混乱特征，r代表冗余特征，、、和为权重，和为常数。
50.优选的，所述s5进一步包括：
51.s51：对乐谱直出的美学特征集、ai演奏的美学特征集和人类演奏的美学特征集进行归一化处理，并输入到演奏美学方程中获得各个演奏的美学分数；
52.s52：利用softmax函数将各个演奏的美学分数进行多分类后建立损失函数；
53.s53：利用梯度下降法计算损失函数的最小值，从而获得演奏美学方程中、、、、和的取值；
54.s54：将s53获得的、、、、和带入到所述演奏美学方程中，获得所述演奏美学评价模型。
55.经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于o/c度量的乐谱美学和演奏美学评价方法，其基于birkhoff的美学方程（m = o / c，其中m表示aesthetic measure，在本发明中具体表示美学分数，o表示秩序，c表示复杂度，本发明秩序包括和谐和对称，复杂度包括混乱和冗余）、信息论和音乐理论，对音乐在和谐（harmony）、对称（symmetry）、混乱（chaos）和冗余（redundancy）四个角度进行了数学形式化描述，其提供的乐谱美学评价模型和演奏美学评价模型可以提供具有特定审美意图的评价结果，且能对大量生成的乐谱和演奏进行快速的评价。
附图说明
56.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
57.图1为本发明的整体示意图。
58.图2为本发明乐谱美学评价流程图。
59.图3为本发明演奏美学评价流程图。
具体实施方式
60.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
61.本发明实施例公开了一种基于o/c度量的乐谱美学评价方法，包括以下步骤：
62.s1：获取作曲家乐谱数据集并添加标签；基于所述作曲家乐谱数据集生成ai乐谱数据集并添加标签；
63.在某一实施例中，提取所述作曲家乐谱数据集的和弦进行，并通过magenta的improve-rnn生成所述ai乐谱数据集；
64.在本实施例中：从musescore网站上下载100首流行歌曲的乐谱，将其作为作曲家乐谱数据集，其文件格式为musicxml；在musescore中提取这100首乐谱的和弦进行，通过magenta的improve_rnn对应生成100首ai乐谱，将这100首ai乐谱作为ai乐谱数据集，其文件格式为musicxml。将作曲家乐谱数据集中的乐谱数据标签设置为1；ai乐谱数据集中的乐谱数据标签设置为0
65.s2:计算作曲家乐谱数据集中各个乐谱数据的音乐特征，获得作曲家乐谱的音乐特征集；
66.计算ai乐谱数据集中各个乐谱数据的音乐特征，获得ai乐谱的音乐特征集；
67.s3：基于所述作曲家乐谱的音乐特征集获得作曲家乐谱的美学特征集；
68.基于所述ai乐谱的音乐特征集获得ai乐谱的美学特征集；
69.s4：基于作曲家乐谱的美学特征集和ai乐谱的美学特征集对乐谱美学方程进行训练，获得乐谱美学评价模型；
70.s5：获取待评价乐谱的美学特征，并利用所述乐谱美学评价模型获得待评价乐谱的评价结果。
71.需要说明的是：所述评价结果包括原始分数和标准化后的分数（当同时评价多个乐谱时进行计算）。其中，原始分数指：将待评价乐谱归一化的美学特征输入到训练好的乐谱美学评价模型中计算出来的值。标准化分数是指将原始分数进行“最大值-最小值”归一化后得到的分数。
72.在某一实施例中，作曲家乐谱数据集中各个乐谱数据的音乐特征和ai乐谱数据集中各个乐谱数据的音乐特征均包括音高直方图熵phe、时值直方图熵rhe、和弦进行和谐度
cph、音程和谐度ih、音高偏度ps、节奏偏度rs、自相似值ssf和柯式复杂度kc；
73.作曲家乐谱数据集中各个乐谱数据的美学特征和ai乐谱数据集中各个乐谱数据的美学特征均包括和谐特征、对称特征、混乱特征和冗余特征。
74.在某一实施例中，所述s2进一步包括：
75.将归一化的和弦进行和谐度cph以及归一化的音程和谐度ih输入到逻辑回归模型中，获得所述和谐特征；
76.将归一化的自相似值ssf、归一化的音高偏度ps和归一化的节奏偏度rs输入到逻辑回归模型中，获得所述对称特征；
77.将归一化的音高直方图熵phe和归一化的时值直方图熵rhe输入到逻辑回归模型中，获得所述混乱特征；
78.将归一化的柯式复杂度kc输入到逻辑回归模型中，获得所述冗余特征。
79.在某一实施例中，所述乐谱美学方程为：
80.；
81.其中，h代表和谐特征，s代表对称特征，ch代表混乱特征，r代表冗余特征，、、和为权重，和为常数。
82.在某一实施例中，所述s4进一步包括：
83.s41：对作曲家乐谱的美学特征集和ai乐谱的美学特征集进行归一化处理，并输入到乐谱美学方程中获得各个乐谱的美学分数；
84.s42：利用sigmoid函数将各个乐谱的美学分数进行二分类后建立损失函数；
85.在本实施例中，各个乐谱的美学分数根据预测标签值和实际标签值（0,1）进行二分类；
86.所述损失函数为交叉熵损失函数。
87.s43：利用梯度下降法计算损失函数的最小值，从而获得乐谱美学方程中、、、、和的取值；
88.本实施例中，学习率为0.01，迭代次数为1000。
89.s44：将s43获得的、、、、和代入到所述乐谱美学方程中，获得所述乐谱美学评价模型。
90.一种基于o/c度量的演奏美学评价方法，包括以下步骤：
91.s1：获取乐谱直出数据集并添加标签；获取乐谱直出数据集对应的ai演奏数据集并添加标签；获取乐谱直出数据集对应的人类演奏数据集并添加标签；
92.进一步的：使用asap数据集，将它的234首乐谱的score-midi，作为乐谱直出数据集；将234首乐谱的musicxml通过virtuosonet网络生成对应数量（234个）的演奏midi数据，将234首演奏midi数据作为ai演奏数据集；把asap数据集中的演奏midi数据（共1060个）作为人类演奏数据集（1060个数据是不同人演奏234个乐谱的数量是之和）。将乐谱直出数据集中的直出数据标签设置为0；将ai演奏数据集中的演奏数据标签设置为1；将人类演奏数
据集中的演奏数据标签设置为2.
93.s2:将所述ai演奏数据集和乐谱直出数据集进行音符对齐；将所述人类演奏数据集与所述乐谱直出数据集进行音符对齐；
94.s3：计算乐谱直出数据集中各个直出数据的音乐特征，获得乐谱直出的音乐特征集；
95.计算ai演奏数据集中各个演奏数据的音乐特征，获得ai演奏的音乐特征集；
96.计算人类演奏数据集中各个演奏数据的音乐特征，获得人类演奏的音乐特征集；
97.s4：基于所述乐谱直出的音乐特征集获得乐谱直出的美学特征集；
98.基于所述ai演奏的音乐特征集获得ai演奏的美学特征集；
99.基于所述人类演奏的音乐特征集获得人类演奏的美学特征集；
100.s5：基于乐谱直出的美学特征集、ai演奏的美学特征集和人类演奏的美学特征集对演奏美学方程进行训练，获得演奏美学评价模型；
101.s6：获取待评价演奏的美学特征，并利用所述演奏美学评价模型获得待评价演奏的评价结果。
102.需要说明的是：所述评价结果包括原始分数和标准化后的分数（当同时评价多个演奏时进行计算）。其中，原始分数指：将待评价演奏归一化的美学特征输入到训练好的演奏美学评价模型中计算出来的值。标准化分数是指将原始分数进行“最大值-最小值”归一化后得到的分数。
103.在某一实施例中，乐谱直出数据集中各个直出数据的音乐特征、ai演奏数据集中各个演奏数据的音乐特征和人类演奏数据集中各个演奏数据的音乐特征均包括音高直方图熵phe、时值直方图熵rhe、音高偏差pd、时值偏差rd、节拍偏度bs、力度偏度ds、力度和谐dh、平均力度变化adc、节奏变化tv和柯式复杂度kc；
104.乐谱直出数据集中各个直出数据的美学特征、ai演奏数据集中各个演奏数据的美学特征和人类演奏数据集中各个演奏数据的美学特征均包括和谐特征、对称特征、混乱特征和冗余特征。
105.在某一实施例中，所述步骤s3进一步包括：
106.将归一化的音高偏差pd、归一化的时值偏差rd和归一化的力度和谐dh输入到逻辑回归模型中，获得所述和谐特征；
107.将归一化的节拍偏度bs和归一化的力度偏度ds输入到逻辑回归模型中，获得所述对称特征；
108.将归一化的音高直方图熵phe、归一化的时值直方图熵rhe、归一化的平均力度变化adc与归一化的节奏变化tv输入到逻辑回归模型中，获得所述混乱特征；
109.将归一化的柯式复杂度kc输入到逻辑回归模型中，获得所述冗余特征。
110.在某一实施例中，所述演奏美学方程为：
111.；
112.其中，h代表和谐特征，s代表对称特征，ch代表混乱特征，r代表冗余特征，、
、和为权重，和为常数。
113.在某一实施例中，所述s5进一步包括：
114.s51：对乐谱直出的美学特征集、ai演奏的美学特征集和人类演奏的美学特征集进行归一化处理，并输入到演奏美学方程中获得各个演奏（包括乐谱直出演奏、ai演奏和人类演奏）的美学分数；
115.s52：利用softmax函数将各个演奏的美学分数进行多分类后建立损失函数；
116.在本实施例中，各个演奏的美学分数根据预测标签值和实际标签值（0,1,2）进行多分类；所述损失函数为交叉熵损失函数。
117.s53：利用梯度下降法计算损失函数的最小值，从而获得演奏美学方程中、、、、和的取值；
118.本实施例中，学习率为0.01，迭代次数为1000。
119.s54：将s53获得的、、、、和带入到所述演奏美学方程中，获得所述演奏美学评价模型。
120.最后对本发明的基本音乐特征的计算公式进行说明：
121.1）计算音高直方图熵phe（pitch histogram entropy）和时值直方图熵rhe（rhythm histogram entropy）的信息熵公式为：
122.；
123.其中，是一个有限集，x是一个随机变量；有限集中的x取不同值时，概率分布为：；pr表示概率（prbiasohiprobability可能性）；x是一个随机变量,用以表示随机试验各种结果的实值单值函数；p(x)表示概率分布；该公式用于衡量音乐属性直方图的混乱程度；
124.2）和弦进行和谐度cph（chord progression harmony）的计算公式为：
125.；
126.其中，ti是和弦进行p的第i个和弦；是常数，分别表示每个音调指示器的权重；d1，d2，d3表示音调距离；t
key
为表示键的音调；tf为音调函数的音调；c表示不协和音；m表示声音引导；h表示分层张力；该公式用于衡量和弦进行和谐程度。
127.3）音程和谐度ih（interval harmony）的计算公式：
128.；
129.其中，ai是音程的权重，piri是音程与总音程的比值，是常数；i表示第i种音程
（种类数有12种）；ih表示音程和谐（interval harmony）；该公式用于衡量音程和谐程度。
130.4）音高偏度ps（pitch skewness）与节奏偏度rs（rhythm skewness）的计算公式为：
131.；
132.其中e表示数学期望，表示平均值，表示标准差；该公式用于衡量音乐属性分布对称程度。
133.5）自相似值ssf（self similarity fitness）的计算公式为：
134.；
135.其中，被定义为标准化分数，被定义为标准化覆盖率，自相似值为和的和谐化均值；该公式用于衡量音乐重复程度。
136.需要说明的是：在进行自相似值ssf计算之前，需先利用musescore3将所有乐谱数据或所有演奏数据渲染成wav文件格式，然后根据自相似值ssf的计算公式计算自相似值ssf。
137.6）柯式复杂度kc（kolmogorov complexity）的计算公式为：
138.；
139.其中，k表示音乐无损压缩后的信息量，表示音乐的原始信息量；该公式用于衡量音乐冗余程度。
140.需要说明的是：先将wav格式文件压缩为ape格式，再根据柯式复杂度kc的计算公式计算出柯式复杂度kc。
141.7）力度和谐度dh（dynamic harmony）的计算公式为：
142.；
143.其中，i表示小节开头的第i个音符，n表示小节开始处对齐音符的总数，d表示力度值的向量，m表示韵律结构值的向量；该公式用于衡量力度和谐程度。
144.需要说明的是：先获取每小节音符dynamic的均值，并计算出参考的韵律结构，具体为：参考了jiang等人的工作——其预训练模型预测了韵律结构，并将其分为五个层次。这个预先训练的模型是生成一个鼓轨道，并使用用鼓点表示五级韵律结构。然后将力度分为五等分，将0-24设置为0级，将25-50设置为1级，将51-76设置为2级，将76-101设置为3级，将102-127设置为4级。然后根据力度和谐度dh的计算公式计算出力度和谐dh（dynamic harmony）。
145.8）音高偏差pd（pitch deviation）和时值偏差rd（rhythm deviation）的偏差计算公式为：
146.；
147.其中，i表示音乐中的第i个音符，n表示对齐音符的总数，表示演奏第i个音节的属性值，表示乐谱第i个音调的属性值；该公式用于衡量演奏音乐属性与乐谱属性值之间的偏差。
148.9）平均力度变化adc（average dynamic change）的计算公式为为：
149.；
150.其中，i表示音乐中的第i个音符，n表示对齐音符的总数，表示第i个音符的力度；该公式用于衡量力度变化。
151.10）节拍变化tv（tempo variability）的计算公式为：
152.；
153.其中，表示第i个节拍样本值，表示节拍的平均值；n表示音符节拍总数；该公式用于衡量节拍变化。
154.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
155.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于o/c度量的乐谱美学评价方法，其特征在于，包括以下步骤：s1：获取作曲家乐谱数据集并添加标签；基于所述作曲家乐谱数据集生成ai乐谱数据集并添加标签；s2:计算作曲家乐谱数据集中各个乐谱数据的音乐特征，获得作曲家乐谱的音乐特征集；计算ai乐谱数据集中各个乐谱数据的音乐特征，获得ai乐谱的音乐特征集；s3：基于所述作曲家乐谱的音乐特征集获得作曲家乐谱的美学特征集；基于所述ai乐谱的音乐特征集获得ai乐谱的美学特征集；s4：基于作曲家乐谱的美学特征集和ai乐谱的美学特征集对乐谱美学方程进行训练，获得乐谱美学评价模型；s5：获取待评价乐谱的美学特征，并利用所述乐谱美学评价模型获得待评价乐谱的评价结果。2.根据权利要求1所述的基于o/c度量的乐谱美学评价方法，其特征在于：作曲家乐谱数据集中各个乐谱数据的音乐特征和ai乐谱数据集中各个乐谱数据的音乐特征均包括音高直方图熵phe、时值直方图熵rhe、和弦进行和谐度cph、音程和谐度ih、音高偏度ps、节奏偏度rs、自相似值ssf和柯式复杂度kc；作曲家乐谱数据集中各个乐谱数据的美学特征和ai乐谱数据集中各个乐谱数据的美学特征均包括和谐特征、对称特征、混乱特征和冗余特征。3.根据权利要求2所述的基于o/c度量的乐谱美学评价方法，其特征在于：所述s2进一步包括：将归一化的和弦进行和谐度cph以及归一化的音程和谐度ih输入到逻辑回归模型中，获得所述和谐特征；将归一化的自相似值ssf、归一化的音高偏度ps和归一化的节奏偏度rs输入到逻辑回归模型中，获得所述对称特征；将归一化的音高直方图熵phe和归一化的时值直方图熵rhe输入到逻辑回归模型中，获得所述混乱特征；将归一化的柯式复杂度kc输入到逻辑回归模型中，获得所述冗余特征。4.根据权利要求1所述的基于o/c度量的乐谱美学评价方法，其特征在于：所述乐谱美学方程为：；其中，h代表和谐特征，s代表对称特征，ch代表混乱特征，r代表冗余特征，、、和为权重，和为常数。5.根据权利要求4所述的基于o/c度量的乐谱美学评价方法，其特征在于：所述s4进一步包括：s41：对作曲家乐谱的美学特征集和ai乐谱的美学特征集进行归一化处理，并输入到乐谱美学方程中获得各个乐谱的美学分数；
s42：利用sigmoid函数将各个乐谱的美学分数进行二分类后建立损失函数；s43：利用梯度下降法计算损失函数的最小值，从而获得乐谱美学方程中、、、、和的取值；s44：将s43获得的、、、、和代入到所述乐谱美学方程中，获得所述乐谱美学评价模型。6.一种基于o/c度量的演奏美学评价方法，其特征在于，包括以下步骤：s1：获取乐谱直出数据集并添加标签；获取乐谱直出数据集对应的ai演奏数据集并添加标签；获取乐谱直出数据集对应的人类演奏数据集并添加标签；s2:将所述ai演奏数据集和乐谱直出数据集进行音符对齐；将所述人类演奏数据集与所述乐谱直出数据集进行音符对齐；s3：计算乐谱直出数据集中各个直出数据的音乐特征，获得乐谱直出的音乐特征集；计算ai演奏数据集中各个演奏数据的音乐特征，获得ai演奏的音乐特征集；计算人类演奏数据集中各个演奏数据的音乐特征，获得人类演奏的音乐特征集；s4：基于所述乐谱直出的音乐特征集获得乐谱直出的美学特征集；基于所述ai演奏的音乐特征集获得ai演奏的美学特征集；基于所述人类演奏的音乐特征集获得人类演奏的美学特征集；s5：基于乐谱直出的美学特征集、ai演奏的美学特征集和人类演奏的美学特征集对演奏美学方程进行训练，获得演奏美学评价模型；s6：获取待评价演奏的美学特征，并利用所述演奏美学评价模型获得待评价演奏的评价结果。7.根据权利要求6所述的基于o/c度量的演奏美学评价方法，其特征在于：乐谱直出数据集中各个直出数据的音乐特征、ai演奏数据集中各个演奏数据的音乐特征和人类演奏数据集中各个演奏数据的音乐特征均包括音高直方图熵phe、时值直方图熵rhe、音高偏差pd、时值偏差rd、节拍偏度bs、力度偏度ds、力度和谐dh、平均力度变化adc、节奏变化tv和柯式复杂度kc；乐谱直出数据集中各个直出数据的美学特征、ai演奏数据集中各个演奏数据的美学特征和人类演奏数据集中各个演奏数据的美学特征均包括和谐特征、对称特征、混乱特征和冗余特征。8.根据权利要求7所述的基于o/c度量的演奏美学评价方法，其特征在于，所述步骤s3进一步包括：将归一化的音高偏差pd、归一化的时值偏差rd和归一化的力度和谐dh输入到逻辑回归模型中，获得所述和谐特征；将归一化的节拍偏度bs和归一化的力度偏度ds输入到逻辑回归模型中，获得所述对称特征；将归一化的音高直方图熵phe、归一化的时值直方图熵rhe、归一化的平均力度变化adc与归一化的节奏变化tv输入到逻辑回归模型中，获得所述混乱特征；将归一化的柯式复杂度kc输入到逻辑回归模型中，获得所述冗余特征。
9.根据权利要求6所述的基于o/c度量的演奏美学评价方法，其特征在于：所述演奏美学方程为：；其中，h代表和谐特征，s代表对称特征，ch代表混乱特征，r代表冗余特征，、、和为权重，和为常数。10.根据权利要求9所述的基于o/c度量的演奏美学评价方法，其特征在于，所述s5进一步包括：s51：对乐谱直出的美学特征集、ai演奏的美学特征集和人类演奏的美学特征集进行归一化处理，并输入到演奏美学方程中获得各个演奏的美学分数；s52：利用softmax函数将各个演奏的美学分数进行多分类后建立损失函数；s53：利用梯度下降法计算损失函数的最小值，从而获得演奏美学方程中、、、、和的取值；s54：将s53获得的、、、、和带入到所述演奏美学方程中，获得所述演奏美学评价模型。

技术总结
本发明公开了一种基于O/C度量的乐谱美学和演奏美学评价方法，首先基于乐谱数据/演奏数据的音乐属性得到乐谱数据/演奏数据的音乐特征；然后基于乐谱数据/演奏数据的音乐特征提取出乐谱数据/演奏数据的4个美学特征（和谐、对称、混乱和冗余）；最后将乐谱数据/演奏数据的4个美学特征输入到美学方程中，接着建立损失函数、最小化损失函数求得乐谱美学评价模型/演奏美学评价模型。本发明提供的乐谱美学评价模型和演奏美学评价模型可以提供具有特定审美意图的评价结果，且能对大量生成的乐谱和演奏进行快速的评价。和演奏进行快速的评价。和演奏进行快速的评价。


技术研发人员：金鑫 周武 王瑾瑜 荣毅清 李欣宁 邢智博 吕修伟 孙嘉临
受保护的技术使用者：北京电子科技学院
技术研发日：2023.07.07
技术公布日：2023/8/9