Застосування нейронних мереж для вирішення завдання генерації музики

Скорочена інформація про документ
dc.contributor.authorДорогий, Ярослав Юрійович
dc.contributor.authorЦуркан, Василь Васильович
dc.contributor.authorБельдяга, Кирило Дмитрович
dc.date.accessioned2020-04-30T20:09:08Z
dc.date.available2020-04-30T20:09:08Z
dc.date.issued2018
dc.description.abstractenThe article considers the possibility of using neural networks as the basis of the music generator. Under the music generation is the process of creating sequences of music notes, which relates this task to the tasks of simulation sequences, as well as modeling the language. The urgency of the development of this topic is connected with the necessity of writing new music and finding new motives, caused by the production of many films and people's needs. The main requirement for the system was the generation of polyphonic music, a sequence of musical tuples, that is, a multi-dimensional object requiring the use of generative models, such as restricted Boltzman machine, that are able to calculate the probabilistic distribution, by estimating the energy function of configuration state, in relation to recurrent patterns, which in turn enable their production of long-term dependencies in a sequence of multi-dimensional objects. And for the representing of deep relations and dependencies between music notes there were deep belief network used that is able to estimate deep connections and dependencies by hierarchical representing of data. This approach allows to create four topologies which are compound of recurrent part and generative. For this purpose in the article necessary the or ethical information is given. The existing solutions are considered and the iradvantages and disadvantages are determined. The variants of possible topologies, algorithms of the ir training and generation are analyzed and presented. The results of experimental researches on the basis of which the comparisonis made and the advantages and disadvantages of each of the mare determined. For the comparison there were used the negative log-likelihood function, cross-entropy cost, accuracy and training time. The results show that the best characteristics has topology that consists of long short-term memory and deep belief network, because of it difficult structure and properties. But at the same time, training time of this topology was extremely high on small dataset, that makes not efficient to use it as a basis of music generator. Topology which consists of recurrent neural network and restricted Boltzman machine had the worst indicators, but the small training time. Thereby topology which consists of long short-term memory and restricted Boltzman machine had become the best candidate. Good characteristics of this structure are confirmed by the main property of long short-term memory that is solution of vanishing gradient problem and by the possibility of representing complicated distribution in restricted Boltzman machine. Training were performed on “Nottingham folk music database” dataset through 200 epochs. All training and generating algorithms were implemented in Python with Theano. Research described in this article allows to simplify the process of development of polyphonic music generator.uk
dc.description.abstractruВ статье рассматривается возможность использования нейронных сетей в качестве основы генератора музыки. Под генерацией музыки понимают процесс создания последовательностей музыкальных нот, относя данную задачу к задачам моделирования последовательностей, как и моделирование речи. Актуальность развития данной темы связана с необходимостью написания новой музыки и нахождения новых мотивов, что вызвано производством большого количества фильмов и потребностями людей. Основным требованием к системе была генерация полифонической музыки, которая является последовательностью кортежей нот, то есть многоразмерным объектом, что требует использования порождающих моделей, которые способны вычислять вероятностное распределение по отношению к рекуррентным моделям, которые, в свою очередь, позволяют воссоздать долгосрочные зависимости в последовательности многоразмерных объектов Для этого в статье приведены необходимые теоретические сведения. Рассмотрены существующие решения и определены их преимущества и недостатки. Проанализированы и представлены варианты возможных топологий, алгоритмы их тренировки и генерации. Описаны результаты экспериментальных исследований, на основании которых выполнено сравнение и определены преимущества и недостатки каждойиз них.uk
dc.description.abstractukВ статті розглядається можливість використання нейронних мереж як основи генератора музики. Під генерацією музики розуміють процес створення послідовностей музичних нот, що відносить дане завдання до задач моделювання послідовностей, як і моделювання мови. Актуальність розвитку даної теми пов’язана з необхідністю написання нової музики та знаходження нових мотивів, що спричинено виробництвом великої кількості фільмів та потребами людей. Основною вимогою до системи була генерація поліфонічної музики, що є послідовністю кортежів нот, тобто багаторозмірним об’єктом, що потребує використання породжувальних моделей, які здатні обчислювати ймовірнісний розподіл по відношенню до рекурентних моделей, які, в свою чергу, дають змогу відтворити довгострокові залежності в послідовності багаторозмірних об’єктів. Для цього в статті наведено необхідні теоретичні відомості. Розглянуто існуючі рішення і визначено їх переваги та недоліки. Проаналізовано та представлено варіанти можливих топологій, алгоритми їх тренування та генерації. Описано результати експериментальних досліджень, на підставі яких виконано порівняння та визначено переваги та недоліки кожної з них.uk
dc.format.pagerangeС. 42-50uk
dc.identifier.citationДорогий, Я. Ю. Застосування нейронних мереж для вирішення завдання генерації музики / Дорогий Я. Ю., Цуркан В. В., Бельдяга К. Д. // Мікросистеми, Електроніка та Акустика : науково-технічний журнал. – 2018. – Т. 23, № 4(105). – С. 42–50. – Бібліогр.: 11 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2523-4455.2018.23.4.105200
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/33159
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/uk
dc.sourceМікросистеми, Електроніка та Акустика : науково-технічний журнал, 2018, Т. 23, № 4(105)uk
dc.subjectнейронні мережіuk
dc.subjectмузикаuk
dc.subjectмоделювання послідовностейuk
dc.subjectгенерація музикиuk
dc.subjectмашинне навчанняuk
dc.subjectneuralnetworksuk
dc.subjectmusicuk
dc.subjectmodelingsequencesuk
dc.subjectmusicgenerationuk
dc.subjectmachinelearninguk
dc.subjectнейронные сетиuk
dc.subjectмузыкаuk
dc.subjectмоделирование последовательностейuk
dc.subjectгенерация музыкиuk
dc.subjectмашинное обучениеuk
dc.subject.udc004.891.2uk
dc.titleЗастосування нейронних мереж для вирішення завдання генерації музикиuk
dc.title.alternativeApplication of Neural Networks to Solve the Task of Generating Musicuk
dc.title.alternativeПрименение нейронных сетей для решения задачи генерации музыкиuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
MEA2018_23-4_p42-50.pdf
Розмір:
659.6 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Мікросистеми, Електроніка та Акустика: науково-технічний журнал, Т. 23, № 4(105)