16、音乐生成与情感分析模型的研究与实践

音乐生成与情感分析模型的研究与实践

一、ForecastGAN模型详解

1.1 模型训练设置

在ForecastGAN模型中，生成器的隐藏层参数通过贝叶斯优化进行选择，初始值分别设置为0.001和100。判别器的隐藏层设置了64个神经元，学习率为0.001。在训练阶段，将420个真实样本标记为1，随机生成579个时间序列并标记为0。对于虚假数据的生成，在“音符长度”列，最小值为0.25代表四分之一拍，通过随机生成[1, 16]之间的整数并乘以0.25来确定；在“音阶度数”列，随机生成[0, 107]之间的值。这样生成的虚假数据是无序音符的组合，便于与真实旋律区分。

1.2 数据集预处理

采用处理XML格式文件的创新方法来处理音乐数据，避免了将MIDI文件中的音符事件转换为独热矩阵，解决了MidiNet无法区分长音符和两个重复短音符的问题。从TheoryTab网站爬取实验所需的XML格式训练数据，每个XML文件包含歌曲标题、速度等多维度信息，但仅提取主旋律的“音符长度”、“音阶度数”和“八度”作为三个特征。

音乐遵循12音体系，12是所有音符的周期长度，12个音分别为C、C#/Db、D、D#/Eb、E、F、F#/Gb、G、G#/Ab、A、A#/Bb、B。为简化处理，将所有数据归一化为C大调。在时间序列中，用60 - 71表示C大调，60是MIDI音乐中中央C（C4）的音高，每增加12，音高上升一个八度。经过预处理后，可忽略“八度”值，专注于“音符长度”和“音阶度数”。同时，将XML文件中旋律的停顿用“音阶度数”的空缺表示，并将空缺值填充为 -100，象征此时旋律音高极小接近静音。

只从每个序列中选取长度为30的旋律