Deep Learning Algorithm Based Pattern Recognition of Musical Melodies and Its Effectiveness Optimization in Education
Notice bibliographique
Résumé
In order to solve the shortcomings of the sound source separation method, this paper proposes a melody extraction method based on saliency and improved joint neural network, constructs the pitch saliency feature function according to the idea of harmonic energy superposition, pre-processes the audio, and then builds the joint neural network based on Res-CBAM according to the idea of joint neural network of music detection and pitch estimation classification to realize the melody pitch contour tracking. In addition, the calculation of the significance function is introduced to highlight the pitch significance features, so that the graphs input to the neural network have clearer melodic features. The results show that before and after the suppression of the accompaniment, the difference in the time-domain waveforms is not significant in the treble range, but there is a significant difference in the low-frequency range. In addition, the OA accuracy of the Res-CBAM algorithm proposed in this paper is up to 41.14% higher than other algorithms (P < 0.05), and the accuracy of the model is good. Applying this recognition model to teaching found that teaching with this model can significantly improve the subjects' perception of music (t=.197, p=0.002<0.05). It can be seen that the application of the Res-CBAM algorithm to actual music teaching is of great practical importance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».