Research on Multimodal Generation Strategy of Opera Style and Music Melody Based on Time Series Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The application of artificial intelligence on the field of art can be used to assist the creation of musicians and provide new creative ideas for musicians.In this paper, firstly, an ARIMA model is established for the prediction problem of opera style, which is used to predict the trend of the development of opera style sequence, and the best model is selected according to the minimum information criterion and Bayesian criterion.Then an automatic music melody generation method based on the generative adversarial network framework is proposed, which applies the trained natural language generation model to music generation to textualize the music melody and reduce the model running time.In addition to this a barization music melody generation method is also used, which divides a large music melody into melodic segments and generates them segment by segment, reducing the difficulty of the model in generating the music melody.Finally, the Fourier transform method is used to extract the features of the music melody and complete the visualization of the music melody.The model ARIMA(2,1,1)(2,1,0)12 that best fits with the time-series prediction of the development of opera styles was identified through empirical analysis.The PB value of Leak-GAN_2 model in this paper is improved by 41.38% compared with MusicGAN.It shows that both the opera style prediction model and the music melody multimodal generation model constructed in this paper have better effect and certain advancement.
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.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 découle