The consideration of human feelings

The consideration of human feelings in automated music generation by intelligent music systems, albeit a compelling theme, has received very little attention. This work aims to computationally specify a system's music compositional intelligence that tightly couples with the listener's affective perceptions. First, the system induces a model that describes the relationship between feelings and musical structures. The model is learned by applying the inductive logic programming paradigm of FOIL coupled with the Diverse Density weighting metric over a dataset that was constructed using musical score fragments that were hand-labeled by the listener according to a semantic differential scale that uses bipolar affective descriptor pairs. A genetic algorithm, whose fitness function is based on the acquired model and follows basic music theory, is then used to generate variants of the original musical structures. Lastly, the system creates chordal and non-chordal tones out of the GA-obtained variants. Empirical results show that the system is 80.6% accurate at the average in classifying the affective labels of the musical structures and that it is able to automatically generate musical pieces that stimulate four kinds of impressions, namely, favorable-unfavorable, bright-dark, happy-sad, and heartrending-not heartrending.

ผลลัพธ์ (ไทย) 1:

การพิจารณาความรู้สึกของมนุษย์ในการสร้างเพลงอัตโนมัติโดยระบบอัจฉริยะดนตรี แม้ว่ารูปแบบน่าสนใจ ได้รับความสนใจน้อยมาก งานนี้มีวัตถุประสงค์เพื่อระบุ computationally มีระบบเพลง compositional ข่าวกรองที่คู่กับการรับรู้ผลของฟังแน่น ครั้งแรก ระบบก่อให้เกิดรูปแบบที่อธิบายความสัมพันธ์ระหว่างความรู้สึกและโครงสร้างดนตรี รูปแบบเป็นการเรียนรู้ โดยใช้ตรรกะเชิงอุปนัยที่กระบวนทัศน์ของฟอยล์เขียนโปรแกรมควบคู่ไปกับความหนาแน่นหลากหลายน้ำหนักวัดผ่านชุดข้อมูลที่ถูกสร้างขึ้นโดยใช้โน้ตชิ้นส่วนที่มือชื่อ โดยฟังตามอัตราส่วนที่แตกต่างความหมายที่ใช้บอกไฟที่ไบโพลาร์ผลคู่ แล้วใช้อัลกอริธึมพันธุ ฟังก์ชันออกกำลังกายตามรูปแบบได้รับ และตามทฤษฎีดนตรีพื้นฐาน การสร้างตัวแปรโครงสร้างดนตรีเดิม สุดท้าย ระบบสร้าง chordal และไม่ chordal โทนจากตัวแปรที่ได้รับ GA ผลรวมแสดงว่าระบบ 80.6% เฉลี่ยในประเภทป้ายผลของโครงสร้างดนตรีที่ถูกต้อง และได้รับโดยอัตโนมัติสร้างชิ้นดนตรีที่กระตุ้นสี่ชนิดแสดงผล คือ ดีร้าย สว่างมืด สุขเศร้า และ heartrending ไม่ heartrending

ผลลัพธ์ (ไทย) 2:

พิจารณาของความรู้สึกของมนุษย์ในการผลิตเพลงอัตโนมัติโดยระบบเพลงอัจฉริยะแม้ว่ารูปแบบที่น่าสนใจได้รับความสนใจน้อยมาก งานนี้มีจุดมุ่งหมายเพื่อระบุคอมพิวเตอร์เพลงของระบบปัญญา compositional ที่แน่นคู่สมรสที่มีการรับรู้อารมณ์ของผู้ฟัง ครั้งแรกที่ระบบก่อให้เกิดรูปแบบที่อธิบายความสัมพันธ์ระหว่างความรู้สึกและโครงสร้างดนตรีที่ รูปแบบการเรียนรู้โดยใช้กระบวนทัศน์โปรแกรมตรรกะอุปนัยของฟอยล์ควบคู่กับความหนาแน่นของน้ำหนักที่หลากหลายตัวชี้วัดมากกว่าชุดที่ถูกสร้างขึ้นโดยใช้เศษคะแนนดนตรีที่ถูกมือโดดเด่นด้วยฟังตามขนาดที่แตกต่างกันความหมายที่ใช้คู่อธิบายอารมณ์สองขั้ว . ขั้นตอนวิธีทางพันธุกรรมที่มีฟังก์ชั่นการออกกำลังกายจะขึ้นอยู่กับรูปแบบที่ได้มาและตามทฤษฎีดนตรีขั้นพื้นฐานที่ใช้แล้วเพื่อสร้างสายพันธุ์ของโครงสร้างดนตรีเดิม สุดท้ายระบบจะสร้างคอร์ดัและเสียงที่ไม่คอร์ดัออกมาจากสายพันธุ์ที่ได้รับ GA- ผลการศึกษาแสดงให้เห็นว่าระบบเป็น 80.6% ที่ถูกต้องที่ค่าเฉลี่ยในการจำแนกป้ายอารมณ์ของโครงสร้างทางดนตรีและการที่มันสามารถที่จะสร้างโดยอัตโนมัติชิ้นดนตรีที่กระตุ้นสี่ชนิดของการแสดงผลคือดี-เสียเปรียบสดใสมืดมีความสุข -sad และเศร้าไม่เศร้า

ผลลัพธ์ (ไทย) 3:

พิจารณาความรู้สึกของมนุษย์ ในยุค เพลงอัตโนมัติโดยระบบเพลงฉลาด , แม้ว่ารูปแบบที่น่าสนใจ ได้รับน้อยมากสนใจ งานนี้มีวัตถุประสงค์เพื่อ computationally ระบุส่วนประกอบของระบบเพลงที่แน่นคู่กับปัญญาของผู้ฟังอารมณ์อีก ครั้งแรกระบบที่ทำให้โมเดลที่อธิบายถึงความสัมพันธ์ระหว่างความรู้สึกและโครงสร้างดนตรีรูปแบบการเรียนรู้โดยใช้การโปรแกรมตรรกะเชิงอุปนัยกระบวนทัศน์ของฟอยล์คู่กับความหนาแน่น น้ำหนักมากกว่าข้อมูลที่หลากหลาย ซึ่งถูกสร้างขึ้นโดยใช้ชิ้นส่วนที่ถูกมือป้ายคะแนนดนตรีโดยการฟังตามความหมายแบบที่ใช้ไบโพลาร์อารมณ์แตกต่างกัน / คู่ ขั้นตอนวิธีทางพันธุกรรมที่มีฟังก์ชันฟิตเนสจะขึ้นอยู่กับรูปแบบและจำนวนได้ทฤษฎีดนตรีขั้นพื้นฐาน , ถูกใช้ในการสร้างสายพันธุ์ของต้นฉบับเพลงโครงสร้าง สุดท้ายระบบจะสร้าง chordal และไม่ใช่เสียง chordal ออกจากเกมได้แปร ผลแสดงให้เห็นว่าระบบ 806 % ถูกต้องในเฉลี่ยเมื่ออารมณ์ป้ายชื่อของโครงสร้างดนตรีและมันสามารถโดยอัตโนมัติสร้างชิ้นดนตรีที่กระตุ้นสี่ชนิดของการแสดงผล คือ ดี ร้าย สว่าง มืด สุข เศร้า เหงา และ heartrending ไม่ heartrending .