基于神经 HSMM 与和弦性质模板的和声分析无监督学习
人工智能
2024-03-08 v1
摘要
本文提出了一种基于隐半马尔可夫模型（HSMM）的和声分析无监督学习方法。我们引入了和弦性质模板，用于指定给定根音和和弦性质下的音级发射概率。构成 HSMM 的其他概率分布通过无监督学习自动习得，这在现有研究中一直是一个挑战。我们使用现有标注数据对 proposed 模型的和声分析结果进行了评估。虽然我们提出的方法尚未达到使用监督学习和复杂规则设计的现有模型的性能，但其优势在于不需要昂贵的标注数据或繁琐的规则设计。此外，我们还展示了如何基于马尔可夫模型的转移概率在无先验知识的情况下识别主音。
引用
@article{arxiv.2403.04135,
title = {Unsupervised Learning of Harmonic Analysis Based on Neural HSMM with Code Quality Templates},
author = {Yui Uehara},
journal= {arXiv preprint arXiv:2403.04135},
year = {2024}
}
备注
20 pages, 5 figures, the original edition of this paper will be published in the ICNMC2024 Proceedings and this arXiv publication is a copy