一种基于神经网络的音乐训练系统

1.本发明涉及音乐训练技术领域，尤其涉及一种基于神经网络的音乐训练系统。


背景技术：

2.随着物质生活水平的不断提高，人们的精神生活的要求也越来越高，音乐在人们的日常生活中扮演着重要的调剂角色，音乐可以帮助人们放松心情、保持乐观向上的心态，缓解精神压力，还可以帮助人们入眠、刺激脑部使头脑保持活跃状态等，音乐有不同的风格类型，不同的人对不同风格类型的音乐的偏爱程度也是各不相同。
3.经检索，中国专利号为cn110968726a的发明专利，公开了种音乐推送系统，包括登录模块、第一采集模块、第一歌曲信息分析模块、第二采集模块、第二歌曲信息分析模块、相似度计算单元、匹配单元、音乐库和推送单元，匹配单元根据用户个性信息、相似度计算单元计算出的相似度在音乐库中进行匹配，获得一个节点中多个时间段内符合该时间段特点且具有登录用户特色的音乐推荐曲；本发明系统能够根据不同年龄、不同性别的用户在一个时间区间内随机一天中多个不同时间段的听歌特色为线索，能够匹配出符合一天中多个不同时间段中每个特定时间段用户的对音乐推送的目标性需求，能够更好的根据用户自身个性化和需求进行推送音乐，能够提高音乐推送服务的质量，让用户具有更好的音乐体验；
4.然而上述系统在实际操作中仅能够通过对一天中多个不同时间段的听歌特色为线索，计算多个时间区间内听歌特色之间的相似度，配合天气情况从而推算出用户对音乐的需求，但是在对线索进行选取的时候，用户可能由于误选导致歌曲播放，从而使得线索出现错误，并且在进行推算的时候缺乏神经元学习，进而使得推荐的音乐出现偏差，因此需要一种基于神经网络的音乐训练系统。


技术实现要素：

5.本发明的目的是为了解决现有技术中存在在进行推算的时候缺乏神经元学习，进而使得推荐的音乐出现偏差的缺点，而提出的一种基于神经网络的音乐训练系统。
6.为了实现上述目的，本发明采用了如下技术方案：
7.一种基于神经网络的音乐训练系统，包括训练推送系统，所述训练推送系统的内部包括中央处理系统、推送系统、客户端、数据系统和数据库，所述训练推送系统的外部通信连接有云端存储模块，所述数据系统与所述中央处理系统之间通信连接，所述数据系统的内部包括歌曲获取模块、特征获取模块、类型分析模块和播放时长模块，所述数据系统对音乐训练者所选取的内容进行采集，然后再对采集到的内容进行分解打包；
8.所述中央处理系统的内部包括计量统计模块和数据修正模块，所述中央处理系统对所述数据系统处理后的音乐数据进行统计与修正去除数据中的异常数据，所述中央处理系统与所述推送系统之间通信连接，所述中央处理系统将修正后的数据传输到所述推送系统中，所述推送系统的内部包括深度学习模块、预测分析模块和比对分析模块，所述推送系统根据所述中央处理系统中的数据来对训练者的喜好歌曲进行推送，所述推送系统与所述
数据库之间通信连接，所述推送系统通过所述数据库对歌曲进行选择，所述推送系统与所述客户端之间通信连接，所述推送系统将预测选择后的歌曲推送到所述客户端中。
9.上述技术方案进一步包括：
10.所述歌曲获取模块对训练者选择的歌曲进行实时采集，所述歌曲获取模块将采集到的歌曲数据传输到所述特征获取模块中，所述特征获取模块对所述歌曲获取模块传输的歌曲数据进行分解，所述特征获取模块对分解后歌曲的特征进行获取。
11.所述特征获取模块将获取的歌曲特征传输到所述类型分析模块中，所述类型分析模块根据歌曲的特征从而对歌曲的类型进行分析，所述歌曲获取模块将采集到的歌曲数据传输到所述播放时长模块中，所述播放时长模块对歌曲所播放的时间进行采集。
12.所述计量统计模块对所述数据系统传输的数据进行统计，所述计量统计模块根据传输的数据从而对一段时间内所选择的歌曲进行集合，然后再对一段时间内每首歌曲的具体类别进行集合，所述计量统计模块将统计后的集合传输到所述数据修正模块中，所述数据修正模块通过对每首歌的播放时长，从而对播放时长处于10s以内的歌曲进行删除，进而得到：
13.歌曲集合i＝{i1,i2,i3,i4...in}；
14.类别集合q＝{q1,q2,q3,q4...qn}。
15.所述中央处理系统将修正后的数据传输到所述推送系统中，所述推送系统中的深度学习模块通过对歌曲集合i与类别集合q的深度学习，寻找出二者间的关联性，从而建立出歌曲预估函数：
[0016][0017]
其中(x是n维输入向量；ti是第i个基函数的中心，σj是第j个神经元的标准化常输)；
[0018]
然后再对建立的预测模型进行三维神经元学习，以歌曲预估函数的起点为坐标建立三维模型，并且引入(v，w，θ作为三维坐标的三个向量放线，同时引入α，β，γ为学习效率)；
[0019][0020][0021][0022]
进而进行函数融和与修正，建立出歌曲预测函数：
[0023][0024]
所述预测分析模块通过所述深度学习模块生成的歌曲预测函数对训练者喜欢的歌曲类型与演唱者进行识别，所述预测分析模块将预测出的数据传输到所述比对分析模块中，所述比对分析模块通过与所述数据库中的数据进行比对，从而选择出相似程度最高的一首歌曲。
[0025]
所述比对分析模块将选择完成的歌曲传输到所述客户端中，实现对歌曲的推送，
所述云端存储模块对所述训练推送系统中数据的传输进行实时同步。
[0026]
相比现有技术，本发明的有益效果为：
[0027]
1、本发明中，通过数据系统中的歌曲获取模块、特征获取模块、类型分析模块和播放时长模块能够实现对训练人员一段时间内所听取歌曲的汇总，并且能够对歌曲中的各个类型与特征进行区分，同时通过数据修正模块能够实现对获取歌曲数据中一些异常数据进行取出，从而保证对后续歌曲预测的准确性。
[0028]
2、本发明中，通过深度学习模块对修正处理后数据的深度学习，从而能够建立出歌曲预估函数然后通过后续的神经元学习，从而能够对预估函数进行三维拆分，进而建立出歌曲预测函数：
[0029]
通过该函数能够实现对训练者所喜爱歌曲类型的准确预测，避免出现偏差。
附图说明
[0030]
图1为本发明提出的一种基于神经网络的音乐训练系统的系统框图；
[0031]
图2为本发明中数据系统的系统框图；
[0032]
图3为本发明中中央处理系统的系统框图；
[0033]
图4为本发明中推送系统的系统框图。
[0034]
图中：1、训练推送系统；2、中央处理系统；3、推送系统；4、客户端；5、云端存储模块；6、数据系统；7、数据库；8、歌曲获取模块；9、特征获取模块；10、类型分析模块；11、播放时长模块；12、计量统计模块；13、数据修正模块；14、深度学习模块；15、预测分析模块；16、比对分析模块。
具体实施方式
[0035]
下文结合附图和具体实施例对本发明的技术方案做进一步说明。
[0036]
实施例一
[0037]
如图1-4所示，本发明提出的一种基于神经网络的音乐训练系统，包括训练推送系统1，训练推送系统1的内部包括中央处理系统2、推送系统3、客户端4、数据系统6和数据库7，训练推送系统1的外部通信连接有云端存储模块5，数据系统6与中央处理系统2之间通信连接，数据系统6的内部包括歌曲获取模块8、特征获取模块9、类型分析模块10和播放时长模块11，数据系统6对音乐训练者所选取的内容进行采集，然后再对采集到的内容进行分解打包；
[0038]
中央处理系统2的内部包括计量统计模块12和数据修正模块13，中央处理系统2对数据系统6处理后的音乐数据进行统计与修正去除数据中的异常数据，中央处理系统2与推送系统3之间通信连接，中央处理系统2将修正后的数据传输到推送系统3中，推送系统3的内部包括深度学习模块14、预测分析模块15和比对分析模块16，推送系统3根据中央处理系统2中的数据来对训练者的喜好歌曲进行推送，推送系统3与数据库7之间通信连接，推送系
统3通过数据库7对歌曲进行选择，推送系统3与客户端4之间通信连接，推送系统3将预测选择后的歌曲推送到客户端4中；
[0039]
歌曲获取模块8对训练者选择的歌曲进行实时采集，歌曲获取模块8将采集到的歌曲数据传输到特征获取模块9中，特征获取模块9对歌曲获取模块8传输的歌曲数据进行分解，特征获取模块9对分解后歌曲的特征进行获取；
[0040]
特征获取模块9将获取的歌曲特征传输到类型分析模块10中，类型分析模块10根据歌曲的特征从而对歌曲的类型进行分析，歌曲获取模块8将采集到的歌曲数据传输到播放时长模块11中，播放时长模块11对歌曲所播放的时间进行采集。
[0041]
基于实施例一的一种基于神经网络的音乐训练系统工作原理是，工作时，先通过歌曲获取模块8对训练者选择的歌曲进行实时采集，然后歌曲获取模块8将采集到的歌曲数据传输到特征获取模块9中，特征获取模块9对歌曲获取模块8传输的歌曲数据进行分解，特征获取模块9再将歌曲分解完成后再对分解后歌曲的特征进行获取；
[0042]
特征获取模块9将获取的歌曲特征传输到类型分析模块10中，类型分析模块10根据歌曲的特征从而对歌曲的类型进行分析，歌曲获取模块8将采集到的歌曲数据传输到播放时长模块11中，播放时长模块11再对歌曲所播放的时间进行采集。
[0043]
实施例二
[0044]
如图1-2所示，基于实施例一的基础上，计量统计模块12对数据系统6传输的数据进行统计，计量统计模块12根据传输的数据从而对一段时间内所选择的歌曲进行集合，然后再对一段时间内每首歌曲的具体类别进行集合，计量统计模块12将统计后的集合传输到数据修正模块13中，数据修正模块13通过对每首歌的播放时长，从而对播放时长处于10s以内的歌曲进行删除，进而得到：
[0045]
歌曲集合i＝{i1,i2,i3,i4...in}；
[0046]
类别集合q＝{q1,q2,q3,q4...qn}；。
[0047]
本实施例中这样设计，工作时，经过数据系统6收集到的数据会传输到中央处理系统2中，此时通过计量统计模块12对数据系统6传输的数据进行统计，计量统计模块12根据传输的数据从而对一段时间内所选择的歌曲进行集合，然后再对一段时间内每首歌曲的具体类别进行集合；
[0048]
计量统计模块12将统计后的集合传输到数据修正模块13中，数据修正模块13通过对每首歌的播放时长，从而对播放时长处于10s以内的歌曲进行删除，进而得到歌曲集合i＝{i1,i2,i3,i4...in}，类别集合q＝{q1,q2,q3,q4...qn}。
[0049]
实施例三
[0050]
如图1和图3所示，基于上述实施例一或二，中央处理系统2将修正后的数据传输到推送系统3中，推送系统3中的深度学习模块14通过对歌曲集合i与类别集合q的深度学习，寻找出二者间的关联性，从而建立出歌曲预估函数：
[0051][0052]
其中(x是n维输入向量；ti是第i个基函数的中心，σj是第j个神经元的标准化常输)；
[0053]
然后再对建立的预测模型进行三维神经元学习，以歌曲预估函数的起点为坐标建
立三维模型，并且引入(v，w，θ作为三维坐标的三个向量放线，同时引入α，β，γ为学习效率)；
[0054][0055][0056][0057]
进而进行函数融和与修正，建立出歌曲预测函数：
[0058][0059]
预测分析模块15通过深度学习模块14生成的歌曲预测函数对训练者喜欢的歌曲类型与演唱者进行识别，预测分析模块15将预测出的数据传输到比对分析模块16中，比对分析模块16通过与数据库7中的数据进行比对，从而选择出相似程度最高的一首歌曲；
[0060]
比对分析模块16将选择完成的歌曲传输到客户端4中，实现对歌曲的推送，云端存储模块5对训练推送系统1中数据的传输进行实时同步。
[0061]
本实施例中，工作时，中央处理系统2将修正后的数据传输到推送系统3中，推送系统3中的深度学习模块14通过对歌曲集合i与类别集合q的深度学习，寻找出二者间的关联性，从而建立出歌曲预估函数：
[0062]
然后再对建立的预测模型进行三维神经元学习，以歌曲预估函数的起点为坐标建立三维模型，并且引入(v，w，θ作为三维坐标的三个向量放线，同时引入α，β，γ为学习效率)
[0063]
进而进行函数融和与修正，建立出歌曲预测函数：
[0064][0065]
预测分析模块15通过深度学习模块14生成的歌曲预测函数对训练者喜欢的歌曲类型与演唱者进行识别，预测分析模块15将预测出的数据传输到比对分析模块16中比对分析模块16通过与数据库7中的数据进行比对，从而选择出相似程度最高的一首歌曲，比对分析模块16将选择完成的歌曲传输到客户端4中，实现对歌曲的推送。
[0066]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。