全球研究计算机科学杂志》上
菜单石头:2229 - 371 x
石头:2229 - 371 x
| Hardeep辛格 工程学院计算机科学与工程系Kumaon Dwarahat Almora,北阿坎德邦- 263653,印度 |
| 通讯作者:Hardeep辛格电子邮件:hardeep.it07@gmail.com |
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章全球研究计算机科学杂志》上
机器学习可以来自于音乐。我们以及机器可以从音乐中学习的能力。音乐就在我们周围。我们已经在我们的生活中音乐无处不在。音乐可以是一个有益的学习过程。我们的机器应该是聪明的。机器学习在人工智能领域。很多研究表明快速的机器可以学习的经验和知识。研究表明音乐在机器学习也是一个强大的工具。音乐是在医学领域也做治疗。 This paper presents qualitative approach of machine learning through music.
关键字 |
| 人工智能、情感、情绪识别、机器学习、模式识别。 |
相关工作 |
| 毫无疑问,音乐在我们的日常生活中无处不在。我们必须把这个音乐,训练我们的机器成为机器更多的情报。对音乐对情绪的影响,一种解释是,音乐创造的认识我们当前的情绪状态(费利克斯,Esslen & Jancke, 2006;Krumhansl, 1997)。人们听音乐因为它可以让他们感觉舒适,放松,或快乐(DeNora, 2000;Juslin & Laukka, 2004;Juslin & Sloboda, 2010) [1]。现在一天的时间是机器时代,几乎在世界任何地方自治系统正在迅速上升。无论是国内或行业、学校、组织等等。这是当前我们的日常生活的场景。 |
| 我们简单地使用,看到各种自治系统。甚至我们还一个自治系统的一部分。让人类不断工作累了/孔,所以对他们放松他/她想要一些茶点,享受,娱乐。音乐是一种强大的工具。情绪过程指向一个特定的内部或外部事件或对象,导致行为和身体状态的变化(即。、生理变化;埃克曼&戴维森,1994;谢勒,2004)[2]。除了这篇介绍性信息的其他事实是在最近几年。有积极的情感通过音乐机器学习的研究领域。 |
介绍 |
| 机器学习的概念支持人工智能。如果我们认为将没有错的音乐是一个老师。是的,这是真的。能力是取决于我们是否能够从音乐中学习吗?同样的现象我们也可以应用在机器。让我们把一些关于音乐的基本历史/概念。音乐是声音。听起来有一些属性。这个声音有某种媒介从一个地方转移到另一个地方。这听起来可能转换气体,液体和固体物品。 The special quality of regarding sound is that it must have |
| 某种媒介传递或转换。有很多种方法来表示音乐符号形式。一个音乐的表现形式如何可以做图所示。(1)[8]。这声音是无法改变在缺乏这些媒介。声音也不能通过真空。通常对人类声音的频率范围是20赫兹(每秒的周期)20千赫(20000赫兹)[3]。这个范围的音频收缩在日常生活的许多阶段。有一个更有趣的关于听力的因素是性别的人类。科学表明,“女性有更高的敏感性更高频率的男人”[4]。 |
| 这种音乐可以被分类成各种形态。它也取决于时间和地点。但总的来说,我们可以把它分成三个主要类型低、中、高。每个类型的音乐都有至少两个主要组件即声音和文字(如果它存在的话)。它简要描述为:- |
 |
| 低的音乐: |
| 低音乐由低音调的声音和低频率的单词。这个音乐也是组成的低的演讲。因此,最终这种音乐低强度。一般人喜欢这种类型的音乐当他/她搬到悲伤和孤独的时刻。这是一般。除此之外其他因素可以导致低的音乐。它可以包括任何悲伤的消息在生活中,任何死亡的消息,任何失败,任何发生的小姐,意想不到的事件,任何负面反应,等一个人当他/她觉得他就像孤独的世界他们想听音乐这种低。低的音乐都有自己的好处。主要是它提供了两个主要的好处:- |
| 我的精神力量和) |
| (二)体力 |
| 这种音乐还有助于人类持续增长和发展人类的身体和人类的生活。有时它减少/消除内心的压力和紧张。这种音乐释放压力在任何抑郁阶段。在医学科学就像一个药。它提供了道义上的支持。一些低乐器是吉他,钢琴,管道等。 |
| 中等音乐: |
| 这个类别之间的低和高的音乐。这是任何音乐的中间阶段。音高不是如此之低的范围如此之高。中等强度的音乐是标称范围即20 KHz。人类的耳朵适应这种音乐。这种音乐通常有助于使情绪有趣,浪漫的,快乐的。一些时间它能帮助大脑思考创意。 |
| 高音乐: |
| 高音乐是不同类型的音乐。这包括沥青的高范围以及高频率的单词。通常它提供了一个非常高的音量的声音。有时人类的耳朵不听这种音乐能力。有时这种音乐可以是有害的。在老年和儿童时代这可以非常接近任何严重的情况。里面人的耳朵位于一层很薄的膜,这种膜非常薄和敏感。它不能承受超过20 KHz。通常使用这种音乐派对,婚礼,仪式,在行业中,火箭/导弹发射,等。一些高的乐器是鼓,鼓等。 |
音乐的作用: |
| 普遍真理的音乐是神奇的工具,人类生活在不同的时刻。在医学领域,音乐疗法也是一个活跃的领域。音乐是世界上多维。没有音乐的生活是不完整的生活。人类动物旁边也有一些特别的音乐。音乐可以在动物之间的中介。他们通过音乐交流和特殊类型的音调。 |
| 我们可以用这个音乐在机器学习的概念。人类生活中使用的相同的概念即可以申请机器。为此我们应该有一个需要多维数据库可以存储不同类型的音乐。在当前时间研究这个多维数据库。现在又三个音乐类别的概念(低,高、中)将申请学习机器。 |
学习通过音乐的情感 |
| 学习将会根据音乐的范畴。有很多先决条件学习音乐。音乐的语言也是同样的主要因素。语言将决定什么样的音乐和音乐背后的消息。我们机器的数据库将通过音乐我们看到,音乐是直接接触到内部的大脑的一部分。雷竞技网页版这个概念比较快等学习过程研究和观看任何知识来源。人类的大脑有一些特定的结构,当它进入一些情感状态。图(2)显示在正常情况下大脑的正常结构/情况和无花果。(2 b)显示了一些情绪状态(悲伤的情况)。图所示大脑结构在两种情况下的区别。我们只是找到第二个情况更为复杂,它需要更多的属性(训练集)来表示这种情绪状态。 Minsky argues that emotions are different ways to think that our mind uses to increase our intelligence (Marvin Lee Minsky August 9, 1927) [5]. |
 |
建议的方法 |
| “情感学习背后的科学事实是这一类的音乐。我们将决定某些特定范围的备注每个类别,如果音乐是匹配的输入流的任何特定的预定义的评论点音乐,音乐将分类的基础上预定义的备注下一些音乐”。 |
| 建议的方法是基于这一现象。再次找到背后的想法和学习操作机器将取决于音乐。每次机器将在相同的环境中学习新事物。学习对象将改变每次将取决于音乐。可以有各种形式的情感。情绪可能形式的爱,angriness,高兴,悲伤,等。每一个音乐都有某种形式的信息。人工智能是计算机行业的主要平台。它可以定义不同。有几个方面对人工智能[6]。让我们把悲伤音乐的一个例子。 We will try to find out the difference between the ordinary state of mind and after listening the sad music. We will also try to plot the graph for both state of mind. The difference between both states will show us the emotional learning by machine. |
| 在这个例子中,我们必须采取一些属性为一个普通的国家(OS)和学习的情绪状态(EM)。假设我们正在为这两个州只有三个属性即声音强度(I),扫描大脑(S),面部表情(F)。在过去我们将展示将会有一个特殊的属性(E)只会发生在听悲伤的音乐。这将是一个情感(情绪)学习的一部分。这种特殊的属性将缺席在之前听的音乐的精神状态(即前听音乐)。没有其他可能性发生这样的属性。确认是否这个属性是一个情感属性,我们将决定为这个特殊的属性直方图值的悲伤情绪。我们将比较两种参数(如果它们匹配然后我们将在我们的实验中得到一个额外的属性。这种比较会验证我们的假设。 |
| 属性之前听音乐,(OS),有下列情形之一的,普通状态 |
| 声音的强度(I) = I1和I2 + I3 + +…………………+我 |
| 扫描的大脑(S) = S k 1 + S2 + S3 +……………………。+ S面部表情的脸(F) = F k 1 + F2 + F3 +…………+ F的整体属性普通的精神状态(OS)将所有单个属性的总和,即k属性的普通状态:- |
 |
| 属性后听音乐,情绪状态机(EM)的追随者 |
| 声音的强度(I) = I1和I2 + I3 + +……………………+我的大脑扫描(S) = S k 1 + S2 + S3 +……………………….....+ S面部表情的脸(F) = F k 1 + F2 + F3 +……………。+ F情感表达(E) = E k 1 + E2 + E3 +………………+ E的情绪状态机的整体属性(EM)将所有个人属性的总和,即k |
| 属性的情绪状态机:- |
 |
| 情感学习机器可以通过计算这两个州的机器之间的区别。这将提供以下结果:- |
 |
| 这种情感在我们的训练集属性是一个属性。这个属性现在必须与原来的属性在现实情感数据集。我们将帮助直方图的方法。这将产生最终结果。这种比较的基础上,我们可以决定什么变化后和之前的音乐。 |
结果 |
| 因此我们的结果显示听悲伤的音乐后,我们得到一个情绪状态属性(E)。这个属性没有唯一单或相同的属性;它可能是几种类型。这个属性实际上是一组训练属性的情感值。这些情感可以几种类型的值。最后我们还可以猜一台机器的未来可能的行动或计划。这将帮助我们预测机器的行为。结果还显示机器可以通过音乐学习新体验。音乐有一些特殊的声音和一些信息(文本)。这可以帮助机器学习新体验。分开的这台机器已基本两种音乐类别即自然和人工。 In natural sound , music consist of environmental issues like human voice, animals and birds sounds etc. on other hand the artificial sound is made by man using with the help of some instruments. |
结论 |
| 在本文中,我们讨论了机器学习音乐。我们明确可能的类型的音乐。我们也澄清关于音乐的作用在人类和机器的生命。这样我们可以得出这样的结论,一台机器可以控制音乐。这是需要这样的数据库(多维数据库),可以举行一些音乐。音乐可以在不同的模式如音频、视频、等等。最后,在我们的示例中我们得出结论,图(1)和图(1)所示,还有一个特殊的属性的音乐。最后,我们得到一个结论,这只可能当我们精神状态进入一些情感状态。没有其他的可能性发生这样的情感属性。 |
未来的方向 |
| 这不是那么容易告诉关于机器学习的局限性,没有音乐的帮助。音乐是机器学习中强大的机制。成为情感的机器应该有某种机制来理解情绪状态。我们将进一步努力得到一些更有趣的概念情感学习。 |
引用 |
|