[发明专利]一种基于大间隔投影空间学习的钢琴乐谱难度识别方法

摘要

本发明公开了一种基于大间隔投影空间学习的钢琴乐谱难度识别方法，步骤(1)、采集不同难度标签的钢琴乐谱数据，提取难度特征向量，构成特征空间集合；步骤(2)、对特征空间集合进行归一化预处理；步骤(3)、实现投影特征空间学习，利用特征空间集合数据求解M最小值，步骤(4)、识别特定乐谱的难度等级。与现有技术相比，本发明具有适应乐谱数据变化的能力，从而使得该方法具有高的识别稳定性和识别正确率，为钢琴教学和学习过程，提供可靠的钢琴难度信息，同时也大大提高乐谱网站的用户体验。

主权项

一种基于大间隔投影空间学习的钢琴乐谱难度识别方法，其特征在于，该方法包括以下步骤：步骤(1)、采集不同难度标签的钢琴乐谱数据，提取难度特征向量，构成特征空间集合；步骤(2)、对特征空间集合进行归一化预处理；特征向量公式如下：x*i=xi-minmax-min]]>将特征向量的值归一化到[0,1]区间；其中min和max分别表示特征xi的最小和最大值，表示特征xi经过归一化处理后的特征；步骤(3)、实现投影特征空间学习，利用特征空间集合数据求解M最小值，使得：f(M)=Σ(i,j)∈sDM(xi,xj)+λΣ(i,j,k)∈R[1+DM(xi,xj)-DM(xi,xk)]+]]>取得最小值的M，其中：DM＝(xi‑xj)TM(xi‑xj)其中，M为原始特征向量投影到一个新的特征空间的投影矩阵；xi{i＝1,…,n}表示特征向量，n表示样本数目；T表示转置，S表示由相同难度等级的两个乐谱组成的数据对集，R表示在S的基础上，每个对集加入一个不同难度等级的乐谱组成三集合；λ是一个常数，由交叉验证得到；最终结果使得同类别标签的乐谱距离尽量小，而不同类别标签乐谱之间的间隔尽可能大，即所述大间隔，以此最大化类别间区分度；步骤(4)、对于一首待识别的乐谱，用与步骤(1)中相同的方法提取乐谱特征向量，经过数据预处理后，用作为KNN的距离度量函数，计算其与模式集中每一首乐谱的距离，值越小越相似，按值从小到大排序，排在前三的乐谱中多数乐谱所属的难度等级即为待识别乐谱的难度等级。