CN109991842B - 基于神经网络的钢琴调音方法及系统 - Google Patents
基于神经网络的钢琴调音方法及系统 Download PDFInfo
- Publication number
- CN109991842B CN109991842B CN201910191288.8A CN201910191288A CN109991842B CN 109991842 B CN109991842 B CN 109991842B CN 201910191288 A CN201910191288 A CN 201910191288A CN 109991842 B CN109991842 B CN 109991842B
- Authority
- CN
- China
- Prior art keywords
- pitch
- tuning
- neural network
- difference
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 239000011295 pitch Substances 0.000 description 101
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Auxiliary Devices For Music (AREA)
Abstract
发明提供一种基于神经网络的钢琴调音方法及系统。该方法包括：当接收到调音指令时查询标准音高；获取目标音键的实际音高，并计算实际音高与标准音高之间的差值，以得到差值音高；获取当前环境的温湿度值，并将温湿度值和差值音高输入至预设神经网络模型进行计算，以得到特征参数；将特征参数和差值音高输入至预设PID控制系统进行计算，以输出数字控制信号；根据数字控制信号控制调音执行装置对目标音键进行调音。本发明通过将特征参数和差值音高输入至预设PID控制系统进行计算的设计，以准确计算输出数字控制信号，以方便了后续对目标音键自动准确的调音，且可以保证了对目标音键调节的平稳准确性，从而达到快速准确钢琴调音的效果。
Description
技术领域
发明涉及钢琴调音技术领域，尤其涉及一种基于神经网络的钢琴调音方法及系统。
背景技术
钢琴调音是个非常繁琐的工作，传统人工调音时间周期长且需要丰富的经验。因为钢琴调音过程中环境因素影响较大，环境因素影响琴弦的松紧度与钢琴的内部发声环境，直接影响到最后的调音结果，且由于钢琴调音过程中越靠近标准音高，其弦越调越灵敏，则调节一点会导致音高的跃变，这是一个非线性的过程。单纯靠机器或人工来进行判断很难达到效果，很可能出现超调的现象发生，此时又需要调回，则会因为反复调弦对琴弦的伤害很大(使得其琴弦的物理特征受到破坏)。
发明内容
发明解决的技术问题是提供一种对钢琴随外界环境变化的特征值进行采集分析，以准确进行调音的基于神经网络的钢琴调音方法及系统。
为解决上述技术问题，发明提供的基于神经网络的钢琴调音方法，包括：
当接收到调音指令时，根据所述调音指令查询标准音高；
获取目标音键的实际音高，并计算所述实际音高与所述标准音高之间的差值，以得到差值音高；
获取当前环境的温湿度值，并将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算，以得到特征参数；
将所述特征参数和所述差值音高输入至预设PID控制系统进行计算，以输出数字控制信号；
根据所述数字控制信号控制调音执行装置对所述目标音键进行调音。
优选的，所述预设神经网络模型为RBF神经网络，且所述预设神经网络模型中采用的欧式距离算公式为：
其中，第P个输入向量为X(p)以及第j个聚类中心为Cj，d为欧式距离，M是输入向量的维数。
优选的，所述预设神经网络模型中定义的网络总误差为：
其中，d(xj)为第j个输入训练样本的期望输出，y(xj)为网络的实际输出。
优选的，所述预设PID控制系统中的PID输出传递函数为：
其中，Kp为比例系数，Ti为积分时间常量，Td为积分时间常量，e(t)为所述差值音高对应的差值信号。
优选的，所述获取目标音键的实际音高的步骤包括：
获取所述调音指令中存储的特征标记，所述特征标记为按键信号、语言信号、文字信号、数字信号或图像信号；
将所述特征标记与本地预存储的音键表进行匹配，以得到所述目标音键，并控制所述目标音键被按压。
优选的，所述获取当前环境的温湿度值的步骤之后，所述方法还包括：
当判断到所述温湿度差值大于温湿度阈值时，发出提示报警。
优选的，所述预设神经网络模型包括输入层、隐含层和输出层，所述输出层节点的激活函数为径向基函数。
与相关技术相比较，发明提供的基于神经网络的钢琴调音方法具有如下有益效果：通过将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算的设计，以准确计算目标音键随外界环境变化的特征值，通过将所述特征参数和所述差值音高输入至预设PID控制系统进行计算的设计，以准确计算所述输出数字控制信号，以方便了后续对所述目标音键自动准确的调音，且可以保证了对所述目标音键调节的平稳准确性，从而达到快速准确钢琴调音的效果，且上述基于神经网络的钢琴调音方法可以有效的给普通人进行调音，也可供调音师使用，提高了用户的使用体验。
发明提供一种基于神经网络的钢琴调音方法，。
本发明实施例的另一目的在于提供一种基于神经网络的钢琴调音系统，所述系统包括：
差值计算模块，用于当接收到调音指令时，根据所述调音指令查询标准音高；获取目标音键的实际音高，并计算所述实际音高与所述标准音高之间的差值，以得到差值音高；
特征计算模块，用于获取当前环境的温湿度值，并将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算，以得到特征参数；
音键调音模块，用于将所述特征参数和所述差值音高输入至预设PID控制系统进行计算，以输出数字控制信号；根据所述数字控制信号控制调音执行装置对所述目标音键进行调音。
优选的，所述差值计算模块还用于：
获取所述调音指令中存储的特征标记，所述特征标记为按键信号、语言信号、文字信号、数字信号或图像信号；
将所述特征标记与本地预存储的音键表进行匹配，以得到所述目标音键，并控制所述目标音键被按压。
优选的，所述特征计算模块还用于：当判断到所述温湿度差值大于温湿度阈值时，发出提示报警。
附图说明
图1为本发明第一实施例提供的基于神经网络的钢琴调音方法的流程图；
图2为本发明第一实施例提供的算法流程图；
图3为本发明第二实施例提供的基于神经网络的钢琴调音方法的流程图；
图4为本发明第三实施例提供的基于神经网络的钢琴调音系统的架构示意图；
图5为本发明第四实施例提供的基于神经网络的钢琴调音装的结构示意图；
图6为RBF神经网络结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例一
请参阅图1至图2，是本发明第一实施例提供的基于神经网络的钢琴调音方法的流程图，包括步骤：
步骤S10，当接收到调音指令时，根据所述调音指令查询标准音高；
其中，所述调音指令采用电信号、语音信号、文字信号或无线信号的方式进行传输，所述调音指令用于触发针对目标音键的调音步骤，优选的，该步骤中，根据所述调音指令查询标准音高所采用的查询方式为匹配查询、编号查询或图像查询的方式进行，所述标准音高为目标音键对应的标准音，进一步的，所述标准音高还可以根据用户的需求自主进行音准的设置，而在本实施例中，所述标准音高为国际标准音；
步骤S20，获取目标音键的实际音高，并计算所述实际音高与所述标准音高之间的差值，以得到差值音高；
其中，所该实际音高为所述目标音键在当前预设时间内发出的按键音，该预设时间可以根据用户需求自主进行设置，优选的，当该预设时间内未获取到所述实际音高时，结束步骤S20流程；
具体的，该步骤中，所述实际音高与所述标准音高之间可以通过电路的方式转换为信号，并通过比较器的方式以对应计算所述差值音高对应的信号强度，通过将所述差值音高转化为信号强度的设计，有效的方便了后续对目标音键调音的控制；
步骤S30，获取当前环境的温湿度值，并将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算，以得到特征参数；
由于，考虑到在钢琴调音的过程中琴弦将被越调反应更加灵敏，调试过程是个非线性过程，且音量受外界温湿度影响很大，说明被控对象具有强烈的非线性且有时变特性，那么神经网络PID控制是合适的；
其中，通过将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算的设计，以准确计算目标音键随外界环境变化的特征值，该特征参数包括PID调节比例参数，积分参数，微分参数；
步骤S40，将所述特征参数和所述差值音高输入至预设PID控制系统进行计算，以输出数字控制信号；
其中，通过将所述特征参数和所述差值音高输入至预设PID控制系统进行计算的设计，以准确计算所述输出数字控制信号，以方便了后续对所述目标音键自动准确的调音，且可以保证了对所述目标音键调节的平稳准确性，从而达到快速准确钢琴调音的效果；
步骤S50，根据所述数字控制信号控制调音执行装置对所述目标音键进行调音；
具体的，单片机通过输出的数字控制信号高低电平去控制外部电气驱动元件，最终驱动机械部件去调音。其中调音执行装置即有电气元气件又有机械部件，机械部件输出功率，实际反应是音调变化。调音执行装置是电器元件和机械机构；
本实施例中，差值信号和外界实时采集的温湿度信号同时输入，经训练成熟后的RBF神经网络，网络根据实际分类情况，将输出动态PID系统的ki,kp,kd使得PID系统能够快速准确的实现传递函数的输出值。执行机构输出实时音高，进过基于RBF神经网络PID调音模块，经过多次负反馈最终使得执行机构输出标准音调。
本实施例中，通过将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算的设计，以准确计算目标音键随外界环境变化的特征值，通过将所述特征参数和所述差值音高输入至预设PID控制系统进行计算的设计，以准确计算所述输出数字控制信号，以方便了后续对所述目标音键自动准确的调音，且可以保证了对所述目标音键调节的平稳准确性，从而达到快速准确钢琴调音的效果，且上述基于神经网络的钢琴调音方法可以有效的给普通人进行调音，也可供调音师使用，提高了用户的使用体验。
实施例二
请参阅图3，是本发明第二实施例提供的基于神经网络的钢琴调音方法的流程图，包括步骤：
步骤S11，当接收到调音指令时，根据所述调音指令查询标准音高；
其中，所述调音指令采用电信号、语音信号、文字信号或无线信号的方式进行传输，所述调音指令用于触发针对目标音键的调音步骤，优选的，该步骤中，根据所述调音指令查询标准音高所采用的查询方式为匹配查询、编号查询或图像查询的方式进行，所述标准音高为目标音键对应的标准音，进一步的，所述标准音高还可以根据用户的需求自主进行音准的设置，而在本实施例中，所述标准音高为国际标准音；
步骤S21，获取所述调音指令中存储的特征标记；
其中，所述特征标记为按键信号、语言信号、文字信号、数字信号或图像信号，所述特征标记用于指向目标音键，优选的，该步骤中采用按键信号的方式进行该特征标记的存储，每个不同的音键对应唯一一个按键信号；
步骤S31，将所述特征标记与本地预存储的音键表进行匹配，以得到所述目标音键，并控制所述目标音键被按压，以得到实际音高；
其中，所该实际音高为所述目标音键在当前预设时间内发出的按键音，该预设时间可以根据用户需求自主进行设置，优选的，当该预设时间内未获取到所述实际音高时，结束步骤S31流程；
步骤S41，计算所述实际音高与所述标准音高之间的差值，以得到差值音高；
具体的，该步骤中，所述实际音高与所述标准音高之间可以通过电路的方式转换为信号，并通过比较器的方式以对应计算所述差值音高对应的信号强度，通过将所述差值音高转化为信号强度的设计，有效的方便了后续对目标音键调音的控制；
步骤S51，获取当前环境的温湿度值，当判断到所述温湿度差值大于温湿度阈值时，发出提示报警；
其中，通过所述温湿度差值与所述温湿度阈值之间大小的判断设计，有效的对用户起到了提醒效果，进而防止了由于所述温湿度阈值过大导致的计算错误，提高了所述基于神经网络的钢琴调音方法的调音准确性；
步骤S61，将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算，以得到特征参数；
其中，所述预设神经网络模型结构与简单的RBP神经网络相同都是三层网络结构：输入层、隐含层和输出层。不同的是，RBF神经网络的隐含层节点的激活函数为径向基(RBF)函数，该特征参数包括PID调节比例参数，积分参数，微分参数。
如表1所示，假设调音训练数据集为X＝{x1,x2,……xm},其中第i个训练样本为
也就是说样本数为m，特征数为n，所以输入层的节点个数为n。假设隐含节点个数为s,第i个训练样本xi从隐含层的第j个节点(j＝1,2,…,s)的输出为：
将式中相关参数线性化，应用K-均值聚类法迭代出函数权参数z0，z1，…zm的数值，完成样本训练，相关输入就可得到预定输出值。其中cj和σj分别是RBF神经网络第j个隐含层RBF激活函数的中心参数和宽度参数。
表1调音神经网络训练部分数据集示例
| 训练样本 | 实时温度 | 实时湿度 | 实时音高 | 输出 |
| x<sup>1</sup> | 23.1 | 34％ | 255 | y<sub>1</sub> |
| x<sup>2</sup> | 23.2 | 34.8％ | 255.5 | y<sub>2</sub> |
| x<sup>3</sup> | 23.5 | 35％ | 256.5 | y<sub>3</sub> |
| x<sup>4</sup> | 23.7 | 35.4％ | 256.7 | y<sub>4</sub> |
| x<sup>3</sup> | 23.9 | 36％ | 257 | y<sub>3</sub> |
由于，钢琴音调受外部环境温湿度影响很大，RBF神经网络将实时温度、实时湿度、实时音高、标准音高做为训练集的输入特征量。本实施例采用K-均值聚类法来选择RBF的中心。动态K-均值聚类算法在RBF网络中心选取中的作用是调整聚类中心，使网络中心的选取更精确。该步骤中，其本质目的是通PID闭环调节网络进行精确的钢琴调音控制，但由于PID调节比例参数，积分参数，微分参数在动态非线性环境下很难确定，本实施例应用训练集中的温湿度参数，标准音高和标准音高的差值作为特征值训练出一种RBF神经网络使得能根据外部环境变化，动态整定PID调节比例参数，积分参数，微分参数使得系统稳定，准确，非超调的输出目标值，符合钢琴调音特点。
所述预设神经网络的计算过程描述如下：首先，令类别数为0(第一个输入会强迫创建出一个类别模式以支持该输入)。以后，每遇到每一个新的输入向量，则计算它与任何一个已分配的类别模式之间的距离。如果指定第P个输入向量为X(p)以及第j个聚类中心为Cj，d为欧式距离，则欧式距离d可以表示为：
其中M是输入向量的维数。依据公式计算出m个样本的数据的密度指标后，之后的在所有的密度指标中找到密度指标最的作为第一个聚类C1.再进一步算出剩下的m-1个密度指标，依次类推，一直找到k个聚类中心Ck，设输入向量X(p)和所有已分配的模式类别之间的距离已知，且和该输入矢量最近的中心为Ck，应有d0＝‖X(p)-Ck‖<‖X(p)-Cj‖，j＝1，…，T，j≠k其中T是已分配类别的数目。
在确定了与输入矢量最近的中心后，k就已经确定了，从而d0也就确定了。对给定的钢琴调音输入样本Xj，按最小距离原则对其进行分类：既当i(Xj)＝mini||xj-ci(k)||,i＝1,2,.....,h时，Xj被归为第i类，此时Xj∈wi(k)，既可将影响钢琴调音的相关特征值样本进行分类，便于后续RBF神经网络权矩阵的确立。根据各聚类中心的之间的距离确定各隐节点的扩展常数σ。在隐节点的数据中心C和扩展常数σ确定后，钢琴音调输出矢量W＝[w1，w2，…，w<]T用梯度下降法训练得到。定义的网络总误差为：
式中d(xj)为第j个输入训练样本的期望输出，y(xj)为网络的实际输出，用梯度下降法确定权值wj；
步骤S71，将所述特征参数和所述差值音高输入至预设PID控制系统进行计算，以输出数字控制信号；
其中，所述预设PID控制系统中的PID输出传递函数为：
其中，Kp为比例系数，Ti为积分时间常量，Td为积分时间常量。在RBF神经网络中已通过现有的训练样本，结合外部温湿度的情况来实时确定这些参数的数值。式中e(t)为输入标准音高和机构输出实时音高的差值，通过动态PID传递函数中的比例放大，比例积分，微分环节，可以保证钢琴调音装置输出功的平稳准确，从而实现快速准确钢琴调音的实现；
步骤S81，根据所述数字控制信号控制调音执行装置对所述目标音键进行调音；
具体的，单片机通过输出的数字控制信号高低电平去控制外部电气驱动元件，最终驱动机械部件去调音。其中调音执行装置即有电气元气件又有机械部件，机械部件输出功率，实际反应是音调变化。调音执行装置是电器元件和机械机构。
本实施例中，通过将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算的设计，以准确计算目标音键随外界环境变化的特征值，通过将所述特征参数和所述差值音高输入至预设PID控制系统进行计算的设计，以准确计算所述输出数字控制信号，以方便了后续对所述目标音键自动准确的调音，且可以保证了对所述目标音键调节的平稳准确性，从而达到快速准确钢琴调音的效果，且上述基于神经网络的钢琴调音方法可以有效的给普通人进行调音，也可供调音师使用，提高了用户的使用体验。
实施例三
请参阅图4，是本发明第三实施例提供的基于神经网络的钢琴调音系统100的结构示意图，包括：
差值计算模块10，用于当接收到调音指令时，根据所述调音指令查询标准音高；获取目标音键的实际音高，并计算所述实际音高与所述标准音高之间的差值，以得到差值音高，其中，所述调音指令采用电信号、语音信号、文字信号或无线信号的方式进行传输，所述调音指令用于触发针对目标音键的调音步骤，优选的，该步骤中，根据所述调音指令查询标准音高所采用的查询方式为匹配查询、编号查询或图像查询的方式进行，所述标准音高为目标音键对应的标准音，进一步的，所述标准音高还可以根据用户的需求自主进行音准的设置，而在本实施例中，所述标准音高为国际标准音，具体的，所述实际音高与所述标准音高之间可以通过电路的方式转换为信号，并通过比较器的方式以对应计算所述差值音高对应的信号强度，通过将所述差值音高转化为信号强度的设计，有效的方便了后续对目标音键调音的控制。
特征计算模块11，用于获取当前环境的温湿度值，并将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算，以得到特征参数，其中，所述预设神经网络模型包括输入层、隐含层和输出层，所述输出层节点的激活函数为径向基函数，通过将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算的设计，以准确计算目标音键随外界环境变化的特征值。
具体的，所述预设神经网络模型为RBF神经网络，且所述预设神经网络模型中采用的欧式距离算公式为：
其中，第P个输入向量为X(p)以及第j个聚类中心为Cj，d为欧式距离，M是输入向量的维数。
进一步的，所述预设神经网络模型中定义的网络总误差为：
其中，d(xj)为第j个输入训练样本的期望输出，y(xj)为网络的实际输出。
音键调音模块12，用于将所述特征参数和所述差值音高输入至预设PID控制系统进行计算，以输出数字控制信号；根据所述数字控制信号控制调音执行装置对所述目标音键进行调音，其中，所述预设PID控制系统中的PID输出传递函数为：
其中，Kp为比例系数，Ti为积分时间常量，Td为积分时间常量，e(t)为所述差值音高对应的差值信号。
优选的，所述差值计算模块10还用于：
获取所述调音指令中存储的特征标记，所述特征标记为按键信号、语言信号、文字信号、数字信号或图像信号；
将所述特征标记与本地预存储的音键表进行匹配，以得到所述目标音键，并控制所述目标音键被按压。
优选的，所述特征计算模块11还用于：当判断到所述温湿度差值大于温湿度阈值时，发出提示报警。
本实施例中，通过将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算的设计，以准确计算目标音键随外界环境变化的特征值，通过将所述特征参数和所述差值音高输入至预设PID控制系统进行计算的设计，以准确计算所述输出数字控制信号，以方便了后续对所述目标音键自动准确的调音，且可以保证了对所述目标音键调节的平稳准确性，从而达到快速准确钢琴调音的效果。
实施例四
请参阅图5，本发明第四实施例还提供一种基于神经网络的钢琴调音装101，包括存储设备以及处理器，所述存储设备用于存储计算机程序，所述处理器运行所述计算机程序以使所述基于神经网络的钢琴调音装置101执行上述的基于神经网络的钢琴调音方法。
本实施例还提供了一种存储介质，其上存储有上述基于神经网络的钢琴调音装置中所使用的计算机程序，该程序在执行时，包括如下步骤：
当接收到调音指令时，根据所述调音指令查询标准音高；
获取目标音键的实际音高，并计算所述实际音高与所述标准音高之间的差值，以得到差值音高；
获取当前环境的温湿度值，并将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算，以得到特征参数；
将所述特征参数和所述差值音高输入至预设PID控制系统进行计算，以输出数字控制信号；
根据所述数字控制信号控制调音执行装置对所述目标音键进行调音。所述的存储介质，如：ROM/RAM、磁碟、光盘等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元或模块完成，即将存储装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
本领域技术人员可以理解，图4中示出的组成结构并不构成对本发明的基于神经网络的钢琴调音系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，而图1-3中的基于神经网络的钢琴调音方法亦采用图4中所示的更多或更少的部件，或者组合某些部件，或者不同的部件布置来实现。本发明所称的单元、模块等是指一种能够被所述基于神经网络的钢琴调音系统中的处理器(图未示)所执行并功能够完成特定功能的一系列计算机程序，其均可存储于所述基于神经网络的钢琴调音系统的存储设备(图未示)内。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于神经网络的钢琴调音方法，其特征在于，包括：当接收到调音指令时，根据所述调音指令查询标准音高；获取目标音键的实际音高，并计算所述实际音高与所述标准音高之间的差值，以得到差值音高；获取当前环境的温湿度值，并将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算，以得到特征参数；将所述特征参数和所述差值音高输入至预设PID控制系统进行计算，以输出数字控制信号；根据所述数字控制信号控制调音执行装置对所述目标音键进行调音，所述获取目标音键的实际音高的步骤包括：获取所述调音指令中存储的特征标记，所述特征标记为按键信号、语言信号、文字信号、数字信号或图像信号；将所述特征标记与本地预存储的音键表进行匹配，以得到所述目标音键，并控制所述目标音键被按压，所述获取当前环境的温湿度值的步骤之后，所述方法还包括：当判断到所述温湿度差值大于温湿度阈值时，发出提示报警，所述预设神经网络模型包括输入层、隐含层和输出层，所述输出层节点的激活函数为径向基函数；
通过将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算的设计，以准确计算目标音键随外界环境变化的特征值，该特征参数包括PID调节比例参数，积分参数，微分参数。
2.根据权利要求1所述的基于神经网络的钢琴调音方法，其特征在于，所述预设神经网络模型为RBF神经网络，且所述预设神经网络模型中采用的欧式距离计算公式为：
其中，第P个输入向量为X(p)以及第j个聚类中心为Cj，d为欧式距离，M是输入向量的维数。
3.根据权利要求1所述的基于神经网络的钢琴调音方法，其特征在于，所述预设神经网络模型中定义的网络总误差为：
其中，d(xj)为第j个输入训练样本的期望输出，y(xj)为网络的实际输出。
4.根据权利要求1所述的基于神经网络的钢琴调音方法，其特征在于，所述预设PID控制系统中的PID输出传递函数为：
其中，Kp为比例系数，Ti为积分时间常量，Td为积分时间常量，e(t)为所述差值音高对应的差值信号。
5.一种基于神经网络的钢琴调音系统，其特征在于，所述系统包括：差值计算模块，用于当接收到调音指令时，根据所述调音指令查询标准音高；获取目标音键的实际音高，并计算所述实际音高与所述标准音高之间的差值，以得到差值音高；特征计算模块，用于获取当前环境的温湿度值，并将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算，以得到特征参数；音键调音模块，用于将所述特征参数和所述差值音高输入至预设PID控制系统进行计算，以输出数字控制信号；根据所述数字控制信号控制调音执行装置对所述目标音键进行调音，通过将所述温湿度值和所述差值音高输入至预设神经网络模型进行计算的设计，以准确计算目标音键随外界环境变化的特征值，该特征参数包括PID调节比例参数，积分参数，微分参数。
6.根据权利要求5所述的基于神经网络的钢琴调音系统，所述差值计算模块还用于：获取所述调音指令中存储的特征标记，所述特征标记为按键信号、语言信号、文字信号、数字信号或图像信号；将所述特征标记与本地预存储的音键表进行匹配，以得到所述目标音键，并控制所述目标音键被按压。
7.根据权利要求5所述的基于神经网络的钢琴调音系统，所述特征计算模块还用于：当判断到所述温湿度差值大于温湿度阈值时，发出提示报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910191288.8A CN109991842B (zh) | 2019-03-14 | 2019-03-14 | 基于神经网络的钢琴调音方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910191288.8A CN109991842B (zh) | 2019-03-14 | 2019-03-14 | 基于神经网络的钢琴调音方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109991842A CN109991842A (zh) | 2019-07-09 |
| CN109991842B true CN109991842B (zh) | 2022-07-01 |
Family
ID=67129567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910191288.8A Expired - Fee Related CN109991842B (zh) | 2019-03-14 | 2019-03-14 | 基于神经网络的钢琴调音方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109991842B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112542161B (zh) * | 2020-12-10 | 2022-08-12 | 长春工程学院 | 一种双层pid优化的bp神经网络语音识别方法 |
| CN116684499B (zh) * | 2023-06-28 | 2023-12-19 | 恩平市声艺专业音响科技有限公司 | 一种基于多网协同的智能调音台 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6395327A (ja) * | 1986-10-10 | 1988-04-26 | Yamaha Corp | 調律装置 |
| JP3097503B2 (ja) * | 1995-06-07 | 2000-10-10 | ヤマハ株式会社 | 楽音合成装置および楽音合成方法 |
| CN102637431A (zh) * | 2012-03-20 | 2012-08-15 | 许文辉 | 定位拾音冲量调整装置及方法 |
| CN107705775A (zh) * | 2017-08-17 | 2018-02-16 | 广东工业大学 | 一种基于rbf神经网络的多种乐器调音方法 |
| CN108597535B (zh) * | 2018-03-29 | 2021-10-26 | 华南理工大学 | 一种融合伴奏的midi钢琴曲风格分类方法 |
| CN108735192B (zh) * | 2018-04-09 | 2021-09-21 | 华南理工大学 | 一种结合曲风的钢琴演奏音质评价系统及方法 |
-
2019
- 2019-03-14 CN CN201910191288.8A patent/CN109991842B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
| Title |
|---|
| Research on the Intelligent Piano Application with Variable Structure Fuzzy Neural Networks;Qiu Huanyao，等;《2018 International Conference on Big Data and Artificial Intelligence》;20181231;第107-110页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109991842A (zh) | 2019-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109991842B (zh) | 基于神经网络的钢琴调音方法及系统 | |
| AU2021245165B2 (en) | Method and device for processing quantum data | |
| CN108647272A (zh) | 一种基于数据分布的小样本扩充方法 | |
| CN110059852A (zh) | 一种基于改进随机森林算法的股票收益率预测方法 | |
| CN104778506B (zh) | 基于局部集成学习的短期风速预报方法 | |
| US20190213475A1 (en) | Reducing machine-learning model complexity while maintaining accuracy to improve processing speed | |
| US20210158136A1 (en) | Calculation scheme decision system, calculation scheme decision device, calculation scheme decision method, and storage medium | |
| CN103870568A (zh) | 根据天气状况自动播放歌曲方法及装置 | |
| CN101295362A (zh) | 结合支持向量机以及近邻法的模式分类方法 | |
| CN111459022A (zh) | 设备参数调整方法、设备控制装置和计算机可读存储介质 | |
| CN111105041A (zh) | 一种用于智慧数据碰撞的机器学习方法及装置 | |
| CN109508735A (zh) | 一种基于神经动力学的软间隔支持向量机分类方法 | |
| CN116432037A (zh) | 一种在线迁移学习方法、装置、设备和存储介质 | |
| CN114564888A (zh) | 一种基于数据驱动的纺织印染智能配色方法 | |
| JP2018517963A (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
| Sang et al. | Ensembles of gradient boosting recurrent neural network for time series data prediction | |
| Zhao | The water potability prediction based on active support vector machine and artificial neural network | |
| Gu et al. | Deep learning solutions to master equations for continuous time heterogeneous agent macroeconomic models | |
| CN116629918A (zh) | 一种基于跨境电商的用户消费预测方法及系统 | |
| Arrieta et al. | Procedure for cascade control systems design: choice of suitable PID tunings | |
| CN110019809A (zh) | 一种分类确定方法、装置及网络设备 | |
| CN111897832B (zh) | 模型部署方法、设备及可读存储介质 | |
| CN104951455B (zh) | 一种基于类别从属度的信息分类方法及系统 | |
| JP2007018530A (ja) | 忘却型ヒストグラム計算装置及びそれを用いた外れ値度計算装置 | |
| US20090132306A1 (en) | Confidence rating system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220701 |