JP3901695B2

JP3901695B2 - 楽曲検索システムおよび楽曲検索方法

Info

Publication number: JP3901695B2
Application number: JP2004042070A
Authority: JP
Inventors: 成文後田
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 2004-02-18
Filing date: 2004-02-18
Publication date: 2007-04-04
Anticipated expiration: 2024-02-18
Also published as: JP2005235278A

Description

本発明は、ＨＤＤ等の大容量の記憶手段に大量に記憶されている楽曲データの中から所望の楽曲を検索する楽曲検索システムおよび楽曲検索方法に関し、特に人間の感性によって判断される印象度データに基づいて楽曲の検索が可能な楽曲検索システムおよび楽曲検索方法に関する。

近年、ＨＤＤ等の大容量の記憶手段が開発され、大容量の記憶手段に大量の楽曲データを記憶させることができるようになっている。大容量の記憶手段に記憶されている大量の楽曲データの検索は、アーティスト名や曲名、その他のキーワード等の書誌データを用いて行うのが一般的であるが、書誌データで検索した場合には、楽曲が持っている情感を考慮することができず、印象の異なる楽曲が検索される可能性があり、聴取した際の印象が同じような楽曲を検索したい場合には、不向きである。

そこで、楽曲に対する主観的な印象に基づいて利用者の希望する楽曲を検索可能にするために、検索を希望する楽曲に対するユーザの主観的な要件を入力して数値化して出力し、その出力から、検索対象の楽曲の印象を数量化した予測印象値を算出し、算出した予測印象値をキーとして、複数の楽曲の音響信号およびその楽曲の印象を数量化した印象値を格納した楽曲データベースを検索することにより、利用者の楽曲に対する主観的なイメージに基づいて、希望する楽曲を検索する装置が提案されている（例えば、特許文献１参照）。

しかしながら、従来技術では、楽曲の物理的な特徴を変換した印象値を、ユーザの主観的な要件の入力が数値化された予測印象値に基づいて検索を行っているため、ユーザによって検索条件として入力される主観的な要件の入力項目が集約されてしまい、主観的な要件に基づく精度の高い楽曲データの検索を実現することができないと共に、楽曲の印象を数量化した印象値が固定されているため、変換後の印象値が必ずしも個々のユーザの嗜好に即しない場合があるという問題点があった。
特開２００２−２７８５４７号公報

本発明は斯かる問題点を鑑みてなされたものであり、その目的とするところは、階層型ニューラルネットワークによって、楽曲の有する物理的な複数の項目からなる特徴データと、人間の感性によって判断される項目からなる印象度データとを直接関連づけることにより、ユーザによって検索条件として入力される人間の感性によって判断される印象度データの項目が集約されることなく、人間の感性によって判断される印象度データに基づいて精度の高い楽曲データの検索を行うことができ、さらに、階層型ニューラルネットワークによって特徴データから変換された印象度データをユーザの嗜好に即したものに変更することができる楽曲検索システムおよび楽曲検索方法を提供する点にある。

本発明は上記課題を解決すべく、以下に掲げる構成とした。
本発明の楽曲検索システムは、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、楽曲データを入力する楽曲データ入力手段と、該楽曲データ入力手段によって入力された楽曲データから物理的な特徴データとしてゆらぎ情報からなる複数の項目を抽出する特徴データ抽出手段と、該特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換する印象度データ変換手段と、該印象度データ変換手段によって変換された印象度データを前記楽曲データ入力手段によって入力された楽曲データと共に前記楽曲データベースに記憶させる記憶制御手段と、印象度データを検索条件として入力する印象度データ入力手段と、該印象度データ入力手段から入力された印象度データに基づいて前記楽曲データベースを検索する楽曲検索手段と、該楽曲検索手段によって検索された楽曲データの印象度データを修正した修正データを入力する修正データ入力手段と、該修正データ入力手段によって入力された前記修正データによって前記楽曲データベースに記憶されている印象度データを更新する印象度データ更新手段と、を具備することを特徴とする。

また、本発明の楽曲検索システムは、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、楽曲データを入力する楽曲データ入力手段と、該楽曲データ入力手段によって入力された楽曲データから物理的な特徴データを抽出する特徴データ抽出手段と、該特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換する印象度データ変換手段と、該印象度データ変換手段によって変換された印象度データを前記楽曲データ入力手段によって入力された楽曲データと共に前記楽曲データベースに記憶させる記憶制御手段と、印象度データを検索条件として入力する印象度データ入力手段と、該印象度データ入力手段から入力された印象度データに基づいて前記楽曲データベースを検索する楽曲検索手段と、該楽曲検索手段によって検索された楽曲データの印象度データの修正指示を入力する修正指示入力手段と、該修正指示入力手段によって入力された前記修正指示に基づいて印象度データを前記検索条件から遠ざかる方向に自動修正した修正データを作成し、当該修正データによって前記楽曲データベースに記憶されている印象度データを更新する印象度データ更新手段と、を具備することを特徴とする。

さらに、本発明の楽曲検索システムは、前記印象度データ変換手段は、予め学習が施された階層型ニューラルネットワークを用いて前記特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換することを特徴とする。

さらに、本発明の楽曲検索システムは、前記特徴データ抽出手段は、特徴データとしてゆらぎ情報からなる複数の項目を抽出することを特徴とする。

さらに、本発明の楽曲検索システムは、前記楽曲検索手段は、前記印象度データ入力手段から入力された印象度データを入力ベクトルとすると共に、前記楽曲データベースに記憶されている印象度データを検索対象ベクトルとし、両者のユークリッド距離が小さい順に検索することを特徴とする。

また、本発明の楽曲検索システムは、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、楽曲データを入力する楽曲データ入力手段と、該楽曲データ入力手段によって入力された楽曲データから物理的な特徴データを抽出する特徴データ抽出手段と、該特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換する印象度データ変換手段と、該印象度データ変換手段によって変換された印象度データに基づいて、前記楽曲データ入力手段によって入力された楽曲データを予め学習が施された自己組織化マップである楽曲マップにマッピングする楽曲マッピング手段と、該楽曲マッピング手段によって楽曲データがマッピングされた楽曲マップを記憶する楽曲マップ記憶手段と、前記楽曲マップにマッピングされている楽曲データの中から代表曲を選択する代表曲選択手段と、該代表曲選択手段によって選択された代表曲に基づいて楽曲マップを検索する楽曲検索手段と、該楽曲検索手段によって検索された楽曲データの印象度データを修正した修正データを入力する修正データ入力手段と、を具備し、前記楽曲マッピング手段は、前記修正データ入力手段によって入力された前記修正データに基づいて楽曲データを前記楽曲マップに再マッピングすることを特徴とする。

また、本発明の楽曲検索システムは、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、楽曲データを入力する楽曲データ入力手段と、該楽曲データ入力手段によって入力された楽曲データから物理的な特徴データを抽出する特徴データ抽出手段と、該特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換する印象度データ変換手段と、該印象度データ変換手段によって変換された印象度データに基づいて、前記楽曲データ入力手段によって入力された楽曲データを予め学習が施された自己組織化マップである楽曲マップにマッピングする楽曲マッピング手段と、該楽曲マッピング手段によって楽曲データがマッピングされた楽曲マップを記憶する楽曲マップ記憶手段と、前記楽曲マップにマッピングされている楽曲データの中から代表曲を選択する代表曲選択手段と、該代表曲選択手段によって選択された代表曲に基づいて楽曲マップを検索する楽曲検索手段と、該楽曲検索手段によって検索された楽曲データの印象度データの修正指示を入力する修正指示入力手段と、該修正指示入力手段によって入力された前記修正指示に基づいて、前記楽曲検索手段によって検索された楽曲データの印象度データを前記楽曲検索手段が検索条件として用いた代表曲の印象度データから遠ざかる方向に自動修正した修正データを作成する印象度データ修正手段と、を具備し、前記楽曲マッピング手段は、前記印象度データ修正手段によって作成された前記修正データに基づいて楽曲データを前記楽曲マップに再マッピングすることを特徴とする。

さらに、本発明の楽曲検索システムは、前記楽曲マッピング手段は、前記印象度データ変換手段によって変換された印象度データを入力ベクトルとして、当該入力ベクトルに最も近いニューロンに前記楽曲データ入力手段によって入力された楽曲データをマッピングすることを特徴とする。

さらに、本発明の楽曲検索システムは、前記楽曲検索手段は、代表曲がマッピングされているニューロンに含まれる楽曲データを検索することを特徴とする。

さらに、本発明の楽曲検索システムは、前記楽曲検索手段は、代表曲がマッピングされているニューロンと、その近傍ニューロンとに含まれる楽曲データを検索することを特徴とする。

さらに、本発明の楽曲検索システムは、前記楽曲検索手段において近傍ニューロンを決定するための近傍半径は、任意に設定可能であることを特徴とする。

また、本発明の楽曲検索方法は、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、楽曲データの入力を受け付け、該入力された楽曲データから物理的な特徴データとしてゆらぎ情報からなる複数の項目を抽出し、該抽出した特徴データを人間の感性によって判断される印象度データに変換し、該変換した印象度データを前記受け付けた楽曲データと共に前記楽曲データベースに記憶し、検索条件として印象度データの入力を受け付け、該入力された印象度データに基づいて前記楽曲データベースを検索し、該検索した楽曲データの印象度データを修正した修正データの入力を受け付け、該入力された前記修正データによって前記楽曲データベースに記憶している印象度データを更新することを特徴とする。

また、本発明の楽曲検索方法は、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、楽曲データの入力を受け付け、該入力された楽曲データから物理的な特徴データを抽出し、該抽出した特徴データを人間の感性によって判断される印象度データに変換し、該変換した印象度データを前記受け付けた楽曲データと共に前記楽曲データベースに記憶し、検索条件として印象度データの入力を受け付け、該入力された印象度データに基づいて前記楽曲データベースを検索し、該検索した楽曲データの印象度データの修正指示入力を受け付け、該入力された前記修正指示入力に基づいて印象度データを前記検索条件から遠ざかる方向に自動修正した修正データを作成し、該作成した前記修正データによって前記楽曲データベースに記憶されている印象度データを更新することを特徴とする。

さらに、本発明の楽曲検索方法は、予め学習が施された階層型ニューラルネットワークを用いて前記抽出した特徴データを人間の感性によって判断される印象度データに変換することを特徴とする。

さらに、本発明の楽曲検索方法は、特徴データとしてゆらぎ情報からなる複数の項目を抽出することを特徴とする。

さらに、本発明の楽曲検索方法は、前記受け付けた印象度データを入力ベクトルとすると共に、前記楽曲データベースに記憶している印象度データを検索対象ベクトルとし、両者のユークリッド距離が小さい順に検索することを特徴とする。

また、本発明の楽曲検索方法は、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、楽曲データの入力を受け付け、該入力された楽曲データから物理的な特徴データを抽出し、該抽出した特徴データを人間の感性によって判断される印象度データに変換し、該変換した印象度データに基づいて、前記受け付けた楽曲データを予め学習が施された自己組織化マップである楽曲マップにマッピングし、前記楽曲マップにマッピングされている楽曲データの中から代表曲を選択し、該選択した代表曲に基づいて前記楽曲マップにマッピングされている楽曲データを検索し、該検索した楽曲データの印象度データを修正した修正データの入力を受け付け、該入力された前記修正データに基づいて楽曲データを前記楽曲マップに再マッピングすることを特徴とする。

また、本発明の楽曲検索方法は、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、楽曲データの入力を受け付け、該入力された楽曲データから物理的な特徴データを抽出し、該抽出した特徴データを人間の感性によって判断される印象度データに変換し、該変換した印象度データに基づいて、前記受け付けた楽曲データを予め学習が施された自己組織化マップである楽曲マップにマッピングし、前記楽曲マップにマッピングされている楽曲データの中から代表曲を選択し、該選択した代表曲に基づいて前記楽曲マップにマッピングされている楽曲データを検索し、該検索した楽曲データの印象度データの修正指示入力を受け付け、該入力を受け付けた前記修正指示入力に基づいて、前記検索した楽曲データの印象度データを検索条件として用いた代表曲の印象度データから遠ざかる方向に自動修正した修正データを作成し、該作成した前記修正データに基づいて楽曲データを前記楽曲マップに再マッピングすることを特徴とする。

さらに、本発明の楽曲検索方法は、前記変換した印象度データを入力ベクトルとして、当該入力ベクトルに最も近いニューロンに前記入力した楽曲データをマッピングすることを特徴とする。

さらに、本発明の楽曲検索方法は、前記代表曲がマッピングされているニューロンに含まれる楽曲データを検索することを特徴とする。

さらに、本発明の楽曲検索方法は、前記代表曲がマッピングされているニューロンと、その近傍ニューロンとに含まれる楽曲データを検索することを特徴とする。

さらに、本発明の楽曲検索方法は、近傍ニューロンを決定するための近傍半径は、任意に設定可能であることを特徴とする。

本発明の楽曲検索システムおよび楽曲検索方法は、階層型ニューラルネットワークによって、楽曲の有する物理的な複数の項目からなる特徴データと、人間の感性によって判断される項目からなる印象度データとを直接関連づけることにより、楽曲データから抽出した特徴データを印象度データに変換して記憶しておき、当該記憶している印象度データをユーザによって入力された印象度データに基づいて検索することができるため、ユーザによって検索条件として入力される人間の感性によって判断される項目が集約されることなく、人間の感性によって判断される印象度データに基づいて精度の高い楽曲データの検索を行うことができ、大容量の記憶手段に記憶されている大量の楽曲データの中から聴取した際の印象が同じような楽曲のみを検索することができ、さらに、検索された楽曲データの印象度データを簡単に修正することができるように構成することにより、印象度データを簡単にユーザの嗜好に即したものに変更することができるため、使用期間が長くなるほどユーザの意図に反して検索される楽曲データの数を減少させることができ、検索精度を向上させることができるという効果を奏する。

さらに、本発明の楽曲検索システムおよび楽曲検索方法は、特徴データとしてゆらぎ情報からなる複数の項目を抽出するように構成することにより、楽曲データの物理的な特徴を正確に抽出することができ、特徴データから変換される印象度データの精度を向上させることができるという効果を奏する。

さらに、本発明の楽曲検索システムおよび楽曲検索方法は、特徴データから変換される印象度データと、ユーザによって入力される印象度データとを同一の複数項目とすることにより、多様な項目を設定することができ、ユーザが印象度データに基づく検索を容易に行うことができるという効果を奏する。

さらに、本発明の楽曲検索システムおよび楽曲検索方法は、ユーザによって入力された印象度データを入力ベクトルとすると共に、楽曲データベースに記憶されている印象度データを検索対象ベクトルとし、両者のユークリッド距離が小さい順に検索するように構成することにより、印象度データの項目を多くしても正確に検索を行うことができ、検索精度を向上させることができるという効果を奏する。

さらに、本発明の楽曲検索システムおよび楽曲検索方法は、予め学習が施された自己組織化マップであり、楽曲データが、当該楽曲データが有する印象度データに基づいてマッピングされている楽曲マップを用いて検索するように構成することにより、代表曲を選択するだけで、大容量の記憶手段に記憶されている大量の楽曲データの中から代表曲と印象が同じような楽曲を素早く検索することができ、さらに、検索された楽曲データの印象度データを簡単に修正することができるように構成することにより、印象度データを簡単にユーザの嗜好に即したものに変更することができるため、使用期間が長くなるほどユーザの意図に反して検索される楽曲データの数を減少させることができ、検索精度を向上させることができるという効果を奏する。

さらに、本発明の楽曲検索システムおよび楽曲検索方法は、楽曲マップとして予め学習が施された自己組織化マップを用いることにより、類似する印象を有する楽曲が近隣に配置されるため、検索効率が向上するという効果を奏する。

以下、本発明の実施の形態を図面に基づいて詳細に説明する。

図１は、本発明に係る楽曲検索システムの実施の形態の構成を示すブロック図であり、図２は、図１に示す楽曲検索装置に用いられるニューラルネットワークを事前に学習させるニューラルネットワーク学習装置の構成を示すブロック図である。

本実施の形態は、図１を参照すると、楽曲検索装置１０と、端末装置３０とがＵＳＢ等のデータ伝送路で接続されており、端末装置３０は、楽曲検索装置１０から切り離して携帯することができる構成となっている。

楽曲検索装置１０は、図１を参照すると、楽曲データ入力部１１と、圧縮処理部１２と、特徴データ抽出部１３と、印象度データ変換部１４と、楽曲データベース１５と、楽曲マッピング部１６と、楽曲マップ記憶部１７と、楽曲検索部１８と、ＰＣ操作部１９と、ＰＣ表示部２０と、送受信部２１と、音声出力部２２と、修正データ記憶部２３と、ニューラルネットワーク学習部２４とからなる。

楽曲データ入力部１１は、ＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体を読み取る機能を有し、ＣＤ、ＤＶＤ等の記憶媒体から楽曲データを入力し、圧縮処理部１２および特徴データ抽出部１３に出力する。ＣＤ、ＤＶＤ等の記憶媒体以外にインターネット等のネットワークを経由した楽曲データ（配信データ）を入力するように構成しても良い。なお、圧縮された楽曲データが入力される場合には、圧縮された楽曲データを伸長して特徴データ抽出部１３に出力する。

圧縮処理部１２は、楽曲の登録時には、楽曲データ入力部１１から入力された楽曲データをＭＰ３やＡＴＲＡＣ（Adaptive Transform Acoustic Coding ）等の圧縮形式で圧縮し、圧縮した楽曲データを、アーティスト名、曲名等の書誌データと共に楽曲データベース１５に記憶させる。

特徴データ抽出部１３は、楽曲データ入力部１１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出し、抽出した特徴データを印象度データ変換部１４に出力する。

印象度データ変換部１４は、予め学習が施された階層型ニューラルネットワークを用いて、特徴データ抽出部１３から入力された特徴データを、人間の感性によって判断される印象度データに変換し、変換した印象度データを楽曲マッピング部１６に出力すると共に、特徴データ抽出部１３から入力された特徴データと変換した印象度データとを楽曲データに関連づけて楽曲データベース１５に登録する。

楽曲データベース１５は、ＨＤＤ等の大容量の記憶手段であり、圧縮処理部１２によって圧縮された楽曲データ、書誌データと、特徴データ抽出部１３によって抽出された特徴データと、印象度データ変換部１４によって変換された印象度データとが関連づけられて記憶される。

楽曲マッピング部１６は、印象度データ変換部１４から入力された印象度データに基づいて、予め学習が施された自己組織化マップである楽曲マップに楽曲データをマッピングし、楽曲データをマッピングした楽曲マップを楽曲マップ記憶部１７に記憶させる。

楽曲マップ記憶部１７は、ＨＤＤ等の大容量の記憶手段であり、楽曲マッピング部１６によって楽曲データがマッピングされた楽曲マップが記憶される。

楽曲検索部１８は、ＰＣ操作部１９から入力された印象度データおよび書誌データに基づいて楽曲データベース１５を検索し、当該検索結果をＰＣ表示部２０に表示すると共に、ＰＣ操作部１９によって選択された代表曲に基づいて楽曲マップ記憶部１７を検索し、当該代表曲検索結果をＰＣ表示部２０に表示する。また、楽曲検索部１８は、送受信部２１を介してＰＣ操作部１９によって選択された楽曲データを端末装置３０に出力する。

また、楽曲検索部１８は、楽曲データおよび印象度データを楽曲データベース１５から読み出し、読み出した楽曲データを音声出力部２２に出力して音声出力させると共に、音声出力を試聴したユーザの指示に基づいて印象度データを修正し、楽曲データベース１５に記憶されている印象度データを更新すると共に、楽曲データベース１５から特徴データを読み出して、修正データと特徴データとを再学習データとして修正データ記憶部２３に記憶させる。

ＰＣ操作部１９は、キーボードやマウス等の入力手段であり、楽曲データベース１５および楽曲マップ記憶部１７に記憶されている楽曲データを検索する検索条件の入力、端末装置３０に出力する楽曲データを選択する入力、印象度データの修正入力、印象度データの自動修正を指示する入力、階層型ニューラルネットワークの再学習を指示する入力、楽曲データの再登録を指示する入力が行われる。

ＰＣ表示部２０は、例えば液晶ディスプレイ等の表示手段であり、楽曲マップ記憶部１７に記憶されている楽曲データのマッピング状況の表示、楽曲データベース１５および楽曲マップ記憶部１７に記憶されている楽曲データを検索する検索条件の表示、検索された楽曲データ（検索結果）の表示等が行われる。

送受信部２１は、端末装置３０の送受信部３１との間をＵＳＢ等のデータ伝送路で接続可能に構成されており、楽曲検索部１８によって検索され、ＰＣ操作部１９によって選択された楽曲データを端末装置３０の送受信部３１に出力すると共に、端末装置３０からの修正指示を受信する。

音声出力部２２は、楽曲データベース１５に記憶されている楽曲データを伸長して再生するオーディオプレーヤである。

修正データ記憶部２３は、修正された印象度データと特徴データとを再学習データとして記憶するＨＤＤ等の記憶手段である。

ニューラルネットワーク学習部２４は、印象度データ変換部１４で用いられる階層型ニューラルネットワークの再学習を行う手段であり、印象度データ変換部１４から各ニューロンの結合重み値を読み出し、読み出した各ニューロンの結合重み値を初期値とし、修正データ記憶部２３に記憶されている再学習データによって階層型ニューラルネットワークの再学習、すなわち各ニューロンの結合重み値を再学習させ、印象度データ変換部１４の各ニューロンの結合重み値ｗを再学習させた各ニューロンの結合重み値に更新する。

端末装置３０は、ＨＤＤ等の大容量の記憶手段を有するポータブルオーディオ、ＭＤプレーヤ等の音声再生装置であり、図１を参照すると、送受信部３１と、検索結果記憶部３２と、端末操作部３３、端末表示部３４と、音声出力部３５とからなる。

送受信部３１は、楽曲検索装置１０の送受信部２１をＵＳＢ等のデータ伝送路で接続可能に構成されており、楽曲検索装置１０の送受信部２１から入力された楽曲データを検索結果記憶部３２に記憶させると共に、端末装置３０が楽曲検索装置１０に接続されると、検索結果記憶部３２に記憶された修正指示を楽曲検索装置１０に送信する。

端末操作部３３は、検索結果記憶部３２に記憶されている楽曲データの選択・再生を指示する入力、ボリュームコントロールの入力等、楽曲データの再生に係る入力、再生中の楽曲に対応する印象度データの修正を指示する修正指示入力が行われる。

端末表示部３４は、例えば液晶ディスプレイ等の表示手段であり、再生中の曲名や、各種操作ガイダンスが表示される。

音声出力部３５は、検索結果記憶部３２に圧縮されて記憶されている楽曲データを伸長して再生するオーディオプレーヤである。

ニューラルネットワーク学習装置４０は、印象度データ変換部１４で用いられる階層型ニューラルネットワークと、楽曲マッピング部１６で用いられる楽曲マップとの学習を行う装置であり、図２を参照すると、楽曲データ入力部４１と、音声出力部４２と、特徴データ抽出部４３と、印象度データ入力部４４と、結合重み値学習部４５と、楽曲マップ学習部４６と、結合重み値出力部４７と、特徴ベクトル出力部４８とからなる。

楽曲データ入力部４１は、ＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体を読み取る機能を有し、ＣＤ、ＤＶＤ等の記憶媒体から楽曲データを入力し、音声出力部４２および特徴データ抽出部４３に出力する。ＣＤ、ＤＶＤ等の記憶媒体以外にインターネット等のネットワークを経由した楽曲データ（配信データ）を入力するように構成しても良い。なお、圧縮された楽曲データが入力される場合には、圧縮された楽曲データを伸長して音声出力部４２および特徴データ抽出部４３に出力する。

音声出力部４２は、楽曲データ入力部４１から入力された楽曲データを伸長して再生するオーディオプレーヤである。

特徴データ抽出部４３は、楽曲データ入力部４１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出し、抽出した特徴データを結合重み値学習部４５に出力する。

印象度データ入力部４４は、音声出力部４２からの音声出力に基づく、評価者による印象度データの入力を受け付け、受け付けた印象度データを、階層型ニューラルネットワークの学習に用いる教師信号として結合重み値学習部４５に出力すると共に自己組織化マップへの入力ベクトルとして楽曲マップ学習部４６に出力する。

結合重み値学習部４５は、特徴データ抽出部４３から入力された特徴データと、印象度データ入力部４４から入力された印象度データとに基づいて階層型ニューラルネットワークに学習を施し、各ニューロンの結合重み値を更新し、結合重み値出力部４７を介して更新した結合重み値を出力する。学習が施された階層型ニューラルネットワーク（更新された結合重み値）は、楽曲検索装置１０の印象度データ変換部１４に移植される。

楽曲マップ学習部４６は、印象度データ入力部４４から入力された印象度データを自己組織化マップへの入力ベクトルとして自己組織化マップに学習を施し、各ニューロンの特徴ベクトルを更新し、特徴ベクトル出力部４８を介して更新した特徴ベクトルを出力する。学習が施された自己組織化マップ（更新された特徴ベクトル）は、楽曲マップとして楽曲検索装置１０の楽曲マップ記憶部１７に記憶される。

次に、本実施の形態の動作について図３乃至図２０を参照して詳細に説明する。
図３は、図１に示す楽曲検索装置における楽曲登録動作を説明するためのフローチャートであり、図４は、図１に示す特徴データ抽出部における特徴データ抽出動作を説明するためのフローチャートであり、図５は、図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習動作を説明するためのフローチャートであり、図６は、図２に示すニューラルネットワーク学習装置における楽曲マップの学習動作を説明するためのフローチャートであり、図７は、図１に示す楽曲検索装置における楽曲検索動作を説明するためのフローチャートであり、図８は、図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習アルゴリズムを説明するための説明図であり、図９は、図２に示すニューラルネットワーク学習装置における楽曲マップの学習アルゴリズムを説明するための説明図であり、図１０は、図１に示すＰＣ表示部の表示画面例を示す図であり、図１１は、図１０に示す検索条件入力領域の表示例を示す図であり、図１２および図１３は、図１０に示す検索結果表示領域の表示例を示す図であり、図１４は、図１０に示す表示画面例に表示される全楽曲リスト表示領域例を示す図であり、図１５は、図１０に示す表示画面例に表示されるキーワード検索領域例を示す図であり、図１６は、本発明に係る楽曲検索システムの実施の形態の階層型ニューラルネットワークの再学習動作を説明するためのフローチャートであり、図１７は、図１０に示す表示画面例に表示される修正指示領域の表示例を示す図であり、図１８は、図１に示す印象度データ変換部で用いられる階層型ニューラルネットワークの再学習動作を説明するためのフローチャートであり、図１９は、図１０に示す表示画面例に表示される再学習指示領域の表示例を示す図であり、図２０は、図１に示す楽曲検索装置における楽曲データの再登録動作を説明するためのフローチャートである。

まず、楽曲検索装置１０における楽曲登録動作について図３を参照して詳細に説明する。
楽曲データ入力部１１にＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体をセットし、楽曲データ入力部１１から楽曲データを入力する（ステップＡ１）。

圧縮処理部１２は、楽曲データ入力部１１から入力された楽曲データを圧縮し（ステップＡ２）、圧縮した楽曲データを、アーティスト名、曲名等の書誌データと共に楽曲データベース１５に記憶させる（ステップＡ３）。

特徴データ抽出部１３は、楽曲データ入力部１１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出する（ステップＡ４）。

特徴データ抽出部１３における特徴データの抽出動作は、図４を参照すると、楽曲データの入力を受け付け（ステップＢ１）、楽曲データの予め定められたデータ解析開始点から一定のフレーム長に対しＦＦＴ（高速フーリエ変換）を行い（ステップＢ２）、パワースペクトルを算出する。なお、ステップＢ２の前に高速化を目的としてダウンサンプリングを行うようにしても良い。

次に、特徴データ抽出部１３は、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの周波数帯域を予め設定しておき、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの３帯域のパワースペクトルを積分し、平均パワーを算出すると共に（ステップＢ３）、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの周波数帯域の内、最大のパワーを持つ帯域をＰｉｔｃｈのデータ解析開始点値とし、Ｐｉｔｃｈを測定する（ステップＢ４）。

ステップＢ２〜ステップＢ４の処理動作は、予め定められたフレーム個数分行われ、特徴データ抽出部１３は、ステップＢ２〜ステップＢ４の処理動作を行ったフレーム個数が予め定められた設定値に達したか否かを判断し（ステップＢ５）、ステップＢ２〜ステップＢ４の処理動作を行ったフレーム個数が予め定められた設定値に達していない場合には、データ解析開始点をシフトしながら（ステップＢ６）、ステップＢ２〜ステップＢ４の処理動作を繰り返す。

ステップＢ２〜ステップＢ４の処理動作を行ったフレーム個数が予め定められた設定値に達した場合には、特徴データ抽出部１３は、ステップＢ２〜ステップＢ４の処理動作によって算出したＬｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの平均パワーの時系列データに対しＦＦＴを行うと共に、ステップＢ２〜ステップＢ４の処理動作によって測定したＰｉｔｃｈの時系列データに対しＦＦＴを行う（ステップＢ７）。

次に、特徴データ抽出部１３は、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈ、ＰｉｔｃｈにおけるＦＦＴ分析結果から、横軸を対数周波数、縦軸を対数パワースペクトルとしたグラフにおける回帰直線の傾きと、回帰直線のＹ切片とをゆらぎ情報として算出し（ステップＢ８）、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈ、Ｐｉｔｃｈのそれぞれにおける回帰直線の傾きおよびＹ切片を８項目からなる特徴データとして印象度データ変換部１４に出力する。

印象度データ変換部１４は、図８に示すような入力層（第１層）、中間層（第ｎ層）、出力層（第Ｎ層）からなる階層型ニューラルネットワークを用い、入力層（第１層）に特徴データ抽出部１３で抽出された特徴データを入力することによって、出力層（第Ｎ層）から印象度データを出力、すなわち特徴データを印象度データに変換し（ステップＡ５）、出力層（第Ｎ層）から出力された印象度データを、楽曲マッピング部１６に出力すると共に、特徴データ抽出部１３から入力された特徴データと出力層（第Ｎ層）から出力された印象度データとを楽曲データと共に楽曲データベース１５に記憶させる。なお、中間層（第ｎ層）の各ニューロンの結合重み値ｗは、評価者によって予め学習が施されている。また、本実施の形態の場合には、入力層（第１層）に入力される特徴データ、すなわち特徴データ抽出部１３によって抽出される特徴データの項目は、前述のように８項目であり、印象度データの項目としては、人間の感性によって判断される（明るい、暗い）、（重い、軽い）、（かたい、やわらかい）、（安定、不安定）、（澄んだ、にごった）、（滑らか、歯切れの良い）、（激しい、穏やか）、（厚い、薄い）の８項目を設定し、各項目を７段階評価で表すように設定した。従って、入力層（第１層）のニューロン数Ｌ_１と出力層（第Ｎ層）のニューロン数Ｌ_Ｎは、それぞれ８個となっており、中間層（第ｎ層：ｎ＝２，…，Ｎ−１）のニューロン数Ｌｎは、適宜設定されている。

楽曲マッピング部１６は、楽曲データ入力部１１から入力された楽曲を楽曲マップ記憶部１７に記憶されている楽曲マップの該当箇所にマッピングする。楽曲マッピング部１６におけるマッピング動作に用いられる楽曲マップは、例えばニューロンが２次元に規則的に配置（図９に示す例では、９＊９の正方形）されている自己組織化マップ（ＳＯＭ）であり、教師信号を必要としない学習ニューラルネットワークで、入力パターン群をその類似度に応じて分類する能力を自律的に獲得していくニューラルネットワークである。なお、本実施の形態では、ニューロンが１００＊１００の正方形に配列された２次元ＳＯＭを使用したが、ニューロンの配列は、正方形であっても、蜂の巣であっても良い。

また、楽曲マッピング部１６におけるマッピング動作に用いられる楽曲マップは、予め学習が施されており、各ニューロンには、予め学習されたｎ次元の特徴ベクトルｍ_ｉ（ｔ）∈Ｒ^ｎが内包されており、楽曲マッピング部１６は、印象度データ変換部１４によって変換された印象度データを入力ベクトルｘ_ｊとし、入力ベクトルｘ_ｊに最も近いニューロン、すなわちユークリッド距離‖ｘ_ｊ−ｍ_ｉ‖を最小にするニューロンに、入力された楽曲をマッピングし（ステップＡ６）、マッピングした楽曲マップを楽曲マップ記憶部１７に記憶させる。なお、Ｒは、印象度データの各項目の評価段階数を示し、ｎは、印象度データの項目数を示す。

次に、印象度データ変換部１４における変換動作（ステップＡ５）に用いられる階層型ニューラルネットワークの学習動作について図５および図８を参照して詳細に説明する。
評価者による階層型ニューラルネットワーク（結合重み値ｗ）の学習は、例えば、図２に示すニューラルネットワーク学習装置４０を用いて行われ、まず、階層型ニューラルネットワーク（結合重み値ｗ）を事前学習させるための事前学習データ（楽曲データの特徴データ＋印象度データ）の入力が行われる。

楽曲データ入力部４１にＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体をセットし、楽曲データ入力部４１から楽曲データを入力し（ステップＣ１）、特徴データ抽出部４３は、楽曲データ入力部４１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出する（ステップＣ２）。

また、音声出力部４２は、楽曲データ入力部４１から入力された楽曲データを音声出力し（ステップＣ３）、評価者は、音声出力部４２からの音声出力を聞くことによって、楽曲の印象度を感性によって評価し、評価結果を印象度データとして印象度データ入力部４４から入力し（ステップＣ４）、結合重み値学習部４５は、印象度データ入力部４４から入力された印象度データを教師信号として受け付ける。なお、本実施の形態では、印象度の評価項目としては、人間の感性によって判断される（明るい、暗い）、（重い、軽い）、（かたい、やわらかい）、（安定、不安定）、（澄んだ、にごった）、（滑らか、歯切れの良い）、（激しい、穏やか）、（厚い、薄い）の８項目を設定し、各項目についての７段階評価を印象度データとして楽曲データ入力部４１で受け付けるように構成した。

次に、特徴データと入力された印象度データとからなる学習データが予め定められたサンプル数Ｔ_１に達したか否かを判断し（ステップＣ５）、学習データがサンプル数Ｔ_１に達するまでステップＣ１〜Ｃ４の動作が繰り返される。

結合重み値学習部４５における階層型ニューラルネットワークの学習、すなわち各ニューロンの結合重み値ｗの更新は、誤差逆伝播学習法を用いて行う。
まず、初期値として、中間層（第ｎ層）の全てニューロンの結合重み値ｗを乱数によって−０．１〜０．１程度の範囲の小さな値に設定しておき、結合重み値学習部４５は、特徴データ抽出部４３によって抽出された特徴データを入力信号ｘ_ｊ(ｊ＝１，２，…，８) として入力層（第１層）に入力し、入力層（第１層）から出力層（第Ｎ層）に向けて、各ニューロンの出力を計算する。

次に、結合重み値学習部４５は、印象度データ入力部４４から入力された印象度データを教師信号ｙ_ｊ(ｊ＝１，２，…，８) とし、出力層（第Ｎ層）の出力out_j ^Ｎと、教師信号ｙ_ｊとの誤差から、学習則δ_j ^Ｎを次式によって計算する。

次に、結合重み値学習部４５は、学習則δ_j ^Ｎを使って、中間層（第ｎ層）の誤差信号 δ_j ⁿ を次式によって計算する。

なお、数式２において、ｗは、第 n 層 j 番目と第 n -1 層ｋ番目のニューロンの間の結合重み値を表している。

次に、結合重み値学習部４５は、中間層（第ｎ層）の誤差信号δ_j ⁿ を用いて各ニューロンの結合重み値ｗの変化量Δｗを次式によって計算し、各ニューロンの結合重み値ｗを更新する（ステップＣ６）。なお、次式において、ηは、学習率を表し、評価者による学習では、η_１(0＜η_１≦1)に設定されている。

ステップＣ６では、サンプル数Ｔ_１の事前学習データのそれぞれについて学習が行われ、次に、次式に示す２乗誤差Ｅが予め定められた事前学習用の基準値Ｅ_１よりも小さいか否かが判断され（ステップＣ７）、２乗誤差Ｅが基準値Ｅ_１よりも小さくなるまでステップＣ６の動作が繰り返される。なお、２乗誤差Ｅが基準値Ｅ_１よりも小さくなると想定される学習反復回数Ｓを予め設定しておき、ステップＣ６の動作を学習反復回数Ｓ繰り返すようにしても良い。

ステップＣ７で２乗誤差Ｅが基準値Ｅ_１よりも小さいと判断された場合には、結合重み値学習部４５は、事前学習させた各ニューロンの結合重み値ｗを結合重み値出力部４７によって出力し（ステップＣ８）、結合重み値出力部４７から出力された各ニューロンの結合重み値ｗは、印象度データ変換部１４に記憶される。

次に、楽曲マッピング部１６におけるマッピング動作（ステップＡ６）に用いられる楽曲マップの学習動作について図６および図９を参照して詳細に説明する。

楽曲データ入力部４１にＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体をセットし、楽曲データ入力部４１から楽曲データを入力し（ステップＤ１）、音声出力部４２は、楽曲データ入力部４１から入力された楽曲データを音声出力し（ステップＤ２）、評価者は、音声出力部４２からの音声出力を聞くことによって、楽曲の印象度を感性によって評価し、評価結果を印象度データとして印象度データ入力部４４から入力し（ステップＤ３）、楽曲マップ学習部４６は、印象度データ入力部４４から入力された印象度データを自己組織化マップへの入力ベクトルとして受け付ける。なお、本実施の形態では、印象度の評価項目としては、人間の感性によって判断される（明るい、暗い）、（重い、軽い）、（かたい、やわらかい）、（安定、不安定）、（澄んだ、にごった）、（滑らか、歯切れの良い）、（激しい、穏やか）、（厚い、薄い）の８項目を設定し、各項目についての７段階評価を印象度データとして楽曲データ入力部４１で受け付けるように構成した。

楽曲マップ学習部４６は、は、印象度データ入力部４４から入力された印象度データを入力ベクトルｘ_ｊ（ｔ）∈Ｒ^ｎとし、各ニューロンの特徴ベクトルｍ_ｉ（ｔ）∈Ｒ^ｎを学習させる。なお、ｔは、学習回数を表し、学習回数を定める設定値Ｔを予め設定しておき、学習回数ｔ＝０，１，…，Ｔについて学習を行わせる。なお、Ｒは、各印象度項目の評価段階を示し、ｎは、印象度データの項目数を示す。

まず、初期値として、全てのニューロンの特徴ベクトルｍ_ｃ（０）をそれぞれ０〜１の範囲でランダムに設定しておき、楽曲マップ学習部４６は、ｘ_ｊ（ｔ）に最も近いニューロンｃ、すなわち‖ｘ_ｊ（ｔ）−ｍ_ｃ（ｔ）‖を最小にする勝者ニューロンｃを求め、勝者ニューロンｃの特徴ベクトルｍ_ｃ（ｔ）と、勝者ニューロンｃの近傍にある近傍ニューロンｉの集合Ｎ_ｃのそれぞれの特徴ベクトルｍ_ｉ（ｔ）（ｉ∈Ｎ_ｃ）とを、次式に従ってそれぞれ更新する（ステップＤ４）。なお、近傍ニューロンｉを決定するための近傍半径は、予め設定されているものとする。

なお、数式５において、ｈ_ｃｉ（ｔ）は、学習率を表し、次式によって求められる。

なお、α_initは学習率の初期値であり、Ｒ^２（ｔ）は、単調減少する一次関数もしくは指数関数が用いられる。

次に、楽曲マップ学習部４６は、学習回数ｔが設定値Ｔに達したか否かを判断し（ステップＤ５）、学習回数ｔが設定値Ｔに達するまでステップＤ１〜ステップＤ４の処理動作を繰り返し、学習回数ｔが設定値Ｔに達すると、再び最初のサンプルから同じ処理動作を行う。この反復回数が予め定められたＳ回になった時点で、特徴ベクトル出力部４８を介して学習させた特徴ベクトルｍ_ｉ（Ｔ）∈Ｒ^ｎを出力する（ステップＤ６）。出力された各ニューロンｉの特徴ベクトルｍ_ｉ（Ｔ）は、楽曲検索装置１０の楽曲マップ記憶部１７に楽曲マップとして記憶される。

次に、楽曲検索装置１０における楽曲検索動作について図７を参照して詳細に説明する。
楽曲検索部１８は、ＰＣ表示部２０に、図１０に示すような検索画面５０を表示し、ＰＣ操作部１９からのユーザ入力を受け付ける。検索画面５０は、楽曲マップ記憶部１７に記憶されている楽曲データのマッピング状況が表示される楽曲マップ表示領域５１と、検索条件を入力する検索条件入力領域５２と、検索結果が表示される検索結果表示領域５３と、階層型ニューラルネットワークの再学習を指示する再学習指示領域７０とからなる。図１０の楽曲マップ表示領域５１に示されている点は、楽曲データがマッピングされている楽曲マップのニューロンを示している。

検索条件入力領域５２は、図１１に示すように、検索条件として印象度データを入力する印象度データ入力領域５２１と、検索条件として書誌データを入力する書誌データ入力領域５２２と、検索の実行を指示する検索実行ボタン５２３とからなり、ユーザは、検索条件として印象度データや書誌データをＰＣ操作部１９から入力し（ステップＥ１）、検索実行ボタン５２３をクリックすることで、印象度データや書誌データに基づく検索を楽曲検索部１８に指示する。なお、ＰＣ操作部１９からの印象度データの入力は、図１１に示すように、印象度データの各項目を７段階評価で入力することによって行われる。

楽曲検索部１８は、ＰＣ操作部１９から入力された印象度データおよび書誌データに基づいて楽曲データベース１５を検索し（ステップＥ２）、図１２に示すような検索結果を検索結果表示領域５３に表示する。

ＰＣ操作部１９から入力された印象度データに基づく検索は、ＰＣ操作部１９から入力された印象度データを入力ベクトルｘ_ｊとし、楽曲データベース１５に楽曲データと共に記憶されている印象度データを検索対象ベクトルＸ_ｊとすると、入力ベクトルｘ_ｊに近い検索対象ベクトルＸ_ｊ、すなわちユークリッド距離‖Ｘ_ｊ−ｘ_ｊ‖が小さい順に検索して行く。検索する件数は、予め定めておいても、ユーザによって任意に設定するようにしても良い。また、印象度データと書誌データとが共に検索条件とされている場合には、書誌データに基づく検索を行った後、印象度データに基づく検索が行われる。

検索条件入力領域５２を用いた検索以外に、楽曲マップ表示領域５１を用いた検索を行えるようにしても良い。この場合には、楽曲マップ表示領域５１において検索対象領域を指定することで、検索対象領域内にマッピングされている楽曲データを検索結果として検索結果表示領域５３に表示する。

次に、ユーザは、検索結果表示領域５３に表示されている検索結果の中から代表曲を選択し（ステップＥ３）、代表曲検索実行ボタン５３１をクリックすることで、代表曲に基づく検索を楽曲検索部１８に指示する。なお、この時点で出力ボタン５３２がクリックされた場合には、楽曲検索部１８は、送受信部２１を介して検索結果表示領域５３に表示されている検索結果の楽曲データを端末装置３０に出力する。

楽曲検索部１８は、選択された代表曲に基づいて楽曲マップ記憶部１７に記憶されている楽曲マップを検索し（ステップＥ４）、代表曲がマッピングされているニューロンと、その近傍ニューロンとにマッピングされている楽曲データを代表曲検索結果として検索結果表示領域５３に表示する。近傍ニューロンを決定するための近傍半径は、予め定めておいても、ユーザによって任意に設定するようにしても良い。

次に、ユーザは、検索結果表示領域５３に表示されている代表曲検索結果の中から端末装置３０に出力する楽曲データを、図１３に示すように選択し（ステップＥ５）、出力ボタン５３２をクリックすることで、選択した楽曲データの出力を楽曲検索部１８に指示し、楽曲検索部１８は、送受信部２１を介してユーザによって選択された楽曲データを端末装置３０に出力する（ステップＥ６）。

なお、検索条件入力領域５２、楽曲マップ表示領域５１を用いた代表曲の検索以外に、図１４に示すような、記憶されている全楽曲のリストが表示される全楽曲リスト表示領域５４を検索画面５０に表示させ、全楽曲リストから代表曲を直接選択して、代表曲選択実行ボタン５４１をクリックすることで、選択された代表曲に基づく検索を楽曲検索部１８に指示するように構成しても良い。

さらに、上述した検索以外に、「明るい曲」、「楽しい曲」、「癒される曲」というように言葉で表現されるキーワードに対応するニューロン（あるいは楽曲）を設定しておき、キーワードを選択することによって楽曲の検索を行えるように構成しても良い。すなわち、図１５（ａ）に示すような、キーワード検索領域５５を検索画面５０に表示させ、キーワード選択領域５５１に表示されたキーワードのリストからいずれかを選択し、おまかせ検索ボタン５５３をクリックすることで、選択されたキーワードに対応するニューロンに基づく検索を楽曲検索部１８に指示するように構成する。図１５（ａ）に示す設定楽曲表示領域５５２には、選択されたキーワードに対応する楽曲が設定されている場合に、当該楽曲が設定楽曲として表示され、この場合には、おまかせ検索ボタン５５３をクリックすることで、選択されたキーワードに対応する設定楽曲を代表曲とする検索を楽曲検索部１８に指示する。また、図１５（ａ）に示す設定楽曲変更ボタン５５４は、キーワードに対応する楽曲を変更する際に使用されるもので、設定楽曲変更ボタン５５４をクリックすることで、全楽曲リストが表示されて、全楽曲リストの中から楽曲を選択することで、キーワードに対応する楽曲を変更できるように構成する。なお、キーワードに対応するニューロン（あるいは楽曲）の設定は、キーワードに印象度データを割り付けておき、当該印象度データを入力ベクトルｘ_ｊとし、入力ベクトルｘ_ｊに最も近いニューロン（あるいは楽曲）とを対応づけるようにしても良く、ユーザによって任意に設定できるように構成しても良い。

このように、キーワードに対応するニューロンが設定されている場合には、図１５（ｂ）に示すように、楽曲マップ表示領域５１において楽曲がマッピンクされているニューロンをクリックすると、クリックされたニューロンに対応するキーワードがキーワード表示５１１としてポップアップ表示されるように構成すると、楽曲マップ表示領域５１を利用した楽曲の検索を容易に行うことができる。

次に、楽曲検索装置における印象度データの修正動作について図１６および図１７を参照して詳細に説明する。

検索結果表示領域５３には、図１２および図１３に示すように、検索された楽曲毎に試聴ボタン５３３が設けられており、ＰＣ操作部１９によって試聴ボタン５３３をクリックすると（ステップＦ１）、楽曲検索部１８は、対応する楽曲の楽曲データおよび印象度データを楽曲データベース１５から読み出し、読み出した楽曲データを音声出力部２２に出力すると共に、図１７に示す修正指示領域６０をＰＣ表示部２０に表示し、修正データ入力領域６１に読み出した印象度データを表示する（ステップＦ２）。修正データ入力領域６１に表示される印象度データは、図１７に示すように、項目毎の段階がポイントの位置で表現される。

音声出力部２２は、楽曲検索部１８から入力された楽曲データを音声出力し（ステップＦ３）、ユーザは、印象度データや書誌データに基づいて検索された楽曲を試聴して代表曲を選択することができ、また、代表曲に基づいて検索された楽曲を試聴して端末装置３０に出力する楽曲を確認することができる。また、試聴中にＰＣ操作部１９によって修正指示領域６０の音声出力停止ボタン６４をクリックすると、楽曲検索部１８は、音声出力部２２への楽曲データの出力を停止し、音声出力を停止させると共に、修正指示領域６０の表示を消す。

ユーザが音声出力部２２からの音声出力に違和感をおぼえた場合、すなわち修正データ入力領域６１に表示されている印象度データが異なると感じた場合や、検索結果として不適であると感じた場合には、以下に示す２つの方法のいずれかによって印象度データを修正することができる。

印象度データを修正する第１の方法は、ＰＣ操作部１９によって修正データ入力領域６１に表示されている印象度データの修正入力、すなわち項目毎のポイントの位置の移動を行った後（ステップＦ４）、修正実行ボタン６２をクリックする（ステップＦ５）。

修正実行ボタン６２のクリックによって、修正された印象度データ（以下、修正された印象度データを修正データと称す）が楽曲検索部１８に入力され、楽曲検索部１８は、楽曲データベース１５に記憶されている印象度データを入力された修正データに更新すると共に、楽曲データベース１５から特徴データを読み出して、修正データと特徴データとを再学習データとして修正データ記憶部２３に記憶させる（ステップＦ６）。

印象度データを修正する第２の方法は、ＰＣ操作部１９によって自動修正ボタン６３をクリックする。自動修正ボタン６３がクリックされると（ステップＦ７）、修正指示が楽曲検索部１８に入力され、楽曲検索部１８は、修正が指示された楽曲の印象度データを検索条件から遠ざかる方向に自動修正し（ステップＦ８）、楽曲データベース１５に記憶されている印象度データを自動修正した修正データに更新すると共に、楽曲データベース１５から特徴データを読み出して、修正データと特徴データとを再学習データとして修正データ記憶部２３に記憶させる（ステップＦ６）。

楽曲検索部１８による自動修正は、検索が印象度データ入力領域５２１に入力された印象度データや代表曲の印象度データに基づいて行われた場合に実行され、検索条件である印象度データの内の最も特徴的な項目を特定し、当該項目の段階を所定数遠ざかる方向に移動させる。例えば、検索条件である印象度データが図１１の印象度データ入力領域５２１に示すものである場合には、（明るい、暗い）の段階を示す項目で最も明るい評価となっているため、（明るい、暗い）の段階を示す項目が最も特徴的な項目として特定され、（明るい、暗い）の段階を暗い方向に移動させる。なお、検索が書誌データに基づくものである場合には、第２の方法を選択することができず、この場合には、自動修正ボタン６３をクリックできないように制御するか、修正指示領域６０から自動修正ボタン６３を消去するようにすると良い。

楽曲マッピング部１６は、楽曲マップ記憶部１７に新たな修正データが記憶されると、修正データで楽曲を再マッピングし（ステップＦ９）、修正データに基づいて再マッピングした楽曲マップを楽曲マップ記憶部１７に記憶させる。

次に、端末装置３０における印象度データの修正動作について詳細に説明する。
ユーザが端末装置３０で楽曲を聴取中に違和感をおぼえた場合、すなわち検索結果として不適であると感じた場合には、再生中の楽曲に対応する印象度データの修正を指示する修正指示入力を端末操作部３３によって行う。修正指示入力は、例えば、端末操作部３３に修正指示入力を行う専用のボタンを設け、当該ボタンを楽曲の再生中に押下することによって行われる。専用のボタンの代わりに、楽曲の再生中において、いずれかのボタンに修正指示入力の機能を割り当てるようにしても良い。

端末操作部３３によって入力された修正指示は、検索結果記憶部３２に記憶され、端末装置３０が楽曲検索装置１０に接続されると、送受信部３１によって楽曲検索装置１０に送信される。端末操作部３３からの修正指示は、楽曲検索装置１０の送受信部２１によって受信され、受信された修正指示は、楽曲検索部１８に出力される。

修正指示が入力された楽曲検索部１８は、修正が指示された楽曲の印象度データを検索条件から遠ざかる方向に自動修正し、楽曲データベース１５に記憶されている印象度データを自動修正した修正データに更新すると共に、楽曲データベース１５から特徴データを読み出して、修正データと特徴データとを再学習データとして修正データ記憶部２３に記憶させる。

次に、印象度データ変換部１４で用いられる階層型ニューラルネットワークの再学習動作について図１８を参照して詳細に説明する。
ニューラルネットワーク学習部２４は、修正データ記憶部２３に新たに記憶された再学習データの数をカウントしており（ステップＧ１）、修正データ記憶部２３に新たに記憶された再学習データの数が所定数に到達したか否かを判断し（ステップＧ２）、修正データ記憶部２３に新たに記憶された再学習データの数が所定数に到達すると、印象度データ変換部１４から各ニューロンの結合重み値ｗを読み出し（ステップＧ３）、読み出した各ニューロンの結合重み値ｗを初期値とし、修正データ記憶部２３に記憶されている再学習データによって階層型ニューラルネットワークの再学習、すなわち各ニューロンの結合重み値ｗを再学習させる（ステップＧ４）。なお、階層型ニューラルネットワークの再学習を開始する再学習データの数、すなわち所定数は、予め定めておいても良く、ユーザによって設定できるようにしても良い。また、前回階層型ニューラルネットワークの再学習を行った時からの経過時間を計測し、当該経過時間が所定時間に到達した時に階層型ニューラルネットワークの再学習を開始するようにしても良く、階層型ニューラルネットワークの再学習を開始する経過時間、すなわち所定時間は、予め定めておいても良く、ユーザによって設定できるようにしても良い。

ニューラルネットワーク学習部２４における階層型ニューラルネットワークの再学習は、ニューラルネットワーク学習装置４０で行われる学習方法と同様の方法で行われ、ニューラルネットワーク学習部２４は、印象度データ変換部１４の各ニューロンの結合重み値ｗを再学習させた各ニューロンの結合重み値ｗに更新する（ステップＧ５）。なお、再学習に使用した再学習データは、修正データ記憶部２３から消去するようにしても良いが、修正データ記憶部２３に記憶させておき、次回の再学習時に使用するようにすると、階層型ニューラルネットワークの再学習時に使用する再学習データの数が増えるため、再学習の精度が良くなる。但し、再学習に使用した再学習データを修正データ記憶部２３に記憶させておく場合には、同一の楽曲に対する新たな修正データが記憶された場合には、以前の修正データを消去して同一の楽曲に対して２つの修正データが存在しないようにする必要がある。

ニューラルネットワーク学習部２４による階層型ニューラルネットワークの再学習動作は、楽曲登録動作や楽曲検索動作等の他の処理を妨げないように、時分割して行うことができる。すなわち、ニューラルネットワーク学習部２４による階層型ニューラルネットワークの再学習中に他の処理が開始されると、再学習動作を中断し、他の処理が終了後に再学習動作を再開するように構成されている。また、ニューラルネットワーク学習部２４による階層型ニューラルネットワークの再学習動作を楽曲検索装置１０の立ち上げ時のアイドリング中や切断時に終了処理中に分割して行うようにしても良い。

なお、階層型ニューラルネットワークの再学習は、ユーザの指示によって行うことができる。検索画面５０の再学習指示領域７０は、図１９に示すように、修正情報表示領域７１と、再学習実行ボタン７２と、再登録実行ボタン７３とからなり、修正情報表示領域７１には、修正データ記憶部２３に記憶されている修正データの数と、前回階層型ニューラルネットワークの再学習を行った時からの経過時間と、前回楽曲データの再登録を行った時からの経過時間とが表示される。なお、修正情報表示領域７１に表示されている修正データの数は、新たに記憶された修正データ（再学習に用いられていない修正データ）の数と、再学習に用いられたことがある修正データの数とが表示され、再学習に用いられたことがある修正データの数が括弧内に表示される。

ユーザは、修正情報表示領域７１に表示されている情報を確認し、階層型ニューラルネットワークの再学習を行う必要があると判断した場合には、ＰＣ操作部１９によって再学習実行ボタン７２をクリックする。再学習実行ボタン７２がクリックされると、ニューラルネットワーク学習部２４に再学習指示が出力され、ニューラルネットワーク学習部２４は、印象度データ変換部１４から各ニューロンの結合重み値ｗを読み出し、読み出した各ニューロンの結合重み値ｗを初期値とし、修正データ記憶部２３に記憶されている再学習データによって階層型ニューラルネットワークの再学習、すなわち各ニューロンの結合重み値ｗを再学習させ、印象度データ変換部１４の各ニューロンの結合重み値ｗを再学習させた各ニューロンの結合重み値ｗに更新する。

次に、楽曲検索装置１０における楽曲データの再登録動作について図２０を参照して詳細に説明する。
修正情報表示領域７１において、ＰＣ操作部１９によって再登録実行ボタン７３をクリックすることによって、楽曲データベース１５に記憶されている全ての楽曲データの再登録動作が開始される。

ＰＣ操作部１９によって再登録実行ボタン７３をクリックされると（ステップＨ１）、ニューラルネットワーク学習部２４に再登録指示が出力され、ニューラルネットワーク学習部２４は、印象度データ変換部１４から各ニューロンの結合重み値ｗを読み出し（ステップＨ２）、読み出した各ニューロンの結合重み値ｗを初期値とし、修正データ記憶部２３に記憶されている再学習データによって階層型ニューラルネットワークの再学習、すなわち各ニューロンの結合重み値ｗを再学習させ（ステップＨ３）、印象度データ変換部１４の各ニューロンの結合重み値ｗを再学習させた各ニューロンの結合重み値ｗに更新する（ステップＨ４）。

次に、ニューラルネットワーク学習部２４は、楽曲マッピング部１６に対して楽曲マップにマッピングされている全ての楽曲の消去を指示し、楽曲マッピング部１６は、楽曲マップ記憶部１７に記憶されている楽曲マップにマッピングされている全ての楽曲を消去する（ステップＨ５）。

次に、ニューラルネットワーク学習部２４は、印象度データ変換部１４に対して楽曲データベース１５に記憶されている印象度データの更新を指示し、印象度データ変換部１４は、楽曲データベース１５に記憶されている楽曲データの特徴データを読み出し（ステップＨ６）、読み出した特徴データを再学習された階層型ニューラルネットワークを用いて印象度データに変換し（ステップＨ７）、楽曲データベース１５に記憶されている楽曲データの印象度データを更新すると共に（ステップＨ８）、変換した印象度データを楽曲マッピング部１６に出力する。楽曲マッピング部１６は、印象度データ変換部１４から入力される更新された印象度データに基づいて楽曲を再マッピングする（ステップＨ９）。

ニューラルネットワーク学習部２４は、印象度データが更新されていない楽曲データが存在するか否かを判断し（ステップＨ１０）、印象度データが更新されていない楽曲データが存在する場合には、ステップＨ６〜ステップＨ９の処理を繰り返し、印象度データが更新されていない楽曲データが存在しない場合、すなわち楽曲データベース１５に記憶されている全ての楽曲データの印象度データを更新した場合には、楽曲データの再登録動作を終了する。

以上説明したように、本実施の形態によれば、印象度データ変換部１４によって、楽曲の有する物理的な複数の項目からなる特徴データと人間の感性によって判断される項目からなる印象度データとを直接関連づけた階層型ニューラルネットワークを用いて、楽曲データから抽出した特徴データを印象度データに変換し、変換した印象度データを楽曲データベース１５に記憶させるように構成すると共に、楽曲検索部１８によって楽曲データベース１５に記憶されている印象度データをユーザによって入力された印象度データに基づいて検索するように構成することにより、ユーザによって検索条件として入力される人間の感性によって判断される印象度データの項目が集約されることなく、人間の感性によって判断される印象度データに基づいて精度の高い楽曲データの検索を行うことができ、大容量の記憶手段に記憶されている大量の楽曲データの中から聴取した際の印象が同じような楽曲のみを検索することができ、さらに、修正指示領域６０に基づく入力によって検索された楽曲データの印象度データを簡単に修正することができるように構成することにより、印象度データを簡単にユーザの嗜好に即したものに変更することができるため、使用期間が長くなるほどユーザの意図に反して検索される楽曲データの数を減少させることができ、検索精度を向上させることができるという効果を奏する。

さらに、本実施の形態によれば、特徴データ抽出部１３においてゆらぎ情報からなる複数の項目を特徴データとして抽出するように構成することにより、楽曲データの物理的な特徴を正確に抽出することができ、特徴データから変換される印象度データの精度を向上させることができるという効果を奏する。

さらに、本実施の形態によれば、印象度データ変換部１４によって特徴データから変換される印象度データと、ＰＣ操作部１９から入力される印象度データとを同一の複数項目とすることにより、多様な項目を設定することができ、ユーザが印象度データに基づく検索を容易に行うことができるという効果を奏する。

さらに、本実施の形態によれば、楽曲検索部１８において、ＰＣ操作部１９から入力された印象度データを入力ベクトルとすると共に、楽曲データベース１５に記憶されている印象度データを検索対象ベクトルとし、両者のユークリッド距離が小さい順に検索するように構成することにより、印象度データの項目を多くしても正確に検索を行うことができ、検索精度を向上させることができるという効果を奏する。

さらに、本実施の形態によれば、予め学習が施された自己組織化マップであり、楽曲データが、当該楽曲データが有する印象度データに基づいてマッピングされている楽曲マップを楽曲マップ記憶部１７に記憶しておき、楽曲検索部１８によって楽曲マップ記憶部１７に記憶されている楽曲マップ用いて検索するように構成することにより、代表曲を選択するだけで、大容量の記憶手段に記憶されている大量の楽曲データの中から代表曲と印象が同じような楽曲を素早く検索することができ、さらに、検索された楽曲データの印象度データを簡単に修正することができるように構成することにより、印象度データを簡単にユーザの嗜好に即したものに変更することができるため、使用期間が長くなるほどユーザの意図に反して検索される楽曲データの数を減少させることができ、検索精度を向上させることができるという効果を奏する。

さらに、本実施の形態によれば、楽曲マップとして予め学習が施された自己組織化マップを用いることにより、類似する印象を有する楽曲が近隣に配置されるため、検索効率が向上するという効果を奏する。

なお、本発明が上記各実施の形態に限定されず、本発明の技術思想の範囲内において、各実施の形態は適宜変更され得ることは明らかである。また、上記構成部材の数、位置、形状等は上記実施の形態に限定されず、本発明を実施する上で好適な数、位置、形状等にすることができる。なお、各図において、同一構成要素には同一符号を付している。

本発明に係る楽曲検索システムの実施の形態の構成を示すブロック図である。図１に示す楽曲検索装置に用いられるニューラルネットワークを事前に学習させるニューラルネットワーク学習装置の構成を示すブロック図である。図１に示す楽曲検索装置における楽曲登録動作を説明するためのフローチャートである。図１に示す特徴データ抽出部における特徴データ抽出動作を説明するためのフローチャートである。図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習動作を説明するためのフローチャートである。図２に示すニューラルネットワーク学習装置における楽曲マップの学習動作を説明するためのフローチャートである。図１に示す楽曲検索装置における楽曲検索動作を説明するためのフローチャートである。図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習アルゴリズムを説明するための説明図である。図２に示すニューラルネットワーク学習装置における楽曲マップの学習アルゴリズムを説明するための説明図である。図１に示すＰＣ表示部の表示画面例を示す図である。図１０に示す検索条件入力領域の表示例を示す図である。図１０に示す検索結果表示領域の表示例を示す図である。図１０に示す検索結果表示領域の表示例を示す図である。図１０に示す表示画面例に表示される全楽曲リスト表示領域例を示す図である。図１０に示す表示画面例に表示されるキーワード検索領域例を示す図である。本発明に係る楽曲検索システムの実施の形態の階層型ニューラルネットワークの再学習動作を説明するためのフローチャートである。図１０に示す表示画面例に表示される修正指示領域の表示例を示す図である。図１に示す印象度データ変換部で用いられる階層型ニューラルネットワークの再学習動作を説明するためのフローチャートである。図１０に示す表示画面例に表示される再学習指示領域の表示例を示す図である。図１に示す楽曲検索装置における楽曲データの再登録動作を説明するためのフローチャートである。

符号の説明

１０楽曲検索装置
１１楽曲データ入力部
１２圧縮処理部
１３特徴データ抽出部
１４印象度データ変換部
１５楽曲データベース
１６楽曲マッピング部
１７楽曲マップ記憶部
１８楽曲検索部
１９ＰＣ操作部
２０ＰＣ表示部
２１送受信部
２２音声出力部
２３修正データ記憶部
２４ニューラルネットワーク学習部
３０端末装置
３１送受信部
３２検索結果記憶部
３３端末操作部
３４端末表示部
３５音声出力部
４０ニューラルネットワーク学習装置
４１楽曲データ入力部
４２音声出力部
４３特徴データ抽出部
４４印象度データ入力部
４５結合重み値学習部
４６楽曲マップ学習部
４７結合重み値出力部
４８特徴ベクトル出力部
５０検索画面
５１楽曲マップ表示領域
５２検索条件入力領域
５３検索結果表示領域
５４全楽曲リスト表示領域
５５キーワード検索領域
６０修正指示領域
６１修正データ入力領域
６２修正実行ボタン
６３自動修正ボタン
６４音声出力停止ボタン
７０再学習指示領域
７１修正情報表示領域
７２再学習実行ボタン
７３再登録実行ボタン
５１１キーワード表示
５２１印象度データ入力領域
５２２書誌データ入力領域
５２３検索実行ボタン
５３１代表曲検索実行ボタン
５３２出力ボタン
５３３試聴ボタン
５４１代表曲選択実行ボタン
５５１キーワード選択領域
５５２設定楽曲表示領域
５５３おまかせ検索ボタン
５５４設定楽曲変更ボタン

Claims

楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、
楽曲データを入力する楽曲データ入力手段と、
該楽曲データ入力手段によって入力された楽曲データから物理的な特徴データとしてゆらぎ情報からなる複数の項目を抽出する特徴データ抽出手段と、
該特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換する印象度データ変換手段と、
該印象度データ変換手段によって変換された印象度データを前記楽曲データ入力手段によって入力された楽曲データと共に前記楽曲データベースに記憶させる記憶制御手段と、
印象度データを検索条件として入力する印象度データ入力手段と、
該印象度データ入力手段から入力された印象度データに基づいて前記楽曲データベースを検索する楽曲検索手段と、
該楽曲検索手段によって検索された楽曲データの印象度データを修正した修正データを入力する修正データ入力手段と、
該修正データ入力手段によって入力された前記修正データによって前記楽曲データベースに記憶されている印象度データを更新する印象度データ更新手段と、を具備することを特徴とする楽曲検索システム。
楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、
楽曲データを入力する楽曲データ入力手段と、
該楽曲データ入力手段によって入力された楽曲データから物理的な特徴データを抽出する特徴データ抽出手段と、
該特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換する印象度データ変換手段と、
該印象度データ変換手段によって変換された印象度データを前記楽曲データ入力手段によって入力された楽曲データと共に前記楽曲データベースに記憶させる記憶制御手段と、
印象度データを検索条件として入力する印象度データ入力手段と、
該印象度データ入力手段から入力された印象度データに基づいて前記楽曲データベースを検索する楽曲検索手段と、
該楽曲検索手段によって検索された楽曲データの印象度データの修正指示を入力する修正指示入力手段と、
該修正指示入力手段によって入力された前記修正指示に基づいて印象度データを前記検索条件から遠ざかる方向に自動修正した修正データを作成し、当該修正データによって前記楽曲データベースに記憶されている印象度データを更新する印象度データ更新手段と、を具備することを特徴とする楽曲検索システム。
前記印象度データ変換手段は、予め学習が施された階層型ニューラルネットワークを用いて前記特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換することを特徴とする請求項１又は２記載の楽曲検索システム。
前記特徴データ抽出手段は、特徴データとしてゆらぎ情報からなる複数の項目を抽出することを特徴とする請求項２又は３記載の楽曲検索システム。
前記楽曲検索手段は、前記印象度データ入力手段から入力された印象度データを入力ベクトルとすると共に、前記楽曲データベースに記憶されている印象度データを検索対象ベクトルとし、両者のユークリッド距離が小さい順に検索することを特徴とする請求項１乃至４のいずれかに記載の楽曲検索システム。
楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、
楽曲データを入力する楽曲データ入力手段と、
該楽曲データ入力手段によって入力された楽曲データから物理的な特徴データを抽出する特徴データ抽出手段と、
該特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換する印象度データ変換手段と、
該印象度データ変換手段によって変換された印象度データに基づいて、前記楽曲データ入力手段によって入力された楽曲データを予め学習が施された自己組織化マップである楽曲マップにマッピングする楽曲マッピング手段と、
該楽曲マッピング手段によって楽曲データがマッピングされた楽曲マップを記憶する楽曲マップ記憶手段と、
前記楽曲マップにマッピングされている楽曲データの中から代表曲を選択する代表曲選択手段と、
該代表曲選択手段によって選択された代表曲に基づいて楽曲マップを検索する楽曲検索手段と、
該楽曲検索手段によって検索された楽曲データの印象度データを修正した修正データを入力する修正データ入力手段と、を具備し、
前記楽曲マッピング手段は、前記修正データ入力手段によって入力された前記修正データに基づいて楽曲データを前記楽曲マップに再マッピングすることを特徴とする楽曲検索システム。
楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、
楽曲データを入力する楽曲データ入力手段と、
該楽曲データ入力手段によって入力された楽曲データから物理的な特徴データを抽出する特徴データ抽出手段と、
該特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換する印象度データ変換手段と、
該印象度データ変換手段によって変換された印象度データに基づいて、前記楽曲データ入力手段によって入力された楽曲データを予め学習が施された自己組織化マップである楽曲マップにマッピングする楽曲マッピング手段と、
該楽曲マッピング手段によって楽曲データがマッピングされた楽曲マップを記憶する楽曲マップ記憶手段と、
前記楽曲マップにマッピングされている楽曲データの中から代表曲を選択する代表曲選択手段と、
該代表曲選択手段によって選択された代表曲に基づいて楽曲マップを検索する楽曲検索手段と、
該楽曲検索手段によって検索された楽曲データの印象度データの修正指示を入力する修正指示入力手段と、
該修正指示入力手段によって入力された前記修正指示に基づいて、前記楽曲検索手段によって検索された楽曲データの印象度データを前記楽曲検索手段が検索条件として用いた代表曲の印象度データから遠ざかる方向に自動修正した修正データを作成する印象度データ修正手段と、を具備し、
前記楽曲マッピング手段は、前記印象度データ修正手段によって作成された前記修正データに基づいて楽曲データを前記楽曲マップに再マッピングすることを特徴とする楽曲検索システム。
前記印象度データ変換手段は、予め学習が施された階層型ニューラルネットワークを用いて前記特徴データ抽出手段によって抽出された特徴データを人間の感性によって判断される印象度データに変換することを特徴とする請求項６又は７記載の楽曲検索システム。
前記特徴データ抽出手段は、特徴データとしてゆらぎ情報からなる複数の項目を抽出することを特徴とする請求項６乃至８のいずれかに記載の楽曲検索システム。
前記楽曲マッピング手段は、前記印象度データ変換手段によって変換された印象度データを入力ベクトルとして、当該入力ベクトルに最も近いニューロンに前記楽曲データ入力手段によって入力された楽曲データをマッピングすることを特徴とする請求項６乃至９のいずれかに記載の楽曲検索システム。
前記楽曲検索手段は、代表曲がマッピングされているニューロンに含まれる楽曲データを検索することを特徴とする請求項６乃至１０のいずれかに記載の楽曲検索システム。
前記楽曲検索手段は、代表曲がマッピングされているニューロンと、その近傍ニューロンとに含まれる楽曲データを検索することを特徴とする請求項６乃至１１のいずれかに記載の楽曲検索システム。
前記楽曲検索手段において近傍ニューロンを決定するための近傍半径は、任意に設定可能であることを特徴とする請求項１２記載の楽曲検索システム。
楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、
楽曲データの入力を受け付け、
該入力された楽曲データから物理的な特徴データとしてゆらぎ情報からなる複数の項目を抽出し、
該抽出した特徴データを人間の感性によって判断される印象度データに変換し、
該変換した印象度データを前記受け付けた楽曲データと共に前記楽曲データベースに記憶し、
検索条件として印象度データの入力を受け付け、
該入力された印象度データに基づいて前記楽曲データベースを検索し、
該検索した楽曲データの印象度データを修正した修正データの入力を受け付け、
該入力された前記修正データによって前記楽曲データベースに記憶している印象度データを更新することを特徴とする楽曲検索方法。
楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、
楽曲データの入力を受け付け、
該入力された楽曲データから物理的な特徴データを抽出し、
該抽出した特徴データを人間の感性によって判断される印象度データに変換し、
該変換した印象度データを前記受け付けた楽曲データと共に前記楽曲データベースに記憶し、
検索条件として印象度データの入力を受け付け、
該入力された印象度データに基づいて前記楽曲データベースを検索し、
該検索した楽曲データの印象度データの修正指示入力を受け付け、
該入力された前記修正指示入力に基づいて印象度データを前記検索条件から遠ざかる方向に自動修正した修正データを作成し、
該作成した前記修正データによって前記楽曲データベースに記憶されている印象度データを更新することを特徴とする楽曲検索方法。
予め学習が施された階層型ニューラルネットワークを用いて前記抽出した特徴データを人間の感性によって判断される印象度データに変換することを特徴とする請求項１４又は１５記載の楽曲検索方法。
特徴データとしてゆらぎ情報からなる複数の項目を抽出することを特徴とする請求項１５又は１６記載の楽曲検索方法。
前記受け付けた印象度データを入力ベクトルとすると共に、前記楽曲データベースに記憶している印象度データを検索対象ベクトルとし、両者のユークリッド距離が小さい順に検索することを特徴とする請求項１４乃至１７のいずれかに記載の楽曲検索方法。
楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、
楽曲データの入力を受け付け、
該入力された楽曲データから物理的な特徴データを抽出し、
該抽出した特徴データを人間の感性によって判断される印象度データに変換し、
該変換した印象度データに基づいて、前記受け付けた楽曲データを予め学習が施された自己組織化マップである楽曲マップにマッピングし、
前記楽曲マップにマッピングされている楽曲データの中から代表曲を選択し、
該選択した代表曲に基づいて前記楽曲マップにマッピングされている楽曲データを検索し、
該検索した楽曲データの印象度データを修正した修正データの入力を受け付け、
該入力された前記修正データに基づいて楽曲データを前記楽曲マップに再マッピングすることを特徴とする楽曲検索方法。
楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、
楽曲データの入力を受け付け、
該入力された楽曲データから物理的な特徴データを抽出し、
該抽出した特徴データを人間の感性によって判断される印象度データに変換し、
該変換した印象度データに基づいて、前記受け付けた楽曲データを予め学習が施された自己組織化マップである楽曲マップにマッピングし、
前記楽曲マップにマッピングされている楽曲データの中から代表曲を選択し、
該選択した代表曲に基づいて前記楽曲マップにマッピングされている楽曲データを検索し、
該検索した楽曲データの印象度データの修正指示入力を受け付け、
該入力を受け付けた前記修正指示入力に基づいて、前記検索した楽曲データの印象度データを検索条件として用いた代表曲の印象度データから遠ざかる方向に自動修正した修正データを作成し、
該作成した前記修正データに基づいて楽曲データを前記楽曲マップに再マッピングすることを特徴とする楽曲検索方法。
予め学習が施された階層型ニューラルネットワークを用いて前記抽出した特徴データを人間の感性によって判断される印象度データに変換することを特徴とする請求項１９又は２０記載の楽曲検索方法。
特徴データとしてゆらぎ情報からなる複数の項目を抽出することを特徴とする請求項１９乃至２１のいずれかに記載の楽曲検索方法。
前記変換した印象度データを入力ベクトルとして、当該入力ベクトルに最も近いニューロンに前記入力した楽曲データをマッピングすることを特徴とする請求項１９乃至２２のいずれかに記載の楽曲検索方法。
前記代表曲がマッピングされているニューロンに含まれる楽曲データを検索することを特徴とする請求項１９乃至２３のいずれかに記載の楽曲検索方法。
前記代表曲がマッピングされているニューロンと、その近傍ニューロンとに含まれる楽曲データを検索することを特徴とする請求項１９乃至２４のいずれかに記載の楽曲検索方法。
近傍ニューロンを決定するための近傍半径は、任意に設定可能であることを特徴とする請求項２５記載の楽曲検索方法。
請求項１４乃至２６のいずれかに記載の楽曲検索方法をコンピュータに実行させるための楽曲検索プログラム。