JP4165649B2 - 楽曲検索システムおよび楽曲検索方法 - Google Patents

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、ユーザの感性に基づいて学習させた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、ユーザ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、前記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前記楽曲データの一定フレーム長に対して高速フーリエ変換を行いパワースペクトルを算出することで物理的な特徴データを抽出する特徴データ抽出手段と、初期設定用楽曲データとして入力する前記楽曲データの印象を指定するキーワードおよび当該キーワードに対応する印象度データを記憶する学習用印象度データ記憶手段と、前記楽曲データ入力手段から前記初期設定用楽曲データとして入力する前記楽曲データを指定する前記キーワードを表示する表示手段と、前記楽曲データ入力手段から前記初期設定用楽曲データとして入力された前記楽曲データから前記特徴データ抽出手段によって抽出された前記特徴データを入力信号とすると共に、前記学習用印象度データ記憶手段に記憶されている前記印象度データを教師信号として用いて、前記楽曲データが有する前記特徴データを前記印象度データに変換する階層型ニューラルネットワークを学習させる階層型ニューラルネットワーク学習手段と、該階層型ニューラルネットワーク学習手段によって学習が施された前記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前記特徴データを前記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前記印象度データを前記楽曲データ入力手段から前記初期設定用楽曲データとして入力された前記楽曲データを前記学習用印象度データ記憶手段に記憶されている前記印象度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、前記印象度データ変換手段によって変換された前記印象度データに基づいて、前記楽曲データ入力手段から入力された前記楽曲データを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マッピングされた前記楽曲データが記憶され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前記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、前記キーワードに対応する楽曲を設定するキーワード設定手段と、楽曲がマッピングで表示される楽曲マッピング表示手段と、前記楽曲マッピング表示手段で表示された楽曲であるニューロンをポイントすると前記キーワードが表示されるキーワード表示手段と、前記代表曲選択手段によって選択された代表曲と前記キーワードに基づいて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前記楽曲マップ記憶手段に記憶されている楽曲マップの楽曲データ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前記楽曲データを出力する楽曲データ出力手段と、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、前記特徴データ抽出手段は、前記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前記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前記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。

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前記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前記楽曲データをマッピングすることを特徴とする。

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、コンピュータが実行する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、前記コンピュータは、初期設定用楽曲データとして入力する前記楽曲データの印象を指定するキーワードおよび当該キーワードに対応する印象度データを記憶する学習印象度データ記憶部の学習印象度データ記憶工程と、前記初期設定用楽曲データとして入力する前記楽曲データを指定する前記キーワードを表示するＰＣ表示部の表示工程と、前記初期設定用楽曲データとして前記楽曲データを入力する楽曲データ入力部の楽曲データ入力工程と、前記初期設定用楽曲データとして入力した前記楽曲データの一定フレーム長に対して高速フーリエ変換を行いパワースペクトルを算出することで物理的な特徴データを抽出する特徴データ抽出部の特徴データ抽出工程と、該抽出した前記特徴データを入力信号とすると共に、前記記憶している前記印象度データを教師信号として用いて、前記楽曲データが有する前記特徴データを前記印象度データに変換する階層型ニューラルネットワークを学習させる階層型ニューラルネットワーク学習部の階層型ニューラルネットワーク学習工程と、前記楽曲データベースに登録する前記楽曲データを前記楽曲データ入力工程から入力した前記楽曲データから前記特徴データを前記特徴データ抽出工程で抽出し、前記学習させた前記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工程で抽出した特徴データを前記印象度データに変換する印象度データ変換部の印象度データ変換工程と、前記印象度データ変換工程によって変換された前記印象度データを前記楽曲データ入力工程から前記初期設定用楽曲データとして入力された前記楽曲データを前記学習用印象度データ記憶工程に記憶されている前記印象度データと共に前記楽曲データベースに記憶させる前記コンピュータの記憶制御工程と、前記印象度データ変換工程で変換された前記印象度データに基づいて、前記楽曲データ入力工程で入力した前記楽曲データを楽曲マップにマッピングする楽曲マッピング部の楽曲マッピング工程と、前記楽曲マッピング工程によってマッピングされた前記楽曲データが記憶される楽曲マップ記憶部の楽曲マップ記憶工程と、前記楽曲マップにマッピングされている前記楽曲データの中からの代表曲を選択するＰＣ操作部の代表曲選択工程と、前記キーワードに対応する楽曲を設定するＰＣ操作部のキーワード設定工程と、楽曲がマッピングで表示されるＰＣ表示部の楽曲マッピング表示工程と、前記楽曲マッピング表示手段で表示された楽曲であるニューロンをポイントすると前記キーワードが表示されるＰＣ表示部のキーワード表示工程と、前記代表曲選択工程によって選択された代表曲と前記キーワードに基づいて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前記楽曲マップ記憶工程に記憶されている楽曲マップの楽曲データを検索する楽曲検索部の楽曲検索工程と、前記楽曲検索工程によって検索された前記楽曲データを出力する検索結果出力部の楽曲データ出力工程を実行することを特徴とする。

さらに、本発明の楽曲検索方法は、前記特徴データ抽出工程が前記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。

本発明の楽曲検索システムおよび楽曲検索方法は、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、ユーザが入力する初期設定用楽曲データによって学習させ、ユーザ自身が学習させ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に記憶させる様に構成することにより、ユーザ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、階層型ニューラルネットワークを学習させるために入力する初期設定用楽曲データを、キーワードに対応して設定されている印象度データと共に楽曲データベースに登録するように構成することにより、階層型ニューラルネットワークの学習を楽曲の登録と並行して行うことができ、ユーザの負担を軽減す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、楽曲データが有する印象度データに基づいて楽曲データを自己組織化マップである楽曲マップにマッピングし、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同じような印象をユーザに与える楽曲を素早く検索す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、特徴データ抽出部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、本発明の楽曲検索システムおよび楽曲検索方法は、楽曲検索部において、ＰＣ操作部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。

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に示す端末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、検索結果出力部２１と、初期設定部２２と、学習用印象度データ記憶部２３と、階層型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から入力された初期設定用楽曲データから、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階層型ニューラルネットワーク学習部２４に出力すると共に、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。

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、検索結果出力部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。

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、初期設定画面の表示、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）の表示が行われる。

検索結果出力部２１は、端末装置３０の検索結果入力部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の検索結果入力部３１に出力する。

初期設定部２２は、最初に電源が投入されると、学習用印象度データ記憶部２３に記憶されているキーワードを読み出し、キーワードに適合する初期設定用楽曲データの入力を促す初期設定画面をＰＣ表示部２０に表示させると共に、指定したキーワードに対応する学習用印象度データを学習用印象度データ記憶部２３から読み出し、読み出した印象度データを階層型ニューラルネットワーク学習部２４および楽曲マッピング部１６に出力する。

学習用印象度データ記憶部２３は、メモリ等の記憶手段であり、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に学習を施すための初期設定用楽曲データの入力を指定するための複数のキーワードと、当該キーワード毎に予め設定されている印象度データとが記憶されている。

階層型ニューラルネットワーク学習部２４は、初期設定部２２から入力された印象度データと、特徴データ抽出部１３から入力された特徴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、各ニューラルの結合重み値を更新し、更新した結合重み値を印象度データ変換部１４に出力する。

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等の音声再生装置であり、図２を参照すると、検索結果入力部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。

検索結果入力部３１は、楽曲検索装置１０の検索結果出力部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の検索結果出力部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。

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ティオプレーヤである。

次に、本実施の形態の動作について図３乃至図１５を参照して詳細に説明する。
図３は、図１に示す階層型ニューラルネットワーク学習部において初期設定時に行われ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４は、図１に示す階層型ニューラルネットワーク学習部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５は、図１に示すＰＣ表示部に表示される初期設定画面例を示す図であり、図６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７は、図１に示す楽曲マッピング部で用いられる楽曲マップを説明するための説明図であり、図８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９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１０は、図１に示すＰＣ表示部に表示される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に示す表示画面に表示されるキーワード検索領域例を示す図である。

本実施の形態の楽曲検索装置１０では、使用に先立って初期設定として、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学習が行われる。階層型ニューラルネットワーク学習部２４において初期設定時に行わ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３乃至図６を参照して詳細に説明する。

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は、図４に示すように、入力層（第１層）、中間層（第ｎ層）および出力層（第Ｎ層）からなり、入力層（第１層）に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、出力層（第Ｎ層）から出力するものであり、中間層（第ｎ層）の各ニューラルの結合重み値ｗを初期設定する。なお、特徴データは、特徴データ抽出部１３によって楽曲データから抽出される８項目からなるデータであり、入力層（第１層）のニューロン数Ｌ１は、８個となっている（特徴データ抽出部１３による特徴データの抽出方法については、後述する）。また、印象度データは、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項目がそれぞれ７段階評価で表されたデータであり、出力層（第Ｎ層）のニューロン数Ｌ_Ｎとは、８個となっている。中間層（第ｎ層：ｎ＝２，…，Ｎ−１）のニューロン数Ｌ_ｎは、適宜設定されている。

最初に電源が投入されると、初期設定部２２は、学習用印象度データ記憶部２３に記憶されているキーワードを読み出し、図５に示すような、キーワードに適合する初期設定用楽曲データの入力を促す初期設定画面４０をＰＣ表示部２０に表示させると共に（ステップＡ１）、指定したキーワードに対応する学習用印象度データを学習用印象度データ記憶部２３から読み出して階層型ニューラルネットワーク学習部２４および楽曲マッピング部１６に入力する（ステップＡ２）。初期設定画面４０は、図５に示すように、「明るい曲」、「楽しい曲」、「悲しい曲」等のキーワードが表示され、ユーザに対して各キーワードに適合すると考えられる初期設定用楽曲データの入力を促す画面であり、網掛け表示等によって初期設定用楽曲データの入力を促すキーワードを指定されている。

ユーザは、指定されたキーワードに適合すると考えられる楽曲を保有しているＣＤ、ＤＶＤ等の記憶媒体の中から選択し、選択した楽曲をキーワードに適合する初期設定用楽曲データとして楽曲データ入力部１１から入力し（ステップＡ３）、入力された初期設定用楽曲データは、楽曲データ入力部１１から圧縮処理部１２および特徴データ抽出部１３に出力される。

圧縮処理部１２は、楽曲データ入力部１１から入力された初期設定用楽曲データを圧縮し（ステップＡ４）、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Ａ５）。

一方、特徴データ抽出部１３は、楽曲データ入力部１１から入力された初期設定用楽曲データから、ゆらぎ情報からなる特徴データを抽出し（ステップＡ６）、抽出した特徴データを階層型ニューラルネットワーク学習部２４に入力する（ステップＡ７）。

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６を参照すると、初期設定用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階層型ニューラルネットワーク学習部２４に入力する。

階層型ニューラルネットワーク学習部２４は、特徴データ抽出部１３から入力された特徴データと、初期設定部２２から入力された学習用印象度データとに基づいて、誤差逆伝播学習法を用い、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の更新を行う（ステップＡ８）。

まず、初期値として、中間層（第ｎ層）の全ての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、階層型ニューラルネットワーク学習部２４は、特徴データ抽出部１３から入力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、階層型ニューラルネットワーク学習部２４は、初期設定部２２から入力された学習用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、階層型ニューラルネットワーク学習部２４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、階層型ニューラルネットワーク学習部２４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。

なお、数３において、ηは、学習率を表し、(0＜η≦1)に設定されている。

一方、楽曲マッピング部１６は、初期設定部２２から入力された学習用印象度データを入力ベクトルとして楽曲マップ記憶部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（ステップＡ９）。楽曲マップ記憶部１７に記憶されている楽曲マップは、教師信号を必要としない学習ニューラルネットワーク、すなわち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行くニューラルネットワークであって、図７に示すように、ｎ次元の特徴ベクトルｍ_ｉ（ｔ）∈Ｒ^ｎを内包するニューロンが２次元に規則的に配置（図７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、各ニューロンの特徴ベクトルｍ_ｉ（ｔ）∈Ｒ^ｎが設定されている。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。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。

楽曲マップ記憶部１７に記憶されている楽曲マップは、複数の印象度データの入力によって予め学習（各ニューロンの特徴ベクトルｍ_ｉ（ｔ）∈Ｒ^ｎの更新）が施されている。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、初期設定部２２から入力された学習用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、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。

学習回数として、学習用印象度データ記憶部２３に記憶されているキーワード数Ｔ、および学習反復回数Ｓを予め設定しておき、学習回数ｔ＝１，…，Ｔについて学習を行い、階層型ニューラルネットワーク学習部２４は、学習回数ｔがサンプル数Ｔに達したか否かを判断し（ステップＡ１０）、学習回数ｔがサンプル数Ｔに達するまでステップＡ２〜ステップＡ９の処理動作を繰り返し、学習回数ｔがサンプル数Ｔに達すると、再び始めのサンプルデータから学習を行う。この一連の処理をＳ回繰り返した時点で、印象度データ変換部１４に学習させた各ニューロンの結合重み値ｗを出力する（ステップＡ１１）。

なお、学習回数を定める学習反復回数Ｓは、次式に示す２乗誤差Ｅが十分に小さくなる値に設定すると良い。

なお、本実施の形態では、中間層（第ｎ層）の各ニューラルの結合重み値ｗの初期値として、中間層（第ｎ層）の全ての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く構成としたが、各ニューラルの結合重み値ｗとしてある程度まで学習させたものを用いるようにすることもでき、この場合には、初期設定で行う学習動作の数（キーワード数Ｔ）を少なくすることができ、ユーザの手間を最小限に抑えることができる。

次に、楽曲検索装置１０における楽曲登録動作について図８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Ｃ１）。

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Ｃ２）、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Ｃ３）。

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（ステップＣ４）、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、図４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Ｃ５）、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、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）の各ニューラルの結合重み値ｗは、階層型ニューラルネットワーク学習部２４によって初期設定、すなわち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とは、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Ｌ_ｎ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、すなわち楽曲マッピング部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Ｃ６）、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、楽曲検索装置１０における楽曲検索動作について図９乃至図１５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および書誌データをＰＣ操作部１９から入力し（ステップＤ１）、検索実行ボタン５２３をクリックすることで、印象度データおよび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Ｄ２）、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。なお、Ｒは、印象度データ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。

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様にしても良い。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Ｄ３）、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。

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Ｄ４）、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Ｄ５）、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、検索結果出力部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Ｄ６）。

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。

以上説明したように、本実施の形態によれば、ユーザの感性に基づいて、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、ユーザが入力する初期設定用楽曲データによって学習させ、ユーザ自身が学習させた階層型ニューラルネットワーク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に記憶させる様に構成することにより、ユーザ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るという効果を奏する。

さらに、本実施の形態によれば、階層型ニューラルネットワークを学習させるために入力する初期設定用楽曲データを、キーワードに対応して設定されている印象度データと共に楽曲データベース１５に登録するように構成することにより、階層型ニューラルネットワークの学習を楽曲の登録と並行して行うことができ、ユーザの負担を軽減す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、楽曲データが有する印象度データに基づいて楽曲データを自己組織化マップである楽曲マップにマッピングし、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同じような印象をユーザに与える楽曲を素早く検索す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、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。

次に、本発明の他の実施の形態について図１６を参照して詳細に説明する。
図１６は、本発明に係る楽曲検索システムの他の実施の形態の構成を示すブロック図である。

他の実施の形態では、図１６を参照すると、図１に示す楽曲データベース１５、楽曲マップ記憶部１７および楽曲検索部１８とそれぞれ同等の機能を有する楽曲データベース３６、楽曲マップ記憶部３７および楽曲検索部３８を端末装置３０に備え、端末装置３０で楽曲データベース３６の検索と、楽曲マップ記憶部３７に記憶されている楽曲マップの検索とを行えるように構成されている。他の実施の形態において、楽曲検索装置１０は、楽曲データ入力部１１から入力された楽曲データを楽曲データベース１５に、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楽曲データベース１５に、楽曲マッピング部１６によってマッピングされた楽曲マップを楽曲マップ記憶部１７にそれぞれ記憶させる楽曲登録装置として機能する。

楽曲検索装置１０の楽曲データベース１５および楽曲マップ記憶部１７の記憶内容は、端末装置３０に出力され、端末装置３０のデータベース入力部３９は、楽曲データベース１５および楽曲マップ記憶部１７の記憶内容を楽曲データベース３６および楽曲マップ記憶部３７に記憶させる。検索条件の入力は、端末表示部３４の表示内容に基づいて、端末操作部３３から行われる。

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に示す端末装置の構成を示すブロック図である。 図１に示す階層型ニューラルネットワーク学習部において初期設定時に行われ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１に示す階層型ニューラルネットワーク学習部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１に示すＰＣ表示部に表示される初期設定画面例を示す図である。 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１に示す楽曲マッピング部で用いられる楽曲マップを説明するための説明図である。 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１に示すＰＣ表示部に表示される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他の実施の形態の構成を示すブロック図である。

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
１９ ＰＣ操作部
２０ ＰＣ表示部
２１ 検索結果出力部
２２ 初期設定部
２３ 学習用印象度データ記憶部
２４ 階層型ニューラルネットワーク学習部
３０ 端末装置
３１ 検索結果入力部
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
３６ 楽曲データベース
３７ 楽曲マップ記憶部
３８ 楽曲検索部
３９ データベース入力部
４０ 初期設定画面
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
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
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 (8)

1. 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、
   前記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前記楽曲データの一定フレーム長に対して高速フーリエ変換を行いパワースペクトルを算出することで物理的な特徴データを抽出する特徴データ抽出手段と、
   初期設定用楽曲データとして入力する前記楽曲データの印象を指定するキーワードおよび当該キーワードに対応する印象度データを記憶する学習用印象度データ記憶手段と、
   前記楽曲データ入力手段から前記初期設定用楽曲データとして入力する前記楽曲データを指定する前記キーワードを表示する表示手段と、
   前記楽曲データ入力手段から前記初期設定用楽曲データとして入力された前記楽曲データから前記特徴データ抽出手段によって抽出された前記特徴データを入力信号とすると共に、前記学習用印象度データ記憶手段に記憶されている前記印象度データを教師信号として用いて、前記楽曲データが有する前記特徴データを前記印象度データに変換する階層型ニューラルネットワークを学習させる階層型ニューラルネットワーク学習手段と、
   該階層型ニューラルネットワーク学習手段によって学習が施された前記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前記特徴データを前記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前記印象度データを前記楽曲データ入力手段から前記初期設定用楽曲データとして入力された前記楽曲データを前記学習用印象度データ記憶手段に記憶されている前記印象度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、
   前記印象度データ変換手段によって変換された前記印象度データに基づいて、前記楽曲データ入力手段から入力された前記楽曲データを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マッピングされた前記楽曲データが記憶され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前記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、
   前記キーワードに対応する楽曲を設定するキーワード設定手段と、
   楽曲がマッピングで表示される楽曲マッピング表示手段と、
   前記楽曲マッピング表示手段で表示された楽曲であるニューロンをポイントすると前記キーワードが表示されるキーワード表示手段と、
   前記代表曲選択手段によって選択された代表曲と前記キーワードに基づいて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前記楽曲マップ記憶手段に記憶されている楽曲マップの楽曲データ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前記楽曲データを出力する楽曲データ出力手段と、
   を具備することを特徴とする楽曲検索システム。
2. 前記特徴データ抽出手段は、前記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１に記載の楽曲検索システム。
3. 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前記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前記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２のいずれかに記載の楽曲検索システム。
4. 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前記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前記楽曲データをマッピングすることを特徴とする請求項３記載の楽曲検索システム。
5. 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１乃至４記載の楽曲検索システム。
6. コンピュータが実行する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、
   前記コンピュータは、初期設定用楽曲データとして入力する前記楽曲データの印象を指定するキーワードおよび当該キーワードに対応する印象度データを記憶する学習印象度データ記憶部の学習印象度データ記憶工程と、
   前記初期設定用楽曲データとして入力する前記楽曲データを指定する前記キーワードを表示するＰＣ表示部の表示工程と、
   前記初期設定用楽曲データとして前記楽曲データを入力する楽曲データ入力部の楽曲データ入力工程と、
   前記初期設定用楽曲データとして入力した前記楽曲データの一定フレーム長に対して高速フーリエ変換を行いパワースペクトルを算出することで物理的な特徴データを抽出する特徴データ抽出部の特徴データ抽出工程と、
   該抽出した前記特徴データを入力信号とすると共に、前記記憶している前記印象度データを教師信号として用いて、前記楽曲データが有する前記特徴データを前記印象度データに変換する階層型ニューラルネットワークを学習させる階層型ニューラルネットワーク学習部の階層型ニューラルネットワーク学習工程と、
   前記楽曲データベースに登録する前記楽曲データを前記楽曲データ入力工程から入力した前記楽曲データから前記特徴データを前記特徴データ抽出工程で抽出し、
   前記学習させた前記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工程で抽出した特徴データを前記印象度データに変換する印象度データ変換部の印象度データ変換工程と、
   前記印象度データ変換工程によって変換された前記印象度データを前記楽曲データ入力工程から前記初期設定用楽曲データとして入力された前記楽曲データを前記学習用印象度データ記憶工程に記憶されている前記印象度データと共に前記楽曲データベースに記憶させる前記コンピュータの記憶制御工程と、
   前記印象度データ変換工程で変換された前記印象度データに基づいて、前記楽曲データ入力工程で入力した前記楽曲データを楽曲マップにマッピングする楽曲マッピング部の楽曲マッピング工程と、
   前記楽曲マッピング工程によってマッピングされた前記楽曲データが記憶される楽曲マップ記憶部の楽曲マップ記憶工程と、
   前記楽曲マップにマッピングされている前記楽曲データの中からの代表曲を選択するＰＣ操作部の代表曲選択工程と、
   前記キーワードに対応する楽曲を設定するＰＣ操作部のキーワード設定工程と、
   楽曲がマッピングで表示されるＰＣ表示部の楽曲マッピング表示工程と、
   前記楽曲マッピング表示手段で表示された楽曲であるニューロンをポイントすると前記キーワードが表示されるＰＣ表示部のキーワード表示工程と、
   前記代表曲選択工程によって選択された代表曲と前記キーワードに基づいて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前記楽曲マップ記憶工程に記憶されている楽曲マップの楽曲データを検索する楽曲検索部の楽曲検索工程と、
   前記楽曲検索工程によって検索された前記楽曲データを出力する検索結果出力部の楽曲データ出力工程を実行することを特徴とする楽曲検索方法。
7. 前記特徴データ抽出工程は、前記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記載の楽曲検索方法。
8. 請求項６乃至７のいずれかに記載の楽曲検索方法をコンピュータで実行可能な楽曲検索プログラム。

Images