JP4246101B2 - 楽曲検索システムおよび楽曲検索方法 - Google Patents
楽曲検索システムおよび楽曲検索方法 Download PDFInfo
- Publication number
- JP4246101B2 JP4246101B2 JP2004117314A JP2004117314A JP4246101B2 JP 4246101 B2 JP4246101 B2 JP 4246101B2 JP 2004117314 A JP2004117314 A JP 2004117314A JP 2004117314 A JP2004117314 A JP 2004117314A JP 4246101 B2 JP4246101 B2 JP 4246101B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- music
- correction
- input
- impression
- 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
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Indexing, Searching, Synchronizing, And The Amount Of Synchronization Travel Of Record Carriers (AREA)
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検索するに際し、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を用いて行っているため、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、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をユーザの嗜好に即したものに成長させ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、該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前記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、前記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、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、該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と前記キーワード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項目毎の段階がポイントの位置で表現された前記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と前記特徴データとを再学習データとして記憶する修正データ記憶手段と、該修正データ記憶手段に記憶された前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習手段と、を具備することを特徴とする。
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、該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前記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、前記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、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、該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と前記キーワード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項目毎の段階がポイントの位置で表現された前記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と前記特徴データとを再学習データとして記憶する修正データ記憶手段と、該修正データ記憶手段に記憶された前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習手段と、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、該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前記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、前記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、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、該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と前記キーワード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項目毎の段階がポイントの位置で表現された前記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する印象度データ修正手段と、該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と前記特徴データとを再学習データとして記憶する修正データ記憶手段と、該修正データ記憶手段に記憶された前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習手段と、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、該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前記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マッピングされた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、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、該代表曲選択手段によって選択された前記代表曲と前記キーワード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項目毎の段階がポイントの位置で表現された前記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と前記特徴データとを再学習データとして記憶する修正データ記憶手段と、該修正データ記憶手段に記憶された前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習手段と、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、該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前記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マッピングされた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、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、該代表曲選択手段によって選択された前記代表曲と前記キーワード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項目毎の段階がポイントの位置で表現された前記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印象度データを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、該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と前記特徴データとを再学習データとして記憶する修正データ記憶手段と、該修正データ記憶手段に記憶された前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習手段と、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、前記ニューラルネットワーク再学習手段は、前記修正データ記憶手段に新たに記憶された前記再学習データの数が所定数に到達した時に前記階層型ニューラルネットワークの再学習を開始させ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、前記ニューラルネットワーク再学習手段は、前回の再学習動作からの経過時間が所定時間に到達した時に前記階層型ニューラルネットワークの再学習を開始させ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、前記修正データ記憶手段に記憶されている前記再学習データの数を表示する修正情報表示手段と、前記階層型ニューラルネットワークの再学習指示を入力する再学習指示入力手段と、を具備し、前記ニューラルネットワーク再学習手段は、前記再学習指示入力手段から入力された前記再学習指示に基づいて前記階層型ニューラルネットワークの再学習を開始させ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、前記階層型ニューラルネットワークの再学習に使用された前記再学習データは、前記修正データ記憶手段に記憶しておき、次回の前記階層型ニューラルネットワークの再学習にも使用させ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、楽曲データの入力を受け付ける楽曲データ入力部の楽曲データ入力工程と、該入力された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、該特徴データ抽出工程によって抽出した前記特徴データを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部の印象度データ変換工程と、該印象度データ変換工程によって変換した前記印象度データを前記楽曲データ入力工程で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する前記コンピュータの記憶制御工程と、検索条件として前記印象度データの入力を受け付ける印象度データ入力部の印象度データ入力工程と、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工程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、該印象度データ入力工程から入力された前記印象度データと前記キーワードに基づいて前記楽曲データベースを検索する楽曲検索部の楽曲検索工程と、該楽曲検索工程によって検索した楽曲データの項目毎の段階がポイントの位置で表現された前記印象度データを修正した修正データの入力を受け付ける修正データ入力の修正データ入力工程と、該修正データ入力工程によって入力された前記修正データと前記特徴データとを再学習データとして記憶する修正データ記憶部の修正データ記憶工程と、該修正データ記憶工程で記憶した前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習部のニューラルネットワーク再学習工程とを実行す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、楽曲データの入力を受け付ける楽曲データ入力部の楽曲データ入力工程と、該入力された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、該特徴データ抽出工程によって抽出した前記特徴データを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部の印象度データ変換工程と、該印象度データ変換工程によって変換した前記印象度データを前記楽曲データ入力工程で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する前記コンピュータの記憶制御工程と、検索条件として前記印象度データの入力を受け付ける印象度データ入力部の印象度データ入力工程と、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工程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、該印象度データ入力工程から入力された前記印象度データと前記キーワードに基づいて前記楽曲データベースを検索する楽曲検索部の楽曲検索工程と、該楽曲検索工程によって検索した楽曲データの項目毎の段階がポイントの位置で表現された前記印象度データの修正指示の入力を受け付ける修正データ入力の修正データ入力工程と、該修正データ入力工程によって入力された前記修正指示に基づいて前記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する修正データ作成部の修正データ修正工程と、該修正データ修正工程で作成した前記修正データと前記特徴データとを再学習データとして記憶する修正データ記憶部の修正データ記憶工程と、該修正データ記憶工程で記憶した前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習部のニューラルネットワーク再学習工程とを実行す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、楽曲データの入力を受け付ける楽曲データ入力部の楽曲データ入力工程と、該入力された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、該特徴データ抽出工程によって抽出した前記特徴データを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部の印象度データ変換工程と、該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に基づいて、前記楽曲データ入力工程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部の楽曲マッピング工程と、該楽曲マッピング工程によってマッピングされた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楽曲データの中から代表曲を選択する代表曲選択部の代表曲選択工程と、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工程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、該代表曲選択工程によって選択された前記代表曲と前記キーワードに基づいて楽曲マップを検索する楽曲検索部の楽曲検索工程と、該楽曲検索工程によって検索した楽曲データの項目毎の段階がポイントの位置で表現された前記印象度データを修正した修正データの入力を受け付ける修正データ入力の修正データ入力工程と、該修正データ入力工程によって入力された前記修正データと前記特徴データとを再学習データとして記憶する修正データ記憶部の修正データ記憶工程と、該修正データ記憶工程で記憶した前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習部のニューラルネットワーク再学習工程とを実行す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、楽曲データの入力を受け付ける楽曲データ入力部の楽曲データ入力工程と、該入力された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、該特徴データ抽出工程によって抽出した前記特徴データを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部の印象度データ変換工程と、該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に基づいて、前記楽曲データ入力工程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部の楽曲マッピング工程と、該楽曲マッピング工程によってマッピングされた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楽曲データの中から代表曲を選択する代表曲選択部の代表曲選択工程と、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工程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、該代表曲選択工程によって選択された前記代表曲と前記キーワードに基づいて楽曲マップを検索する楽曲検索部の楽曲検索工程と、該楽曲検索工程によって検索した楽曲データの項目毎の段階がポイントの位置で表現された前記印象度データの修正指示の入力を受け付ける修正データ入力の修正データ入力工程と、該修正データ入力工程によって入力された前記修正指示に基づいて前記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する印象度データ修正部の印象度データ修正工程と、該修正データ修正工程で作成した前記修正データと前記特徴データとを再学習データとして記憶する修正データ記憶部の修正データ記憶工程と、該修正データ記憶工程で記憶した前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習部のニューラルネットワーク再学習工程と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、前記ニューラルネットワーク再学習工程は、前記修正データ記憶工程で新たに記憶した前記再学習データの数が所定数に到達した時に前記階層型ニューラルネットワークの再学習を開始することを特徴とする。
さらに、本発明の楽曲検索方法は、前記ニューラルネットワーク再学習工程は、前回の再学習動作からの経過時間が所定時間に到達した時に前記階層型ニューラルネットワークの再学習を開始することを特徴とする。
さらに、本発明の楽曲検索方法は、前記修正データ記憶工程で記憶している前記再学習データの数を表示する修正情報表示部の修正情報表示工程と、前記階層型ニューラルネットワークの再学習指示の入力を受け付ける再学習指示入力部の再学習指示入力工程と、前記ニューラルネットワーク再学習工程は、前記再学習指示入力工程から入力された前記再学習指示に基づいて前記階層型ニューラルネットワークの再学習を開始することを特徴とする。
さらに、本発明の楽曲検索方法は、前記階層型ニューラルネットワークの再学習に使用された前記再学習データは、前記修正データ記憶工程で記憶しておき、次回の前記階層型ニューラルネットワークの再学習にも使用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、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、ユーザによって修正された印象度データおよびユーザの指示によって自動修正した印象度データに基づいて階層型ニューラルネットワークを再学習させ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をユーザの嗜好に即したものに成長させることができるため、特徴データから印象度データへの変換精度を向上させることができ、使用期間が長くなるほどユーザの嗜好に即した検索を実現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、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、ユーザによって修正された印象度データおよびユーザの指示によって自動修正した印象度データに基づいて階層型ニューラルネットワークを再学習させ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をユーザの嗜好に即したものに成長させることができるため、特徴データから印象度データへの変換精度を向上させることができ、使用期間が長くなるほどユーザの嗜好に即した検索を実現す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画面例を示す図であり、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。
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画面例を示す図であり、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）。
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Ｌ１と出力層（第Ｎ層）のニューロン数ＬＮ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行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ｍｉ（ｔ）∈Ｒｎ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ｘｊとし、入力ベクトルｘｊに最も近いニューロン、すなわちユークリッド距離‖ｘｊ−ｍｉ‖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３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。
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３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Ｔ１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Ｔ１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、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ｘｊ(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。
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、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ｘｊ(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ｙｊ(ｊ＝１，２，…，８) とし、出力層（第Ｎ層）の出力outj Ｎと、教師信号ｙｊとの誤差から、学習則δj 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δj Ｎを使って、中間層（第ｎ層）の誤差信号 δj 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δj 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、η１(0＜η１≦1)に設定されている。
ステップＣ６では、サンプル数Ｔ１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Ｅ１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Ｅ１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Ｅ１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回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Ｅ１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ｘｊ（ｔ）∈Ｒｎとし、各ニューロンの特徴ベクトルｍｉ（ｔ）∈Ｒｎ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ｍｃ（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、ｘｊ（ｔ）に最も近いニューロンｃ、すなわち‖ｘｊ（ｔ）−ｍｃ（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ｍｃ（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Ｎｃのそれぞれの特徴ベクトルｍｉ（ｔ）（ｉ∈Ｎｃ）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、ｈｃｉ（ｔ）は、学習率を表し、次式によって求められる。
なお、αinitは学習率の初期値であり、Ｒ２（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ｍｉ（Ｔ）∈Ｒｎ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ｍｉ（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。
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ｘｊ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Ｘｊとすると、入力ベクトルｘｊに近い検索対象ベクトルＸｊ、すなわちユークリッド距離‖Ｘｊ−ｘｊ‖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ｘｊとし、入力ベクトルｘｊ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。
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際に、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。
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、ユーザによって修正された印象度データおよびユーザの指示によって自動修正した印象度データを再学習データとして修正データ記憶部２３に記憶しておき、ニューラルネットワーク学習部２４によって修正データ記憶部２３に記憶されている再学習データに基づいて階層型ニューラルネットワークを再学習させ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をユーザの嗜好に即したものに成長させることができるため、特徴データから印象度データへの変換精度を向上させることができ、使用期間が長くなるほどユーザの嗜好に即した検索を実現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、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、ユーザによって修正された印象度データおよびユーザの指示によって自動修正した印象度データを再学習データとして修正データ記憶部２３に記憶しておき、ニューラルネットワーク学習部２４によって修正データ記憶部２３に記憶されている再学習データに基づいて階層型ニューラルネットワークを再学習させ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をユーザの嗜好に即したものに成長させることができるため、特徴データから印象度データへの変換精度を向上させることができ、使用期間が長くなるほどユーザの嗜好に即した検索を実現することができ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。
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 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
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 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 (17)
- 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、
該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前記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、
前記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、
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、
該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と前記キーワード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項目毎の段階がポイントの位置で表現された前記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と前記特徴データとを再学習データとして記憶する修正データ記憶手段と、
該修正データ記憶手段に記憶された前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習手段と、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、
該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前記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、
前記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、
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、
該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と前記キーワード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項目毎の段階がポイントの位置で表現された前記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する印象度データ修正手段と、
該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と前記特徴データとを再学習データとして記憶する修正データ記憶手段と、
該修正データ記憶手段に記憶された前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習手段と、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、
該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前記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マッピングされた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、
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、
該代表曲選択手段によって選択された前記代表曲と前記キーワード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項目毎の段階がポイントの位置で表現された前記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と前記特徴データとを再学習データとして記憶する修正データ記憶手段と、
該修正データ記憶手段に記憶された前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習手段と、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、
該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前記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マッピングされた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、
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、
該代表曲選択手段によって選択された前記代表曲と前記キーワード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項目毎の段階がポイントの位置で表現された前記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印象度データを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、
該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と前記特徴データとを再学習データとして記憶する修正データ記憶手段と、
該修正データ記憶手段に記憶された前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習手段と、を具備することを特徴とする楽曲検索システム。 - 前記ニューラルネットワーク再学習手段は、前記修正データ記憶手段に新たに記憶された前記再学習データの数が所定数に到達した時に前記階層型ニューラルネットワークの再学習を開始させ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。
- 前記ニューラルネットワーク再学習手段は、前回の再学習動作からの経過時間が所定時間に到達した時に前記階層型ニューラルネットワークの再学習を開始させることを特徴とする請求項１乃至５のいずれかに記載の楽曲検索システム。
- 前記修正データ記憶手段に記憶されている前記再学習データの数を表示する修正情報表示手段と、
前記階層型ニューラルネットワークの再学習指示を入力する再学習指示入力手段と、を
具備し、
前記ニューラルネットワーク再学習手段は、前記再学習指示入力手段から入力された前記再学習指示に基づいて前記階層型ニューラルネットワークの再学習を開始させることを特徴とする請求項１乃至６のいずれかに記載の楽曲検索システム。 - 前記階層型ニューラルネットワークの再学習に使用された前記再学習データは、前記修正データ記憶手段に記憶しておき、次回の前記階層型ニューラルネットワークの再学習にも使用させることを特徴とする請求項１乃至７のいずれかに記載の楽曲検索システム。
- 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、楽曲データの入力を受け付ける楽曲データ入力部の楽曲データ入力工程と、
該入力された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、
該特徴データ抽出工程によって抽出した前記特徴データを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部の印象度データ変換工程と、
該印象度データ変換工程によって変換した前記印象度データを前記楽曲データ入力工程で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する前記コンピュータの記憶制御工程と、
検索条件として前記印象度データの入力を受け付ける印象度データ入力部の印象度データ入力工程と、
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工程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、
該印象度データ入力工程から入力された前記印象度データと前記キーワードに基づいて前記楽曲データベースを検索する楽曲検索部の楽曲検索工程と、
該楽曲検索工程によって検索した楽曲データの項目毎の段階がポイントの位置で表現された前記印象度データを修正した修正データの入力を受け付ける修正データ入力の修正データ入力工程と、
該修正データ入力工程によって入力された前記修正データと前記特徴データとを再学習データとして記憶する修正データ記憶部の修正データ記憶工程と、
該修正データ記憶工程で記憶した前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習部のニューラルネットワーク再学習工程とを実行することを特徴とする楽曲検索方法。 - 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、楽曲データの入力を受け付ける楽曲データ入力部の楽曲データ入力工程と、
該入力された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、
該特徴データ抽出工程によって抽出した前記特徴データを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部の印象度データ変換工程と、
該印象度データ変換工程によって変換した前記印象度データを前記楽曲データ入力工程で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する前記コンピュータの記憶制御工程と、
検索条件として前記印象度データの入力を受け付ける印象度データ入力部の印象度データ入力工程と、
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工程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、
該印象度データ入力工程から入力された前記印象度データと前記キーワードに基づいて前記楽曲データベースを検索する楽曲検索部の楽曲検索工程と、
該楽曲検索工程によって検索した楽曲データの項目毎の段階がポイントの位置で表現された前記印象度データの修正指示の入力を受け付ける修正データ入力の修正データ入力工程と、
該修正データ入力工程によって入力された前記修正指示に基づいて前記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する修正データ作成部の修正データ修正工程と、
該修正データ修正工程で作成した前記修正データと前記特徴データとを再学習データとして記憶する修正データ記憶部の修正データ記憶工程と、
該修正データ記憶工程で記憶した前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習部のニューラルネットワーク再学習工程とを実行することを特徴とする楽曲検索方法。 - 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、楽曲データの入力を受け付ける楽曲データ入力部の楽曲データ入力工程と、
該入力された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、
該特徴データ抽出工程によって抽出した前記特徴データを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部の印象度データ変換工程と、
該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に基づいて、前記楽曲データ入力工程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部の楽曲マッピング工程と、
該楽曲マッピング工程によってマッピングされた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楽曲データの中から代表曲を選択する代表曲選択部の代表曲選択工程と、
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工程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、
該代表曲選択工程によって選択された前記代表曲と前記キーワードに基づいて楽曲マップを検索する楽曲検索部の楽曲検索工程と、
該楽曲検索工程によって検索した楽曲データの項目毎の段階がポイントの位置で表現された前記印象度データを修正した修正データの入力を受け付ける修正データ入力の修正データ入力工程と、
該修正データ入力工程によって入力された前記修正データと前記特徴データとを再学習データとして記憶する修正データ記憶部の修正データ記憶工程と、
該修正データ記憶工程で記憶した前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習部のニューラルネットワーク再学習工程とを実行することを特徴とする楽曲検索方法。 - 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、楽曲データの入力を受け付ける楽曲データ入力部の楽曲データ入力工程と、
該入力された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、
該特徴データ抽出工程によって抽出した前記特徴データを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部の印象度データ変換工程と、
該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に基づいて、前記楽曲データ入力工程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部の楽曲マッピング工程と、
該楽曲マッピング工程によってマッピングされた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楽曲データの中から代表曲を選択する代表曲選択部の代表曲選択工程と、
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工程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、
該代表曲選択工程によって選択された前記代表曲と前記キーワードに基づいて楽曲マップを検索する楽曲検索部の楽曲検索工程と、
該楽曲検索工程によって検索した楽曲データの項目毎の段階がポイントの位置で表現された前記印象度データの修正指示の入力を受け付ける修正データ入力の修正データ入力工程と、
該修正データ入力工程によって入力された前記修正指示に基づいて前記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する印象度データ修正部の印象度データ修正工程と、
該修正データ修正工程で作成した前記修正データと前記特徴データとを再学習データとして記憶する修正データ記憶部の修正データ記憶工程と、
該修正データ記憶工程で記憶した前記再学習データに基づいて前記階層型ニューラルネットワークを再学習させるニューラルネットワーク再学習部のニューラルネットワーク再学習工程とを実行することを特徴とする楽曲検索方法。 - 前記ニューラルネットワーク再学習工程は、前記修正データ記憶工程で新たに記憶した前記再学習データの数が所定数に到達した時に前記階層型ニューラルネットワークの再学習を開始することを特徴とする請求項９乃至１２のいずれかに記載の楽曲検索方法。
- 前記ニューラルネットワーク再学習工程は、前回の再学習動作からの経過時間が所定時間に到達した時に前記階層型ニューラルネットワークの再学習を開始することを特徴とする請求項９乃至１３のいずれかに記載の楽曲検索方法。
- 前記修正データ記憶工程で記憶している前記再学習データの数を表示する修正情報表示部の修正情報表示工程と、
前記階層型ニューラルネットワークの再学習指示の入力を受け付ける再学習指示入力部の再学習指示入力工程と、
前記ニューラルネットワーク再学習工程は、前記再学習指示入力工程から入力された前記再学習指示に基づいて前記階層型ニューラルネットワークの再学習を開始することを特徴とする請求項９乃至１４のいずれかに記載の楽曲検索方法。 - 前記階層型ニューラルネットワークの再学習に使用された前記再学習データは、前記修正データ記憶工程で記憶しておき、
次回の前記階層型ニューラルネットワークの再学習にも使用することを特徴とする請求項９乃至１５のいずれかに記載の楽曲検索方法。 - 請求項９乃至１６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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004117314A JP4246101B2 (ja) | 2004-04-12 | 2004-04-12 | 楽曲検索システムおよび楽曲検索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2004117314A JP4246101B2 (ja) | 2004-04-12 | 2004-04-12 | 楽曲検索システムおよび楽曲検索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2005301705A JP2005301705A (ja) | 2005-10-27 |
| JP4246101B2 true JP4246101B2 (ja) | 2009-04-02 |
Family
ID=35333154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2004117314A Expired - Fee Related JP4246101B2 (ja) | 2004-04-12 | 2004-04-12 | 楽曲検索システムおよび楽曲検索方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP4246101B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021026505A (ja) * | 2019-08-05 | 2021-02-22 | ギリア株式会社 | 情報処理装置および情報処理用プログラム |
| JPWO2021075288A1 (ja) * | 2019-10-15 | 2021-04-22 |
-
2004
- 2004-04-12 JP JP2004117314A patent/JP4246101B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2005301705A (ja) | 2005-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4274221B2 (ja) | 情報処理装置および方法、プログラム、並びに記録媒体 | |
| JP4611819B2 (ja) | 楽曲管理装置および情報表示方法 | |
| JP2005301921A (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| EP1530195A2 (en) | Song search system and song search method | |
| JP2005309712A (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP4246101B2 (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP4339171B2 (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP4246120B2 (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP4607660B2 (ja) | 楽曲検索装置および楽曲検索方法 | |
| CN111026904A (zh) | 一种基于内容画像的播单评分方法 | |
| JP4115923B2 (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP3901695B2 (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP4246100B2 (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP4165650B2 (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP4165645B2 (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP2006195619A (ja) | 情報検索装置および情報検索方法 | |
| JP4279274B2 (ja) | 携帯端末装置および楽曲情報表示方法 | |
| JP4165649B2 (ja) | 楽曲検索システムおよび楽曲検索方法 | |
| JP4313340B2 (ja) | 携帯端末装置および選曲方法 | |
| JP2006317872A (ja) | 携帯端末装置および楽曲表現方法 | |
| JP4607659B2 (ja) | 楽曲検索装置および楽曲検索方法 | |
| JP2006301890A (ja) | 楽曲管理システムおよび楽曲管理方法 | |
| KR102623459B1 (ko) | 사용자의 보컬 평가에 기반한 오디션 이벤트 서비스 제공 방법, 장치 및 시스템 | |
| KR102623467B1 (ko) | 사용자 보컬 평가 정보에 기반한 기획사 추천 서비스 제공 방법, 장치 및 시스템 | |
| CN112508179B (zh) | 网络结构的构建方法、装置以及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060912 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080916 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081111 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20081224 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20090107 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120116 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130116 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130116 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |