DOI QR코드

DOI QR Code

Training Method of Artificial Neural Networks for Implementation of Automatic Composition Systems

자동작곡시스템 구현을 위한 인공신경망의 학습방법

  • 조제민 (한성대학교 정보통신공학과) ;
  • 류은미 (한성대학교 정보통신공학과) ;
  • 오진우 (한성대학교 정보통신공학과) ;
  • 정성훈 (한성대학교 정보통신공학과)
  • Received : 2014.05.21
  • Accepted : 2014.06.16
  • Published : 2014.08.31

Abstract

Composition is a creative activity of a composer in order to express his or her emotion into melody based on their experience. However, it is very hard to implement an automatic composition program whose composition process is the same as the composer. On the basis that the creative activity is possible from the imitation we propose a method to implement an automatic composition system using the learning capability of ANN(Artificial Neural Networks). First, we devise a method to convert a melody into time series that ANN can train and then another method to learn the repeated melody with melody bar for correct training of ANN. After training of the time series to ANN, we feed a new time series into the ANN, then the ANN produces a full new time series which is converted a new melody. But post processing is necessary because the produced melody does not fit to the tempo and harmony of music theory. In this paper, we applied a tempo post processing using tempo post processing program, but the harmony post processing is done by human because it is difficult to implement. We will realize the harmony post processing program as a further work.

작곡은 작곡가의 경험을 바탕으로 표현하고자 하는 감정을 멜로디로 나타내는 창작활동이다. 따라서 작곡가의 작곡 과정을 그대로 본따서 자동작곡프로그램을 만드는 것은 매우 어렵다. 우리는 '창작은 모방을 통하여 가능하다'는 전제하에 본 논문에서 인공신경망의 학습기능을 이용하여 자동작곡시스템을 구현하는 방법을 제안한다. 이를 위하여 먼저 기존 곡을 인공신경망이 학습할 수 있는 시계열 데이터로 변환하는 방법을 제시하였다. 또한 곡의 특성상 반복되는 시계열 데이터를 제대로 학습하기 위하여 곡의 마디를 함께 학습하는 방법을 고안하였다. 학습된 인공신경망에 새로운 곡의 도입부 시계열 데이터를 만들어 넣어주면 인공신경망이 나머지 시계열 데이터를 만들어준다. 이를 음표와 박자로 변환하면 새로운 곡이 완성된다. 다만, 인공신경망의 출력은 음악이론과 다른 박자와 다른 화성의 음표를 출력할 수 있기 때문에 이를 후처리로 보정해 주어야 한다. 본 논문에서는 박자 후처리 프로그램만 구현하여 적용하였으며, 화성 후처리는 사람이 직접 하였다. 화성 후처리는 복잡하여 추후연구에서 구현할 예정이다.

Keywords

Acknowledgement

Supported by : 한성대학교

References

  1. Mark H. Beale, Martin T. Hagan, and Howard B. Demuth, "Neural Network Toolbox User's Guide," 2014a, Mathworks.
  2. Kumpari S. Narendra and Kannan Parthasarathy, "Identification and Control of Dynamical Systems Using Neural Networks," IEEE Transaction on Neural Networks, Vol.1, No.1, pp.4-27, Mar., 1990. https://doi.org/10.1109/72.80202
  3. Takayuki Yamada and Tetsuro Yabura, "Dynamic System Identification Using Neural Networks," IEEE Transaction on Systems, Man and Cybernetics, Vol.23, No.1, pp.204-211, Jan/Feb., 1993. https://doi.org/10.1109/21.214778
  4. John G. Kuschewski, Stefen Hui, and Stanislaw H. Zak, "Application of Feedforward Neural Networks to Dynamical System Identification and Control," IEEE Transaction on Control Systems Technology, Vol.1, No.1, pp.37-49, Mar., 1993. https://doi.org/10.1109/87.221350
  5. Zaiyong Tang and Paul A. Fishwick, "Feed-forward Neural Nets as Models for Time Series Forecasting," ORSA Journal of Computing, Vol.5, pp.374-385, 1993. https://doi.org/10.1287/ijoc.5.4.374

Cited by

  1. Adoption of Artificial Neural Network for Rest, Enhanced Postprocessing of Beats, and Initial Melody Processing for Automatic Composition System vol.17, pp.6, 2016, https://doi.org/10.9728/dcs.2016.17.6.449
  2. Automatic Composition Using Training Capability of Artificial Neural Networks and Chord Progression vol.18, pp.11, 2015, https://doi.org/10.9717/kmms.2015.18.11.1358
  3. Postprocessing for Tonality and Repeatability, and Average Neural Networks for Training Multiple Songs in Automatic Composition vol.26, pp.6, 2016, https://doi.org/10.5391/JKIIS.2016.26.6.445