基于人工智能的交互式教学音乐智能系统研究及应用

张珺, 赵玉霞

(1.商洛职业技术学院 师范教育系, 陕西 商洛 726000;2.商洛学院 数学与计算机应用学院, 陕西 商洛 726000)

0 引言

随着经济的快速发展，在互联网时代音乐教育逐渐向智能化和线上化发展。人工智能作为一门新兴学科[1]，主要是用来研究和开发以及扩展延伸人类智能的方法理论。人工智能最早出现于1956年[2]，从那时起，围绕着“人工智能”展开了一系列的研究。现如今在我们的生活当中存在许多与人工智能相关的事物，例如指纹识别、智能搜索、人脸识别、语言翻译和自动规划等[3]。而其中人工智能与听觉具有很大的关系，人工智能用于音乐教育具有得天独厚的优势。音乐艺术的发展也是伴随着物质文明的突破。人工智能会对音乐教育的教学模式、教学理论产生新的变革[4]，尤其在教学手段和教学方法上带来新的变化，以便更好地为互联网时代的音乐教育提供积极的实际价值。

1 人工智能的发展

1.1 人工智能在音乐教育上的研究

人工智能和音乐的结合已经存在了相当长的时间，自1974年在美国召开国际电脑音乐会议开始[5]，音乐的数字声音处理和软件程序的开发已经有了长足的发展，人工智能与音乐教育的结合已经产生众多的研究成果。以色列的科技教育公司Tonara目前开发的Tonara应用是在iPad上的第一款互动乐谱应用[6]，基于人工智能的开发，Tonara应用程序可以跟随演奏者的节拍、韵律实现自动翻页，提供5款乐器的乐谱，可以作为乐手练习的辅助式工具。而在之后推出的交互式音乐平台Wolfie[7]，运用人工智能技术结合音乐数据库，对教室或学生的演奏音乐提供客观的评价工具，并进行纠错，涵盖爵士、摇滚等多种音乐风格。为了实现乐器与智能移动终端的一体交互式的教学方式，出现了例如The One这种游戏化的钢琴[8]，并且减少人为干预的程度，利用多媒体的辅助，向着情感机器人、深度学习的方向发展，使得学习、练习的效率大大增加，其中包含教学者模型和学习者模型[9]，体现了教学系统开发的全部内容，并将其及时反馈给学习者，形成良好的教学环路，如图1所示。

图1 交互式学习环路图

1.2 情感机器与情感交互理论

情感是人类一种特殊的思维方式，包含复杂的运行机制，通过塑造机器获得情感，用以发展人工智能技术上的难题，其主要通过创造情感机器的6个维度应用到音乐教学当中[10]。“人工智能之父”马文·明斯基给出的6个维度分别是“意识”“精神活动”“常识”“思维”“智能”“自我”[11]。从这6个维度可以解释人类大脑的复杂机制，从而也印证了将情感机器应用到音乐教学的可能性。

情感交互是基于人工智能的情感计算，是由MIT媒体实验室皮卡德教授提出的[12]，情感计算是赋予计算机或者机器具备人类交流相似或者一样的观察、理解以及各种情绪的能力。情感交互是人工智能领域中的热点研究方向，旨在与机器或计算机交流沟通的过程中，更加自然和便利。针对个性化的音乐教育，存在类似于Siri一样的AI老师[13]，在学生遇到难题时进行解决，当在音乐练习出现错误时，智能系统对此错误进行对话，如图2所示。

图2 情感交互关系

音乐知识学习者通过登录客户端访问学习结合体，一般为学习平台，然后通过人机交互模式，将学习结果呈现给教学者。而教学者通过成绩将新的授课模式和教学模式进行完善，基于负反馈的方式，提高学习者的学习意识和学习能力，组成一个完美的交互闭环。相比于传统评测方法，基于人工智能的教学系统采用开发式的反馈，合理应用情感评价提升音乐学习者的教学效率[14]。

2 音乐智能系统分析与实现

交互式教学音乐智能系统的核心算法模型采用人工智能算法——RBF算法。该算法称为径向基函数，是由局部调整神经元组成的神经网络[15-16]，一般具有五层网络模型，如图3所示。

图3 RBF算法神经网络的结构图

第一层为与案例有关的信息因素，这些输入量可以归纳为不同的音乐项目指标，输入到神经网络结构中。

第二层则是隶属函数，其数学表达式，如式(1)。

i=1,2,…r;j=1,2,…,u

(1)

第三层形容了模糊规则数，通过对样本的学习，尽量使得学习的规则数最少、最重要。其中第j个规则的输出的数学计算，如式(2)。

j=1,2,…,u

(2)

式中，cj=(c1j,…,crj)表示第j个RBF单元的中心。RBF神经网络的特征是神经元距离中心越近，其激活程度越高[17]，非常符合交互式音乐学习的影响因素的教学模式。

第四层则是归一化层，该层的节点应与模糊规则节点一致，它的第j个节点Nj的输出，如式(3)。

(3)

第五层是输出层，输出音乐演奏的各个技能的评价，其主要是基于RBF算法中的TS模糊模型[18]，它的输出量，如式(4)。

(4)

wk是代表第k个规则的连接方式，即输出变量的权重乘积的加和，如式(5)。

(5)

基于RBF算法的交互式音乐学习模式，是在平台的设计中融入算法理念，并在撰写代码时充分地展现算法，同时实现在平台界面的功能里，让其有效地与交互式的学习模式相契合。其中，X为全部调查的学生里选取通过音乐测验成绩优秀的学生，100人在交互式音乐智能系统中所消耗学习时间的比例；cjσj为成绩优秀的学生在对应项(X)学习时间里，每个音乐学习课件的隐含层分布状况，这些学习样本的隐含层类别是相对平行的；Y为每个输入层所对应的音乐最优成绩。

为了实现RBF算法的简化，可以将第二层、第三层和第四层归结成隐含层，第一层和第五层分别为输入层和输出层，针对音乐教学的不同方面作为算法的输入层。当针对一系列规模较大的数据时，将音乐数据的前m个数据作为初始训练，进而构建学生学习音乐知识的RBF模型，通过设计的软件平台不断评价，直至最后构建完善的模型。其程序设计图，如图4所示。

图4 程序设计图

3 系统验证

3.1 实验准备

根据上述的分析，该交互式教学音乐智能系统的网络拓扑结构，如图5所示。

图5 网络拓扑图

采用分布式的网络拓扑结构[19]，依据教师、学生、管理员的用户等级来支持不同的身份权限，同时对应的服务略有不同，音乐智能系统密切关联教师与学生，以及教学资源。将教学模式和学习技能的考核等智能方式应用于教学管理中，以实现对各类主体(教师、学生、课件、辅助)、教学方式(组织、管理、评估、评测、策略)、教学行为的有效整合及管理，各种角色在智能系统上获得自己所需的服务。该交互式教学音乐智能系统主要由辅助训练、自主学习、演奏训练等模块来组成。其逻辑图，如图6所示。

图6 功能结构图

各个模块组成需要后台音乐数据库的支持，通过采用SQL Server数据库来支持，从而实现对系统集成的自动化管理，执行数据解决方法的总体方案。

该音乐智能系统的网络拓扑结构已经如前陈述过，智能系统运行的环境为软件和硬件结合，服务器环境下，布置数据库服务器，系统设置为4 G内存、500 G的固态硬盘、双CPU的至强处理器系统和千兆网卡。软件上选取系统软件与应用软件，而备份软件选用Veritas备份，应用服务器的操作系统为MS Windows 2007企业版，系统软件为WinCC。

平台数据库的主要功能为音乐学习题库，课件题库包含演奏题、琴谱题、判断题和音乐常识题等。数据库的信息列表中含有各种类型信息，如知识点信息、音乐领域信息、琴谱信息、多媒体文件信息、答案信息等，如表1所示。

表1 数据库信息列表

3.2 测试结果

该音乐智能系统用于该省的师范大学的音乐专业学生成绩，评估基于人工智能算法实现的交互式教学音乐智能系统的使用效果，选取该高校2018级音乐学院学生予以使用。音乐智能系统的登录界面图，如图7所示。

在登录界面下方，能够显示该学习网站现存的具体课程类型与名称，以及系统主菜单、导航栏、系统的简介和日历等活动栏。在基于人工智能教学的音乐智能系统里，当前总共开设了四门音乐类课程：学科讲座、声乐演唱、视唱练耳、基本乐理，如图8所示。

图7 听力练习模块界面图

图8 音乐现有的课程

根据音乐学科的发展，音乐智能系统可以定期推送一个主题，并开设专业讲座的课程。主题包含音乐专业内容的主题讲座和音乐相关知识的答疑、交流。有问有答模块主要以聊天、交互评价等模块进行呈现，如图9所示。

图9 经典讲座界面图

该智能系统以经过文字形式展开概念呈现，把声乐演唱学习的内容展开剖析，从唱法介绍到相应的唱法教学视频，再到相应的唱法代表作鉴赏；从概念的框架搭建到逐步地增添学习内容，以形成科学全面的学习链接，剖析过后的学习内容更易于学生接受。其界面图,如图10所示。

图10 声乐作品赏析界面图

该音乐智能系统的乐理测试的主题模块，依据音乐理论指导，运用交互式教学的策略展开设计，建立知识题库随机地开展对学生所学知识进行测验。依据课程所需在此主题里对测试模块展开编程开发，达到乐理考试在线化,如图11所示。

图11 乐理测试的界面图

4 总结

交互式教学音乐智能系统为音乐学习者提供了更好的技术支持和学习理念，本文首先介绍了基于人工智能音乐教育的理论基础和国内外研究现状，分析相比于传统音乐教学方式的优势。并且分析了神经网络模型，尤其针对性地采用RBF算法用于教学音乐智能系统，考虑神经网络的训练模型和构建方式，模拟出音乐学习者的学习规律，从而更好地实现交互式教学音乐智能系统的效果，让学生在交互式的音乐智能系统中进行沉浸式学习，通过对音乐智能系统设计的评估，能够更好地对软件设计进行改进。在后续的研究中，应加入更人性化的界面设计，采用更大规模模型样本来实现人工智能，使之准确度更加具有普适性，保证在操作度方面具备良好的稳定性，也可以将多种人工智能算法融合用来改进神经网络的训练算法，获得更通用的音乐智能系统，这是下一步研究的重点方向。