基于RBF径向基网络的演唱评价模型研究

基于RBF径向基网络的演唱评价模型研究

袁剑

（西安音乐学院计算机教研室西安710061）

针对演唱评分方法易受到主观因素的影响，提出采用广义回归RBF神经网络模拟评委进行稳定打分并分析网络结构在声乐评价中的优势，对声乐艺术评价建立评价指。将定性评价转换为定量成绩向量输入神经网络生成评分。用单声部民族唱法进行实验，将输出结果与预期分值进行比对。结果表明，该模型能有效降低人为因素的干扰，模拟专家进行稳定打分。

RBF径向基函数网络；广义回归神经网络；演唱；评价模型

Class NumberTP183

1 引言

声乐表演是一门艺术，它要求演唱者以技巧、艺术素养做出个性化的演绎。通常对演唱效果的评价以去掉最高值与最低值后求平均，此评价方法带有不少主观因素。传统声乐评价本身是一种评委的主观感受，评委评价标准有所差异，即使是同一评委也有因人而异的可能［1］。传统的评价方法未说明评价指标与结果之间的关系。声乐艺术的评价应用非线性方法构建评价指标与演唱效果之间的关系和评价体系。人工神经网络是一种能够对自然界功能函数逼近的信息处理系统，在声乐艺术评价中使用神经网络更能体现指标与效果之间的非线性关系，评价结果更加客观合理。目前，声乐评价中使用较多的是BP神经网络，BP神经网络可以实现输入和输出间的任意线性或非线性的函数映射［2］。然而，BP网络是一种全局逼近网络，训练速度很慢且容易陷入局部极小值，需经过反复试凑和训练，无法保证每次训练BP算法的收敛性和全局最优性，并且BP神经网络缺乏简单有效的参数确定方法，因此算法不稳定，不适合实时性要求高的场合。文章拟采用一种收敛速度快，逼近能力和学习速度都优于BP的广义回归向基函数（Radial Basis Function）神经网络。它是径向基网络的一种变形形式，具有良好的非线性逼近性能，特别适合解决曲线拟合问题。径向基神经网络已成功应用于非线性函数逼近、模式识别等［3］。与BP相比，RBF网络能更好地解决局部最小点的问题。

2 广义回归RBF径向基函数网络

广义回归网络建立在非参数回归的基础上，以样本数据为后验条件，执行Pazzen非参数估计，依据最大原则计算网络输出，当隐层神经元足够多时，网络能够以任意精度逼近一个平滑函数［1］。广义回归神经网络其结构如图1所示。

图1 广义径向基网络结构

输入层神经元个数同于输入向量的维数，传输函数为线性函数。隐含层为径向基层，神经元个数为训练样本个数，基函数为高斯函数，第i个神经元的中心向量为xi。加和层中第一种神经元为分母单元，计算隐含层各神经元的代数和，加和层第二种神经元为分子单元，计算隐含层神经元的加权和，权值为各训练样本的期望输出值。输出层将加和层的分母单元、分子单元的输出相除，即得网络输出y。在广义回归神经网络中x，y是两个随机变量，且x的观测值为x0，样本数据集为，在输入为x的条件下，y的预测输出为

0y(x0)，其估算密度函数为

则

n为样本容量，p为随机变量x的维数。σ为高斯函数的标准差，称为光滑因子，σ过大则y(x0)近似与样本变量的平均值，对数据的细节便会部分不能成功逼近。σ过小，则网络失去推广能力，陷入过学习状态。因此在构建评价模型时需要根据评价项目的取值范围选取合适的σ，通常平滑因子应和输入数据的平均间距相当。

3 基于广义回归RBF网络的评价模型构建

3.1 声乐评价体系构建

声乐评价的对象不同，声乐评价的体系构建也应不同。本文以独唱为评价对象，构建评价模型。模型中将评分类别分为音准与完整性、技巧、舞台表现、作品理解与情感四个大类，每类包含多个小项。每个评委只需对表演给出部分项目的级别，而不用给出具体的数值。此方法较以往只打总分的方法更能体现演唱的艺术内涵。独唱评价标准设计如表1所示。

表1 独唱表演评价标准

评价体系有X个评价项目，每个项目由nl(l= 0，1，…，X-1)个评委打分，各项目有Mj(j=0，1，…，X-1)个级别，评价分值为i(i=0，1，…，Mj-1)，第j个级别的评委有ki(i=0，1，…，Mj-1)个，则若各个评价级别的取值范围为[] 0，Fl，即满分为Fl(l=0，1，…，X-1)，则某项目第i个级别的权值为则该评价项目的实际分值为将权值代入后得Sl=即评价标准中第l项的分值。评价体系采用定性的方式描述评价项目，项目分类级别各不相同，具体数量根据测评对象实际情况而定。级别越多区分度越精确。演唱者实力相当时需要增加项目的级别。评委只需对所评价的项目定级，由评价体系公式计算得到该项目的成绩，并作为神经网络的输入参数，最终成绩由神经网络输出。对艺术的衡量标准本身就是一种定性描述。但应当注意的是在实际应用中评价级别的划分应足够的细致，才能体现表演之间细微的差异。

3.2 RBF网广义回归络评价模型构

网络评价模型的原理是使用神经网络来构建一个稳定的打分系统。先请一个评委按照评价体系为各项评价项目定级，按照评价体系中的各项公式计算出各个项目的分值，此分值是神经网络的输入。同时请该评委给出一个合理的总分值，总分值为样本，用来训练神经网络。使网络模拟评委进行成绩的评定，即用神经网络来模拟一个专家的评分思维习惯。为了选择合适的网络，需进行试验，在相同样本的情况下进行，对正则径向基神经网络、广义径向基神经网络、广义回归径向基神经网络进行测试。测试结果如下：训练样本为4×16的矩阵，测试数据为4×5的矩阵，网络测试数据的期望输出为：92.75，75，98，72，90。所有实验网络平滑因子SP=1.5。正则RBF输出值为92.75，75，97.64，89.75，7.47。广义RBF的输出值为92.75，7596.88，71.85，83.63。广义回归径向基网络的输出值为92.75，75，98.21，71.45，90.00。当测试数据与训练样本不同时广义回归径向基网络输出结果与期望值最为接近，在模拟评分思维习惯时，广义回归神经网络最优，因此在构建评价模型中使用该网络。

4 实例分析

在模型验证试验中，采用民族唱法单声部独唱，演唱者年龄为18～26岁的的青年人，其中男声3人，女生3人，分3次进行测评。为了有较高的区分度，每个评价项目的评价级别理论上可分为10～25个级别，在试验中使用25个级别。在网络模型中训练样本为50组数据，由一位评委给出50个分值作为训练网络输出的目标值对网络进行训练，同时由该评委对实验中的6位测试者给出分值作为实验的参照值。实验中对收回的评分表进行分值统计，分别计算出每个演唱者的各项分值，将各演唱者的分值向量作为网络的输入进行仿真，将仿真结果与评委给出的参照值加以对比。实验代码使用Matlab实现，其代码如下：

P=［］；

T=［］；

plot（P，T，‘+’）；

sp=2.5；

net=newgrnn（P，T，sp）；

Y=sim（net，P）；

plot（Y，T，‘O’）；

Q=［］；

A=sim（net，Q）；

plot（Q，A，‘*’）

B=［］；

plot（B，A，‘O’）；

其中P为样本矩阵；T为样本的目标输出向量。Q为测试矩阵，A为网络的测试输出，即网络模拟给出的测试者分值，B为实验参考值即给定的目标值。网络的训练结果如图2所示。

图2 网络训练样本与输出目标图

对6位演唱者分值的网络仿真结果如图3所示。

图3 网络测试输出与目标值

网络的输出值与给定的参考值如表2所示。

表2 网络的测试输出结果与目标输出值

以上结果说明，网络给出的结果能够模拟一个评委的打分。网络的模拟精度是由样本的数量和样本的取值决定的。当样本的数量足够大，涵盖取值范围内数据时，网络的精度则会大幅度提高。

5 结语

在对声乐艺术的评价中，评价是基于主观的，用定量的方法容易出现不稳定的偏差，定性描述更符合对艺术的评价。文章构建了一种对声乐艺术进行评价的模型，只需按照评分项目给出定性的描述，模型统计这种描述并转换为评价向量作为广义回归RBF神经网络的输入由神经网络给出最终分值。文章提出的模型要应用到不同的测试环境时需要大量不同的样本才有实际意义，而现实中大量的样本不易得到，且径向基函数光滑因子SP的选取与数据距离有关，需要反复实验因此影响到了本模型的实用性。不同的演唱方法、声部、环境都会对实际的评价结果产生影响，要构建实用的网络模型则需要在更多的环境中进行实验。文中的实验仅是对民族唱法进行研究，对其他唱法的样本收集与分析需要进一步研究。

［1］袁剑.BP神经网络在声乐评价中的应用［J］.计算与机数字工程，2012，38（12）：44-48.

YUAN Jian.Application of BP Neural Network in Vocal Assessment System［J］.Computer&Digital Engineering，2012，38（12）：44-48.

［2］许东，吴铮.基于MATLAB 6.X的系统分析与设计——神经网络第二版［M］.西安：西安电子科技大学出版社，2002，19-28.

XIU Dong，WU Zheng.System analysis and design Based on MATLAB 6.X--The second edition of neural network［M］.Xi'an：Xidian University Press，2002，19-28.

［3］http：//www.cnblogs.com/yangxi/archive/2013/05/30/3107921. html

［4］朱良俊，张燕平.几种径向基函数（RBF）神经网络的比较［J］.福建广播电视大学学报，2007，64（4）：68-70.

ZHU Liangjun，ZHANG Yanping.The Comparison of Some radial basis function neural networks（RBF）［J］. Journal of fujian radio and TV university，2007，64（4）：68-70.

［5］余成宽.表现性评价在声乐教学中的应用研究［D］.长春：长春师范学院，2010：3-52.

YU Chengkuan.The Case Evaluation of Ordinary College（Teacher Education）Undergraduate Student［D］.Changchun：Changchun Normal University，2010：3-52.

［6］李小武，罗兰娥.BP神经网络在评价歌唱艺术嗓音中的应用［J］.现代电子技术，2012，35（14）：146-148.

LI Xiaowu，LUO Laner.Application of BP neural network in evaluation of artistic voice［J］.Modern Electronics Technique，2012，35（14）：146-148.

［7］吴媛，丁亚军，钱盛友，等.基于神经网络的艺术嗓音客观评价方法［J］.电声技术，2015，39（12）：57-60.

WU Yuan，DING Yajun，Qian Shengyou，et al.An Objective Evaluation Method of Artistic Voice Based on Neural Network［J］.Audio Engineering，2015，39（12）：57-60.

［8］张轶.高师声乐教学评价标准体系的研究［J］.人民论坛，2015，11（500）：163-164.

ZHANG Yi.The Research on evaluation standard system of vocal music teaching in Higher Normal Colleges［J］. People's Tribune，2015，11（500）：163-164.

［9］杨勇.智能化综合评价理论与方法研究［D］.杭州：浙江工商大学，2014：49-124.

YANG Yong.A Study on Theory and Method in Intellectualization of Evaluation［D］.Hangzhou：Hangzhou Industrial and commercial university，2014：49-124.

［10］苗雨，章莉.歌唱艺术评价相关问题研究［J］.大舞台，2012，43（7）：40-50.

MIAO Yu，ZHANG Li.Research on the related issues of the evaluation of singing art［J］.Big stage，2012，43（7）：40-50.

［11］苗雨.基于人工智能技术的歌唱发音质量客观评价研究综述［J］.音乐探索，2012，23（3）：119-127.

MIAO YU.A review of the study on the objective evaluation of vocal quality based on artificial intelligence technology［J］.Explorations in Music，2012，23（3）：119-127.

［12］罗宇佳.高等学校音乐表演专业学业表现性评价研究［D］.西安：陕西师范大学，2012：63-204.

LUO Jiayu.The study of Academic performance evaluation of music performance in Universities［D］.Xi'an：Shanxi Normal University，2012：63-204.

［13］李炳男.RBF神经网络和HMM用于音乐识别的算法研究［D］.太原：太原理工大学，2010：25-36.

LI Bingnan.Study of Music Recognition Algorithm Based on RBF Neural Network and HMM［D］.Taiyuan：Taiyuan University of Technology，2010：25-36.

［14］苏美娟.径向基函数神经网络学习算法研究［D］.苏州：苏州大学，2007：1-22.

SU Meijuan.Research on Radial Basis Function Neural Network Learning Algorithms［D］.Suzhou：Suzhou University，2007，1-22.

［15］孟新洋，柯琳.加强和完善民族声乐的评价机制［J］.音乐创作，2010，246（2）：131-133.

MENG Xinyang，KE Lin.To strengthen and improve the evaluation mechanism of national vocal music［J］.Musical Works，2010，246（2）：131-133.

Singing Performance Evalurion Mode Research Based on RBF Neural Network

YUAN Jian
（Computer Staff Room，Xi'an Conservatory of Music，Xi'an710061）

To giving a correct assessment of a singer's performance is affected by multiple factors.GRNN RBF neural network can simulate a nonlinear system.This article establishes the evaluation model and use neural network to output a reasonable score. At last，this article uses an example to analysis the feasibility of the model.The experimental results show that the model can effectively reduce the interference by human in folk singing evaluation.

radial basis function neural network，general regression neural RBF network，vocal，evaluation mode

TP183

10.3969/j.issn.1672-9722.2017.06.019

2016年12月7日，

2017年1月17日

国家自然科学基金项目（编号：61174207）；陕西省教育厅科学研究计划项目（编号：16JK1671）资助。

袁剑，女，硕士，讲师，研究方向：智能信息处理，数据挖掘，教育信息技术。