Page 14 - 《软件学报》2026年第5期

黄恒焱 等: 融合音乐知识结构化表征的高精度符号音乐理解 1893

l
其中, F l 表示第 l 层特征图在位置 (i, j) 的值, X l−1 表示上一卷积块的输出, W 是卷积核权重, K 是卷积核大小, b l
i,j
是偏置项, BN 是批正则化, σ 是 ReLU 激活函数.

C 32nd
C# 0.7 16th
D 8th 0.8
0.6
D# 3/4
E 0.5 1 beat
0.6
F 1.5 beat
0.4
F# 2 beat
0.4
G 0.3 3 beat
G# 4 beat
0.2
A 8th triplet 0.2
A# 0.1 1 beat triplet
B 2 beat triplet
0 0
32nd 16th 8th 3/4 1 beat 1.5 beat 2 beat 3 beat 4 beat 1 beat triplet
2 beat triplet
C C# D D# E F F# G G# A A# B
8th triplet
(a) PCTM (b) NLTM
图 3 同一 MIDI 文件的 PCTM 和 NLTM

批
3×3 正 ReLU
则
化

最 最
音高转移矩阵 卷 大 卷 大 卷 层 全 丢 全
积 池 积 池 积 正 连 ReLU 弃 连
则
接
接
块 化 块 化 块 化 层 层 层
层 层
堆叠特征矩阵 深层音乐知识特征
符号音乐序列输入 互补音乐特征提取模块
音长转移矩阵
图 4 互补音乐特征提取模块

最大池化层级联卷积块, 用于降低特征图的空间维度, 提取具有代表性的抽象特征:

l
P = max 0⩽m,n<S F l S ·i+m,S ·j+n (2)
i,j
其中, P l i,j 是池化后的特征, S 是池化窗口大小 (该模块的窗口大小 S=2).
为了稳定训练过程并加速模型收敛, 批正则化 (BN) 和层正则化 (LN) 被整合到网络中. 批正则化可表示为:

l
x −µ
l B
ˆ x = √ ·γ +β (3)
σ +ε
2
B
2
其中, µ 和 σ 是批次内的均值和方差, γ 和 β 是可学习的缩放和偏移参数, ε 是一个微小常数.
B B
层正则化对卷积层的输出进行处理:

h−µ
ˆ h
h = √ ·γ +β (4)
2
σ +ε
h
2
其中, µ 和 σ 是特征向量的均值和方差.
h h
经过多层特征提取和正则化后, 网络通过全连接层将高维结构化特征输出为固定维度 (Transformer 编码器的