Combining Deep Learning and Combinatorial Optimisation to Generate Four-Part Chorales
Master thesis
Permanent lenke
http://hdl.handle.net/11250/2627021Utgivelsesdato
2019Metadata
Vis full innførselSamlinger
Sammendrag
Denne masteroppgaven beskriver implementasjonen av en funksjonell prototype som består avet rekurrent neuralt nettverk og en branch-and-bound optimeringsalgoritme i konjunksjon for ågenerere musikk som tilretter seg reglene for firstemmig korallsats i Bach-stil.Den eksakte naturen til musikk generert av neurale nettverk er vanskelig å forutse, og derforogså å manipulere på noen som helst meningsfull måte mellom input og output. Hvor godt resultatenegjenspeiler de mer abstrakte aspektene av musikk er vanskelig å kontrollere, og ofte viser delite eller ingen musikalsk struktur eller kreativitet. I tillegg er det få innfallsvinkler for interaksjonog inngripen når man benytter seg av et slikt "svart boks"-system. Denne oppgaven utforsker måterå imøtekomme disse utfordringene på fra utsiden, og viser at kombinatoriske optimeringsstrategierkan benyttes i etterkant til å påføre musikalske rammer og endre output slik at den innfinner segkonvensjonene og forventningene til vestlig musikkteori. De nye resultatene demonstrerer en storforbedring i funksjonell struktur, melodisk og harmonisk utvikling og estetikk sammenlignet med frafør. Selv om prototypen ikke var i stand til å finne optimale transformasjoner fra neuralnettverketsoutput innenfor rimelig tid, ble det demonstrert en metode som finner lavkostnadskombinasjonermed gyldig struktur som kan benyttes til å generere resultater som demonstrerer programmetsfunksjon. This thesis describes the implementation of a functional prototype consisting of a recurrent neuralnetwork and a branch-and-bound optimiser which together generate original music compliant tothe rigid rule-set of the four-part chorale in the style of Johann Sebastian Bach.The exact nature of music generated by neural networks is troublesome to predict, and by extensionto manipulate in any meaningful way between input and output. How well the results adhere tothe more abstract aspects of music is hard to control, and often display little to no musical structureor significant creativity. Also, there are few avenues for interactivity and active intervention in theusage of such a "black-box" system. The paper explores means to mitigate this externally, and showsthat combinatorial optimisation strategies can be employed post-generation to enforce musical constraintsand adjust the output in such a way that it adheres to the conventions and expectations ofwestern music theory. The constrained results display significant improvement in functional structure,melodic and harmonic progression and aesthetics compared to those generated by the neuralnetwork alone. Although the prototype is not capable of locating optimal transformations from theneural network output within reasonable time, a method for finding low cost chord combinationswith valid structure can be used to generate results that demonstrate the applications of the system.