[go: up one dir, main page]

JP2005301921A - 楽曲検索システムおよび楽曲検索方法 - Google Patents

楽曲検索システムおよび楽曲検索方法 Download PDF

Info

Publication number
JP2005301921A
JP2005301921A JP2004120862A JP2004120862A JP2005301921A JP 2005301921 A JP2005301921 A JP 2005301921A JP 2004120862 A JP2004120862 A JP 2004120862A JP 2004120862 A JP2004120862 A JP 2004120862A JP 2005301921 A JP2005301921 A JP 2005301921A
Authority
JP
Japan
Prior art keywords
music
data
map
unit
search
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2004120862A
Other languages
English (en)
Inventor
Narifumi Nochida
成文 後田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sharp Corp
Original Assignee
Sharp Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sharp Corp filed Critical Sharp Corp
Priority to JP2004120862A priority Critical patent/JP2005301921A/ja
Priority to US10/980,294 priority patent/US7576278B2/en
Priority to EP04027343.5A priority patent/EP1587003B1/en
Priority to US10/992,843 priority patent/US20050241463A1/en
Publication of JP2005301921A publication Critical patent/JP2005301921A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H1/00—Details of electrophonic musical instruments
    • G10H1/0033—Recording/reproducing or transmission of music for electrophonic musical instruments
    • G10H1/0041—Recording/reproducing or transmission of music for electrophonic musical instruments in coded form
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2210/00—Aspects or methods of musical processing having intrinsic musical character, i.e. involving musical theory or musical parameters or relying on musical knowledge, as applied in electrophonic musical tools or instruments
    • G10H2210/031—Musical analysis, i.e. isolation, extraction or identification of musical elements or musical parameters from a raw acoustic signal or from an encoded audio signal
    • G10H2210/036—Musical analysis, i.e. isolation, extraction or identification of musical elements or musical parameters from a raw acoustic signal or from an encoded audio signal of musical genre, i.e. analysing the style of musical pieces, usually for selection, filtering or classification
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2240/00—Data organisation or data communication aspects, specifically adapted for electrophonic musical tools or instruments
    • G10H2240/075—Musical metadata derived from musical analysis or for use in electrophonic musical instruments
    • G10H2240/081—Genre classification, i.e. descriptive metadata for classification or selection of musical pieces according to style
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2240/00—Data organisation or data communication aspects, specifically adapted for electrophonic musical tools or instruments
    • G10H2240/121—Musical libraries, i.e. musical databases indexed by musical parameters, wavetables, indexing schemes using musical parameters, musical rule bases or knowledge bases, e.g. for automatic composing methods
    • G10H2240/131—Library retrieval, i.e. searching a database or selecting a specific musical piece, segment, pattern, rule or parameter set
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10H—ELECTROPHONIC MUSICAL INSTRUMENTS; INSTRUMENTS IN WHICH THE TONES ARE GENERATED BY ELECTROMECHANICAL MEANS OR ELECTRONIC GENERATORS, OR IN WHICH THE TONES ARE SYNTHESISED FROM A DATA STORE
    • G10H2250/00—Aspects of algorithms or signal processing methods without intrinsic musical character, yet specifically adapted for or used in electrophonic musical processing
    • G10H2250/311—Neural networks for electrophonic musical instruments or musical processing, e.g. for musical recognition or control, automatic composition or improvisation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Reverberation, Karaoke And Other Acoustics (AREA)

Abstract

【課題】 本発明は、楽曲データがマッピングされた楽曲マップの表示を参照するだけで、楽曲データベースに記憶されている楽曲データの傾向を簡単に把握することができる楽曲検索システムおよび楽曲検索方法を提供することを課題とする。
【解決手段】 楽曲データの特徴を表す複数の評価項目にそれぞれ対応するデータからなる特徴ベクトルを内包した複数のニューロンで構成されると共に、当該ニューロンが前記評価項目の内の予め定められた指標評価項目について一端部から他端部に向けて傾向を有している自己組織化マップである楽曲マップのいずれかのニューロンに楽曲データをマッピングし、楽曲マップの各ニューロンにそれぞれ対応するポイントによって楽曲マップの状態を表示する。楽曲マップは、指標評価項目について一端部から他端部に向けて漸減する値を初期値として学習が施されている。
【選択図】 図１０

Description

本発明は、ＨＤＤ等の大容量の記憶手段に大量に記憶されている楽曲データの中から所望の楽曲を検索する楽曲検索システムおよび楽曲検索方法に関し、特に人間の感性によって判断される印象度データに基づいて楽曲の検索が可能な楽曲検索システムおよび楽曲検索方法に関する。
近年、ＨＤＤ等の大容量の記憶手段が開発され、大容量の記憶手段に大量の楽曲データを記憶させることができるようになっている。大容量の記憶手段に記憶されている大量の楽曲データの検索は、アーティスト名や曲名、その他のキーワード等の書誌データを用いて行うのが一般的であるが、書誌データで検索した場合には、楽曲が持っている情感を考慮することができず、印象の異なる楽曲が検索される可能性があり、聴取した際の印象が同じような楽曲を検索したい場合には、不向きである。
そこで、楽曲に対する主観的な印象に基づいて利用者の希望する楽曲を検索可能にするために、検索を希望する楽曲に対するユーザの主観的な要件を入力して数値化して出力し、その出力から、検索対象の楽曲の印象を数量化した予測印象値を算出し、算出した予測印象値をキーとして、複数の楽曲の音響信号およびその楽曲の印象を数量化した印象値を記憶した楽曲データベースを検索することにより、利用者の楽曲に対する主観的なイメージに基づいて、希望する楽曲を検索する装置が提案されている（例えば、特許文献１参照）。
しかしながら、従来技術では、楽曲データベースに複数の楽曲の音響信号およびその楽曲の印象を数量化した印象値を記憶しているが、その印象値は２軸であり、印象の軸を増加させた場合の表示を考慮すると、どのような音響信号および印象値を有する楽曲データが記憶されているのか、すなわち楽曲データベースに記憶されている楽曲データの傾向を簡単に把握することが困難であり、検索条件に対する検索結果の予測がつきにくく、利用者所望の検索結果が得られにくくなってしまうという問題点があった。
特開２００２−２７８５４７号公報
本発明は斯かる問題点を鑑みてなされたものであり、その目的とするところは、楽曲データがマッピングされた楽曲マップの表示を参照するだけで、楽曲データベースに記憶されている楽曲データの傾向を簡単に把握することができる楽曲検索システムおよび楽曲検索方法を提供する点にある。
本発明は上記課題を解決すべく、以下に掲げる構成とした。
本発明の楽曲検索システムは、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、前記楽曲データの特徴を表す複数の評価項目にそれぞれ対応するデータからなる特徴ベクトルを内包した複数のニューロンで構成される自己組織化マップであると共に、当該ニューロンが前記評価項目の内の予め定められた指標評価項目について一端部から他端部に向けて傾向を有している楽曲マップを記憶する楽曲マップ記憶手段と、前記楽曲データの特徴を表す複数項目のデータに基づいて、前記楽曲マップのいずれかのニューロンに前記楽曲データをマッピングする楽曲マッピング手段と、前記楽曲マップの各ニューロンにそれぞれ対応するポイントによって前記楽曲マップの状態を表示する表示手段と、を具備することを特徴とする。
さらに、本発明の楽曲検索システムは、前記楽曲マップは、前記指標評価項目について一端部から他端部に向けて漸減する値を初期値として学習が施されていることを特徴とする。
さらに、本発明の楽曲検索システムは、前記楽曲マップは、２次元マップであり、前記評価項目の内の２つが前記指標評価項目として定められていることを特徴とする。
また、本発明の楽曲検索方法は、楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、前記楽曲データの特徴を表す複数の評価項目にそれぞれ対応するデータからなる特徴ベクトルを内包した複数のニューロンで構成される自己組織化マップであると共に、当該ニューロンが前記評価項目の内の予め定められた指標評価項目について一端部から他端部に向けて傾向を有している楽曲マップを記憶し、前記楽曲データの特徴を表す複数項目のデータに基づいて、前記楽曲マップのいずれかのニューロンに前記楽曲データをマッピングし、前記楽曲マップの各ニューロンにそれぞれ対応するポイントによって前記楽曲マップの状態を表示することを特徴とする。
さらに、本発明の楽曲検索方法は、前記楽曲マップは、前記指標評価項目について一端部から他端部に向けて漸減する値を初期値として学習が施されていることを特徴とする。
さらに、本発明の楽曲検索方法は、前記楽曲マップは、２次元マップであり、前記評価項目の内の２つが前記指標評価項目として定められていることを特徴とする。
本発明の楽曲検索システムおよび楽曲検索方法は、楽曲データの特徴を表す複数の評価項目にそれぞれ対応するデータからなる特徴ベクトルを内包した複数のニューロンで構成される自己組織化マップであると共に、予め定められた指標評価項目について一端部から他端部に向けて傾向を有している楽曲マップに楽曲データをマッピングし、各ニューロンにそれぞれ対応するポイントによって楽曲マップの状態を表示するように構成することにより、楽曲データがマッピングされた楽曲マップの表示を参照するだけで、楽曲データベースに記憶されている楽曲データの傾向を簡単に把握することができるという効果を奏する。
以下、本発明の実施の形態を図面に基づいて詳細に説明する。
図１は、本発明に係る楽曲検索システムの実施の形態の構成を示すブロック図であり、図２は、図１に示す楽曲検索装置に用いられるニューラルネットワークを事前に学習させるニューラルネットワーク学習装置の構成を示すブロック図である。
本実施の形態は、図１を参照すると、楽曲検索装置１０と、端末装置３０とがＵＳＢ等のデータ伝送路で接続されており、端末装置３０は、楽曲検索装置１０から切り離して携帯することができる構成となっている。
楽曲検索装置１０は、図１を参照すると、楽曲データ入力部１１と、圧縮処理部１２と、特徴データ抽出部１３と、印象度データ変換部１４と、楽曲データベース１５と、楽曲マッピング部１６と、楽曲マップ記憶部１７と、楽曲検索部１８と、ＰＣ操作部１９と、ＰＣ表示部２０と、送受信部２１と、音声出力部２２と、修正データ記憶部２３と、ニューラルネットワーク学習部２４とからなる。
楽曲データ入力部１１は、ＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体を読み取る機能を有し、ＣＤ、ＤＶＤ等の記憶媒体から楽曲データを入力し、圧縮処理部１２および特徴データ抽出部１３に出力する。ＣＤ、ＤＶＤ等の記憶媒体以外にインターネット等のネットワークを経由した楽曲データ（配信データ）を入力するように構成しても良い。なお、圧縮された楽曲データが入力される場合には、圧縮された楽曲データを伸長して特徴データ抽出部１３に出力する。
圧縮処理部１２は、楽曲の登録時には、楽曲データ入力部１１から入力された楽曲データをＭＰ３やＡＴＲＡＣ（Adaptive Transform Acoustic Coding ）等の圧縮形式で圧縮し、圧縮した楽曲データを、アーティスト名、曲名等の書誌データと共に楽曲データベース１５に記憶させる。
特徴データ抽出部１３は、楽曲データ入力部１１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出し、抽出した特徴データを印象度データ変換部１４に出力する。
印象度データ変換部１４は、予め学習が施された階層型ニューラルネットワークを用いて、特徴データ抽出部１３から入力された特徴データを、人間の感性によって判断される印象度データに変換し、変換した印象度データを楽曲マッピング部１６に出力すると共に、特徴データ抽出部１３から入力された特徴データと変換した印象度データとを楽曲データに関連づけて楽曲データベース１５に登録する。
楽曲データベース１５は、ＨＤＤ等の大容量の記憶手段であり、圧縮処理部１２によって圧縮された楽曲データ、書誌データと、特徴データ抽出部１３によって抽出された特徴データと、印象度データ変換部１４によって変換された印象度データとが関連づけられて記憶される。
楽曲マッピング部１６は、印象度データ変換部１４から入力された印象度データに基づいて、予め学習が施された自己組織化マップである楽曲マップに楽曲データをマッピングし、楽曲データをマッピングした楽曲マップを楽曲マップ記憶部１７に記憶させる。
楽曲マップ記憶部１７は、ＨＤＤ等の大容量の記憶手段であり、楽曲マッピング部１６によって楽曲データがマッピングされた楽曲マップが記憶される。
楽曲検索部１８は、ＰＣ操作部１９から入力された印象度データおよび書誌データに基づいて楽曲データベース１５を検索し、当該検索結果をＰＣ表示部２０に表示すると共に、ＰＣ操作部１９によって選択された代表曲に基づいて楽曲マップ記憶部１７を検索し、当該代表曲検索結果をＰＣ表示部２０に表示する。また、楽曲検索部１８は、送受信部２１を介してＰＣ操作部１９によって選択された楽曲データを端末装置３０に出力する。
また、楽曲検索部１８は、楽曲データおよび印象度データを楽曲データベース１５から読み出し、読み出した楽曲データを音声出力部２２に出力して音声出力させると共に、音声出力を試聴したユーザの指示に基づいて印象度データを修正し、楽曲データベース１５に記憶されている印象度データを更新すると共に、楽曲データベース１５から特徴データを読み出して、修正データと特徴データとを再学習データとして修正データ記憶部２３に記憶させる。
ＰＣ操作部１９は、キーボードやマウス等の入力手段であり、楽曲データベース１５および楽曲マップ記憶部１７に記憶されている楽曲データを検索する検索条件の入力、端末装置３０に出力する楽曲データを選択する入力、印象度データの修正入力、印象度データの自動修正を指示する入力、階層型ニューラルネットワークの再学習を指示する入力、楽曲データの再登録を指示する入力が行われる。
ＰＣ表示部２０は、例えば液晶ディスプレイ等の表示手段であり、楽曲マップ記憶部１７に記憶されている楽曲データのマッピング状況の表示、楽曲データベース１５および楽曲マップ記憶部１７に記憶されている楽曲データを検索する検索条件の表示、検索された楽曲データ（検索結果）の表示等が行われる。
送受信部２１は、端末装置３０の送受信部３１との間をＵＳＢ等のデータ伝送路で接続可能に構成されており、楽曲検索部１８によって検索され、ＰＣ操作部１９によって選択された楽曲データを端末装置３０の送受信部３１に出力すると共に、端末装置３０からの修正指示を受信する。
音声出力部２２は、楽曲データベース１５に記憶されている楽曲データを伸長して再生するオーディオプレーヤである。
修正データ記憶部２３は、修正された印象度データと特徴データとを再学習データとして記憶するＨＤＤ等の記憶手段である。
ニューラルネットワーク学習部２４は、印象度データ変換部１４で用いられる階層型ニューラルネットワークの再学習を行う手段であり、印象度データ変換部１４から各ニューロンの結合重み値を読み出し、読み出した各ニューロンの結合重み値を初期値とし、修正データ記憶部２３に記憶されている再学習データによって階層型ニューラルネットワークの再学習、すなわち各ニューロンの結合重み値を再学習させ、印象度データ変換部１４の各ニューロンの結合重み値ｗを再学習させた各ニューロンの結合重み値に更新する。
端末装置３０は、ＨＤＤ等の大容量の記憶手段を有するポータブルオーディオ、ＭＤプレーヤ等の音声再生装置であり、図１を参照すると、送受信部３１と、検索結果記憶部３２と、端末操作部３３、端末表示部３４と、音声出力部３５とからなる。
送受信部３１は、楽曲検索装置１０の送受信部２１との間をＵＳＢ等のデータ伝送路で接続可能に構成されており、楽曲検索装置１０の送受信部２１から入力された楽曲データを検索結果記憶部３２に記憶させると共に、端末装置３０が楽曲検索装置１０に接続されると、検索結果記憶部３２に記憶された修正指示を楽曲検索装置１０に送信する。
端末操作部３３は、検索結果記憶部３２に記憶されている楽曲データの選択・再生を指示する入力、ボリュームコントロールの入力等、楽曲データの再生に係る入力、再生中の楽曲に対応する印象度データの修正を指示する修正指示入力が行われる。
端末表示部３４は、例えば液晶ディスプレイ等の表示手段であり、再生中の曲名や、各種操作ガイダンスが表示される。
音声出力部３５は、検索結果記憶部３２に圧縮されて記憶されている楽曲データを伸長して再生するオーディオプレーヤである。
ニューラルネットワーク学習装置４０は、印象度データ変換部１４で用いられる階層型ニューラルネットワークと、楽曲マッピング部１６で用いられる楽曲マップとの学習を行う装置であり、図２を参照すると、楽曲データ入力部４１と、音声出力部４２と、特徴データ抽出部４３と、印象度データ入力部４４と、結合重み値学習部４５と、楽曲マップ学習部４６と、結合重み値出力部４７と、特徴ベクトル出力部４８とからなる。
楽曲データ入力部４１は、ＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体を読み取る機能を有し、ＣＤ、ＤＶＤ等の記憶媒体から楽曲データを入力し、音声出力部４２および特徴データ抽出部４３に出力する。ＣＤ、ＤＶＤ等の記憶媒体以外にインターネット等のネットワークを経由した楽曲データ（配信データ）を入力するように構成しても良い。なお、圧縮された楽曲データが入力される場合には、圧縮された楽曲データを伸長して音声出力部４２および特徴データ抽出部４３に出力する。
音声出力部４２は、楽曲データ入力部４１から入力された楽曲データを伸長して再生するオーディオプレーヤである。
特徴データ抽出部４３は、楽曲データ入力部４１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出し、抽出した特徴データを結合重み値学習部４５に出力する。
印象度データ入力部４４は、音声出力部４２からの音声出力に基づく、評価者による印象度データの入力を受け付け、受け付けた印象度データを、階層型ニューラルネットワークの学習に用いる教師信号として結合重み値学習部４５に出力すると共に自己組織化マップへの入力ベクトルとして楽曲マップ学習部４６に出力する。
結合重み値学習部４５は、特徴データ抽出部４３から入力された特徴データと、印象度データ入力部４４から入力された印象度データとに基づいて階層型ニューラルネットワークに学習を施し、各ニューロンの結合重み値を更新し、結合重み値出力部４７を介して更新した結合重み値を出力する。学習が施された階層型ニューラルネットワーク（更新された結合重み値）は、楽曲検索装置１０の印象度データ変換部１４に移植される。
楽曲マップ学習部４６は、印象度データ入力部４４から入力された印象度データを自己組織化マップへの入力ベクトルとして自己組織化マップに学習を施し、各ニューロンの特徴ベクトルを更新し、特徴ベクトル出力部４８を介して更新した特徴ベクトルを出力する。学習が施された自己組織化マップ（更新された特徴ベクトル）は、楽曲マップとして楽曲検索装置１０の楽曲マップ記憶部１７に記憶される。
次に、本実施の形態の動作について図３乃至図２３を参照して詳細に説明する。
図３は、図１に示す楽曲検索装置における楽曲登録動作を説明するためのフローチャートであり、図４は、図１に示す特徴データ抽出部における特徴データ抽出動作を説明するためのフローチャートであり、図５は、図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習動作を説明するためのフローチャートであり、図６は、図２に示すニューラルネットワーク学習装置における楽曲マップの学習動作を説明するためのフローチャートあり、図７は、図１に示す楽曲検索装置における楽曲検索動作を説明するためのフローチャートであり、図８は、図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習アルゴリズムを説明するための説明図であり、図９は、図２に示すニューラルネットワーク学習装置における楽曲マップの学習アルゴリズムを説明するための説明図であり、図１０は、図２に示すニューラルネットワーク学習装置において学習させる楽曲マップの初期設定値を説明するための説明図であり、図１１は、図１に示すＰＣ表示部の表示画面例を示す図であり、図１２は、図１１に示すマッピング状態表示領域の表示例を示す図であり、図１３は、図１２に示す楽曲マップ表示領域の表示例を示す図であり、図１４は、図１１に示す検索条件入力領域の表示例を示す図であり、図１５および図１６は、図１１に示す検索結果表示領域の表示例を示す図であり、図１７は、図１１に示す表示画面例に表示される全楽曲リスト表示領域例を示す図であり、図１８は、図１１に示す表示画面例に表示されるキーワード検索領域例を示す図であり、図１９は、本発明に係る楽曲検索システムの実施の形態の階層型ニューラルネットワークの再学習動作を説明するためのフローチャートであり、図２０は、図１１に示す表示画面例に表示される修正指示領域の表示例を示す図であり、図２１は、図１に示す印象度データ変換部で用いられる階層型ニューラルネットワークの再学習動作を説明するためのフローチャートであり、図２２は、図１１に示す表示画面例に表示される再学習指示領域の表示例を示す図であり、図２３は、図１に示す楽曲検索装置における楽曲データの再登録動作を説明するためのフローチャートである。
まず、楽曲検索装置１０における楽曲登録動作について図３を参照して詳細に説明する。
楽曲データ入力部１１にＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体をセットし、楽曲データ入力部１１から楽曲データを入力する（ステップＡ１）。
圧縮処理部１２は、楽曲データ入力部１１から入力された楽曲データを圧縮し（ステップＡ２）、圧縮した楽曲データを、アーティスト名、曲名等の書誌データと共に楽曲データベース１５に記憶させる（ステップＡ３）。
特徴データ抽出部１３は、楽曲データ入力部１１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出する（ステップＡ４）。
特徴データ抽出部１３における特徴データの抽出動作は、図４を参照すると、楽曲データの入力を受け付け（ステップＢ１）、楽曲データの予め定められたデータ解析開始点から一定のフレーム長に対しＦＦＴ（高速フーリエ変換）を行い（ステップＢ２）、パワースペクトルを算出する。なお、ステップＢ２の前に高速化を目的としてダウンサンプリングを行うようにしても良い。
次に、特徴データ抽出部１３は、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの周波数帯域を予め設定しておき、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの３帯域のパワースペクトルを積分し、平均パワーを算出すると共に（ステップＢ３）、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの周波数帯域の内、最大のパワーを持つ帯域をＰｉｔｃｈのデータ解析開始点値とし、Ｐｉｔｃｈを測定する（ステップＢ４）。
ステップＢ２〜ステップＢ４の処理動作は、予め定められたフレーム個数分行われ、特徴データ抽出部１３は、ステップＢ２〜ステップＢ４の処理動作を行ったフレーム個数が予め定められた設定値に達したか否かを判断し（ステップＢ５）、ステップＢ２〜ステップＢ４の処理動作を行ったフレーム個数が予め定められた設定値に達していない場合には、データ解析開始点をシフトしながら（ステップＢ６）、ステップＢ２〜ステップＢ４の処理動作を繰り返す。
ステップＢ２〜ステップＢ４の処理動作を行ったフレーム個数が予め定められた設定値に達した場合には、特徴データ抽出部１３は、ステップＢ２〜ステップＢ４の処理動作によって算出したＬｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの平均パワーの時系列データに対しＦＦＴを行うと共に、ステップＢ２〜ステップＢ４の処理動作によって測定したＰｉｔｃｈの時系列データに対しＦＦＴを行う（ステップＢ７）。
次に、特徴データ抽出部１３は、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈ、ＰｉｔｃｈにおけるＦＦＴ分析結果から、横軸を対数周波数、縦軸を対数パワースペクトルとしたグラフにおける回帰直線の傾きと、回帰直線のＹ切片とをゆらぎ情報として算出し（ステップＢ８）、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈ、Ｐｉｔｃｈのそれぞれにおける回帰直線の傾きおよびＹ切片を８項目からなる特徴データとして印象度データ変換部１４に出力する。
印象度データ変換部１４は、図８に示すような入力層（第１層）、中間層（第ｎ層）、出力層（第Ｎ層）からなる階層型ニューラルネットワークを用い、入力層（第１層）に特徴データ抽出部１３で抽出された特徴データを入力することによって、出力層（第Ｎ層）から印象度データを出力、すなわち特徴データを印象度データに変換し（ステップＡ５）、出力層（第Ｎ層）から出力された印象度データを、楽曲マッピング部１６に出力すると共に、特徴データ抽出部１３から入力された特徴データと出力層（第Ｎ層）から出力された印象度データとを楽曲データと共に楽曲データベース１５に記憶させる。なお、中間層（第ｎ層）の各ニューラルの結合重み値ｗは、評価者によって予め学習が施されている。また、本実施の形態の場合には、入力層（第１層）に入力される特徴データ、すなわち特徴データ抽出部１３によって抽出される特徴データの項目は、前述のように８項目であり、印象度データの評価項目としては、人間の感性によって判断される「明るい、暗い」、「重い、軽い」、「かたい、やわらかい」、「安定、不安定」、「澄んだ、にごった」、「滑らか、歯切れの良い」、「激しい、穏やか」、「厚い、薄い」の８項目を設定し、各評価項目を７段階評価で表すように設定した。従って、入力層（第１層）のニューロン数Ｌ１と、出力層（第Ｎ層）のニューロン数ＬＮとは、それぞれ８個となっており、中間層（第ｎ層：ｎ＝２，…，Ｎ−１）のニューロン数Ｌｎは、適宜設定されている。
楽曲マッピング部１６は、楽曲データ入力部１１から入力された楽曲を楽曲マップ記憶部１７に記憶されている楽曲マップの該当箇所にマッピングする。楽曲マッピング部１６におけるマッピング動作に用いられる楽曲マップは、例えばニューロンが２次元に規則的に配置（図９に示す例では、９＊９の正方形）されている自己組織化マップ（ＳＯＭ）であり、教師信号を必要としない学習ニューラルネットワークで、入力パターン群をその類似度に応じて分類する能力を自律的に獲得して行くニューラルネットワークである。なお、本実施の形態では、ニューロンが１００＊１００の正方形に配列された２次元ＳＯＭを使用したが、ニューロンの配列は、正方形であっても、蜂の巣であっても良い。
また、楽曲マッピング部１６におけるマッピング動作に用いられる楽曲マップは、予め学習が施されており、各ニューロンには、予め学習されたｎ次元の特徴ベクトルｍｉ（ｔ）∈Ｒｎが内包されており、楽曲マッピング部１６は、印象度データ変換部１４によって変換された印象度データを入力ベクトルｘｊとし、入力ベクトルｘｊに最も近いニューロン、すなわちユークリッド距離‖ｘｊ−ｍｉ‖を最小にするニューロンに、入力された楽曲をマッピングし（ステップＡ６）、マッピングした楽曲マップを楽曲マップ記憶部１７に記憶させる。
次に、印象度データ変換部１４における変換動作（ステップＡ５）に用いられる階層型ニューラルネットワークの学習動作について図５および図８を参照して詳細に説明する。
評価者による階層型ニューラルネットワーク（結合重み値ｗ）の学習は、例えば、図２に示すニューラルネットワーク学習装置４０を用いて行われ、まず、階層型ニューラルネットワーク（結合重み値ｗ）を事前学習させるための事前学習データ（楽曲データの特徴データ＋印象度データ）の入力が行われる。
楽曲データ入力部４１にＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体をセットし、楽曲データ入力部４１から楽曲データを入力し（ステップＣ１）、特徴データ抽出部４３は、楽曲データ入力部４１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出する（ステップＣ２）。
また、音声出力部４２は、楽曲データ入力部４１から入力された楽曲データを音声出力し（ステップＣ３）、評価者は、音声出力部４２からの音声出力を聞くことによって、楽曲の印象度を感性によって評価し、評価結果を印象度データとして印象度データ入力部４４から入力し（ステップＣ４）、結合重み値学習部４５は、印象度データ入力部４４から入力された印象度データを教師信号として受け付ける。なお、本実施の形態では、印象度の評価項目としては、人間の感性によって判断される「明るい、暗い」、「重い、軽い」、「かたい、やわらかい」、「安定、不安定」、「澄んだ、にごった」、「滑らか、歯切れの良い」、「激しい、穏やか」、「厚い、薄い」の８項目を設定し、各評価項目についての７段階評価を印象度データとして楽曲データ入力部４１で受け付けるように構成した。
次に、特徴データと入力された印象度データとからなる学習データが予め定められたサンプル数Ｔ１に達したか否かを判断し（ステップＣ５）、学習データがサンプル数Ｔ１に達するまでステップＣ１〜Ｃ４の動作が繰り返される。
結合重み値学習部４５における階層型ニューラルネットワークの学習、すなわち各ニューロンの結合重み値ｗの更新は、誤差逆伝播学習法を用いて行う。
まず、初期値として、中間層（第ｎ層）の全てニューロンの結合重み値ｗを乱数によって−０．１〜０．１程度の範囲の小さな値に設定しておき、結合重み値学習部４５は、特徴データ抽出部４３によって抽出された特徴データを入力信号ｘｊ(ｊ＝１，２，…，８) として入力層（第１層）に入力し、入力層（第１層）から出力層（第Ｎ層）に向けて、各ニューロンの出力を計算する。
次に、結合重み値学習部４５は、印象度データ入力部４４から入力された印象度データを教師信号ｙｊ(ｊ＝１，２，…，８) とし、出力層（第Ｎ層）の出力outj Ｎと、教師信号ｙｊとの誤差から、学習則δj Ｎを次式によって計算する。
Figure 2005301921
次に、結合重み値学習部４５は、学習則δj Ｎを使って、中間層（第ｎ層）の誤差信号 δj n を次式によって計算する。
Figure 2005301921
なお、数式２において、ｗは、第 n 層 j 番目と第 n -1 層ｋ番目のニューロンの間の結合重み値を表している。
次に、結合重み値学習部４５は、中間層（第ｎ層）の誤差信号δj n を用いて各ニューロンの結合重み値ｗの変化量Δｗを次式によって計算し、各ニューロンの結合重み値ｗを更新する（ステップＣ６）。なお、次式において、ηは、学習率を表し、評価者による学習では、η１(0＜η１≦1)に設定されている。
Figure 2005301921
ステップＣ６では、サンプル数Ｔ１の事前学習データのそれぞれについて学習が行われ、次に、次式に示す２乗誤差Ｅが予め定められた事前学習用の基準値Ｅ１よりも小さいか否かが判断され（ステップＣ７）、２乗誤差Ｅが基準値Ｅ１よりも小さくなるまでステップＣ６の動作が繰り返される。なお、２乗誤差Ｅが基準値Ｅ１よりも小さくなると想定される学習反復回数Ｓを予め設定しておき、ステップＣ６の動作を学習反復回数Ｓ回繰り返すようにしても良い。
Figure 2005301921
ステップＣ７で２乗誤差Ｅが基準値Ｅ１よりも小さいと判断された場合には、結合重み値学習部４５は、事前学習させた各ニューロンの結合重み値ｗを結合重み値出力部４７によって出力し（ステップＣ８）、結合重み値出力部４７から出力された各ニューロンの結合重み値ｗは、印象度データ変換部１４に記憶される。
次に、楽曲マッピング部１６におけるマッピング動作（ステップＡ６）に用いられる楽曲マップの学習動作について図６、図９および図１０を参照して詳細に説明する。
楽曲データ入力部４１にＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体をセットし、楽曲データ入力部４１から楽曲データを入力し（ステップＤ１）、音声出力部４２は、楽曲データ入力部４１から入力された楽曲データを音声出力し（ステップＤ２）、評価者は、音声出力部４２からの音声出力を聞くことによって、楽曲の印象度を感性によって評価し、評価結果を印象度データとして印象度データ入力部４４から入力し（ステップＤ３）、楽曲マップ学習部４６は、印象度データ入力部４４から入力された印象度データを自己組織化マップへの入力ベクトルとして受け付ける。なお、本実施の形態では、印象度の評価項目としては、人間の感性によって判断される「明るい、暗い」、「重い、軽い」、「かたい、やわらかい」、「安定、不安定」、「澄んだ、にごった」、「滑らか、歯切れの良い」、「激しい、穏やか」、「厚い、薄い」の８項目を設定し、各評価項目についての７段階評価を印象度データとして楽曲データ入力部４１で受け付けるように構成した。
楽曲マップ学習部４６は、は、印象度データ入力部４４から入力された印象度データを入力ベクトルｘｊ（ｔ）∈Ｒｎとし、各ニューロンの特徴ベクトルｍｉ（ｔ）∈Ｒｎを学習させる。なお、ｔは、学習回数を表し、学習回数を定める設定値Ｔを予め設定しておき、学習回数ｔ＝０，１，…，Ｔについて学習を行わせる。なお、Ｒは、各評価項目の評価段階を示し、ｎは、印象度データの項目数を示す。
まず、各ニューロンの特徴ベクトルｍｃ（０）の初期値を設定する。印象度データの評価項目の内、楽曲マップを表示した際の指標となる指標評価項目を予め設定しておき、各ニューロンの特徴ベクトルｍｃ（０）の指標評価項目に対応するデータについては、楽曲マップの一端部から他端部に向けて１から０に向けて漸減する値に初期値として設定すると共に、指標評価項目以外の評価項目に対応するデータについては、０〜１の範囲でランダムに初期値を設定する。指標評価項目は、楽曲マップの次元数と同数まで設定可能であり、例えば、楽曲マップが２次元である場合には、指標評価項目を２個まで設定することができる。図１０には、「明るい、暗い」の段階を示す評価項目と「重い、軽い」の段階を示す評価項目とが指標評価項目を予め設定されており、楽曲マップとしてニューロンが１００＊１００の正方形に配列された２次元ＳＯＭを使用した場合の初期値が示されており、「明るい、暗い」の段階を示す評価項目に対応する特徴ベクトルｍｃ（０）の１番目のデータが左端部から右端部に向けて１から０に向けて漸減する値に初期値が設定され、「重い、軽い」の段階を示す評価項目に対応する特徴ベクトルｍｃ（０）の２番目のデータが上端部から下端部に向けて１から０に向けて漸減する値に初期値が設定され、指標評価項目以外の評価項目に対応するデータについては、０〜１の範囲のランダム値ｒに初期値が設定されている状態が示されている。
次に、楽曲マップ学習部４６は、ｘｊ（ｔ）に最も近いニューロンｃ、すなわち‖ｘｊ（ｔ）−ｍｃ（ｔ）‖を最小にする勝者ニューロンｃを求め、勝者ニューロンｃの特徴ベクトルｍｃ（ｔ）と、勝者ニューロンｃの近傍にある近傍ニューロンｉの集合Ｎｃのそれぞれの特徴ベクトルｍｉ（ｔ）（ｉ∈Ｎｃ）とを、次式に従ってそれぞれ更新する（ステップＤ４）。なお、近傍ニューロンｉを決定するための近傍半径は、予め設定されているものとする。
Figure 2005301921
なお、数式５において、ｈｃｉ（ｔ）は、学習率を表し、次式によって求められる。
Figure 2005301921
なお、αinitは学習率の初期値であり、Ｒ２（ｔ）は、単調減少する一次関数もしくは指数関数が用いられる。
次に、楽曲マップ学習部４６は、学習回数ｔが設定値Ｔに達したか否かを判断し（ステップＤ５）、学習回数ｔが設定値Ｔに達するまでステップＤ１〜ステップＤ４の処理動作を繰り返し、学習回数ｔが設定値Ｔに達すると、再び最初のサンプルから同じ処理動作を行う。この反復回数が予め定められたＳ回になった時点で、特徴ベクトル出力部４８を介して学習させた特徴ベクトルｍｉ（Ｔ）∈Ｒｎを出力する（ステップＤ６）。出力された各ニューロンｉの特徴ベクトルｍｉ（Ｔ）は、楽曲検索装置１０の楽曲マップ記憶部１７に楽曲マップとして記憶される。
このようにして学習させた学習マップは、指標評価項目について、楽曲マップのニューロンは、一端部から他端部に向けて所定の傾向を持つようになる。すなわち、「明るい、暗い」の段階を示す評価項目と「重い、軽い」の段階を示す評価項目とを指標評価項目して設定し、図１０に示すような初期値のニューロンに基づいて学習させた場合には、左側にあるニューロンほど「明るい」評価段階に近く、右側にあるニューロンほど「暗い」評価段階に近く、上側にあるニューロンほど「重い」評価段階に近く、下側にあるニューロンほど「軽い」評価段階に近くなる。
次に、楽曲検索装置１０における楽曲マップのマッピング状態の表示方法について詳細に説明する。
楽曲検索部１８は、図１１に示すような検索画面５０をＰＣ表示部２０に表示し、検索画面５０は、楽曲マップ記憶部１７に記憶されている楽曲データのマッピング状況が表示されるマッピング状態表示領域５１と、検索条件を入力する検索条件入力領域５２と、検索結果が表示される検索結果表示領域５３と、階層型ニューラルネットワークの再学習を指示する再学習指示領域７０とからなる。
マッピング状態表示領域５１は、楽曲マップ記憶部１７に記憶されている楽曲マップのマッピング状態を表示する領域であり、楽曲マップ表示領域５１１と、表示内容指示ボタン５１２と、表示内容指示ボタン５１３とからなる。
楽曲マップ表示領域５１１には、楽曲マップの全ニューロン数と同数のポイントが、各ニューロンに対応して割り付けられており、ポイントによって楽曲マップの各ニューロンの状態が表示される。本実施の形態の場合には、ニューロンが１００＊１００の正方形に配列された２次元ＳＯＭを使用しているため、１００＊１００のポイントで各ニューロンの状態を表示する。また、本実施の形態の場合には、指標評価項目について楽曲マップのニューロンは、一端部から他端部に向けて所定の傾向、すなわち左右方向が「明るい、暗い」の、上下方向が「重い、軽い」の傾向を有しているため、楽曲マップ表示領域５１１に表示されたポイントを参照することで、図１２に示すように、左側にあるニューロンにマッピングされた楽曲データほど「明るい」評価段階に近く、右側にあるニューロンにマッピングされた楽曲データほど「暗い」評価段階に近く、上側にあるニューロンにマッピングされた楽曲データほど「重い」評価段階に近く、下側にあるニューロンにマッピングされた楽曲データほど「軽い」評価段階に近いことを把握することができる。
表示内容指示ボタン５１２は、楽曲マップ表示領域５１１に表示するニューロンを指示するボタンであり、マップ表示ボタン５１２ａと、全楽曲表示ボタン５１２ｂと、検索楽曲表示ボタン５１２ｃとからなる。
マップ表示ボタン５１２ａは、楽曲マップの全ニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎを確認するために、楽曲マップの全ニューロンの表示を指示するボタンであり、マップ表示ボタン５１２ａがＰＣ操作部１９によってクリックされると、楽曲検索部１８は、楽曲マップ記憶部１７に記憶されている楽曲マップにおける全ニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎを読み出し、表示内容指示ボタン５１３で指示された表示内容に応じて全ニューロンを楽曲マップ表示領域５１１に表示する。
全楽曲表示ボタン５１２ｂは、楽曲データがマッピングされているニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎを確認するために、楽曲データがマッピングされているニューロンの表示を指示するボタンであり、全楽曲表示ボタン５１２ｂがＰＣ操作部１９によってクリックされると、楽曲検索部１８は、楽曲マップ記憶部１７に記憶されている楽曲マップにおける楽曲データがマッピングされているニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎを読み出し、表示内容指示ボタン５１３で指示された表示内容に応じて楽曲データがマッピングされているニューロンを楽曲マップ表示領域５１１に表示する。なお、楽曲データがマッピングされているニューロンのみを表示するのではなく、全ニューロンを楽曲マップ表示領域５１１に表示し、楽曲データがマッピングされているニューロンと他のニューロンとの表示形態（非点滅表示と点滅表示、白丸と黒丸等）を変えて、楽曲データがマッピングされているニューロンと他のニューロンとが区別できるようにしても良い。
検索楽曲表示ボタン５１２ｃは、後述する検索によって検索された楽曲データがマッピングされているニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎを確認するために、検索された楽曲データがマッピングされているニューロンの表示を指示するボタンであり、検索楽曲表示ボタン５１２ｃがＰＣ操作部１９によってクリックされると、楽曲検索部１８は、楽曲マップ記憶部１７に記憶されている楽曲マップにおける検索された楽曲データがマッピングされているニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎを読み出し、表示内容指示ボタン５１３で指示された表示内容に応じて検索された楽曲データがマッピングされているニューロンを楽曲マップ表示領域５１１に表示する。なお、検索された楽曲データがマッピングされているニューロンのみを表示するのではなく、全ニューロンを楽曲マップ表示領域５１１に表示し、検索された楽曲データがマッピングされているニューロンと他のニューロンとの表示形態（非点滅表示と点滅表示、白丸と黒丸等）を変えて、検索された楽曲データがマッピングされているニューロンと他のニューロンとが区別できるようにしても良い。
表示内容指示ボタン５１３は、印象度データの各評価項目に対応したボタンが設けられており、楽曲検索部１８は、ＰＣ操作部１９によってクリックされた表示内容指示ボタン５１３に対応する印象度データの評価項目に該当する各ニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎの値に応じて、楽曲マップ表示領域５１１に表示する各ニューロンを濃淡で表現する。例えば、「かたい、やわらかい」の段階を示す評価項目の表示内容指示ボタン５１３がクリックされた場合には、楽曲検索部１８は、「かたい、やわらかい」の段階を示す評価項目に該当する各ニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎの値に応じて、図１３に示すよう、楽曲マップ表示領域５１１に表示する各ニューロンを「かたい」に近いほど濃く、「やわらかい」に近いほど薄く表示する。
また、印象度データの各評価項目には、それぞれ異なる色が割り当てられており、楽曲検索部１８は、ＰＣ操作部１９によってクリックされた表示内容指示ボタン５１３に対応する評価項目に割り当てられている色で楽曲マップ表示領域５１１に各ニューロンを表示する。例えば、「明るい、暗い」の段階を示す評価項目に「赤色」が割り当てられており、「明るい、暗い」の段階を示す評価項目の表示内容指示ボタン５１３がクリックされた場合には、楽曲検索部１８は、「赤色」で楽曲マップ表示領域５１１に各ニューロンを表示すると共に、「明るい、暗い」の段階を示す評価項目に該当する各ニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎの値に応じて、楽曲マップ表示領域５１１に表示する各ニューロンを「明るい」に近いほど濃く、「暗い」に近いほど薄く表示する。これにより、ユーザが各ニューロンの状態、すなわち特徴ベクトルｍｉ（Ｔ）∈Ｒｎの評価項目毎の状態を簡単に認識することができる。
表示内容指示ボタン５１３において、複数のボタンがクリックされた場合には、ＰＣ操作部１９によってクリックされた複数の表示内容指示ボタン５１３にそれぞれ対応する評価項目に割り当てられているそれぞれの色を混色して楽曲マップ表示領域５１１に各ニューロンを表示する。例えば、「明るい、暗い」の段階を示す評価項目に「赤色」が、「重い、軽い」の段階を示す評価項目に「青色」がそれぞれ割り当てられており、「明るい、暗い」の段階を示す評価項目と「重い、軽い」の段階を示す評価項目との表示内容指示ボタン５１３がクリックされた場合には、楽曲検索部１８は、「赤色」と「青色」とを混色して楽曲マップ表示領域５１１に各ニューロンを表示すると共に、「明るい、暗い」の段階を示す評価項目に該当する各ニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎの値に応じて、楽曲マップ表示領域５１１に表示する各ニューロンを「明るい」に近いほど「赤色」を濃く、「暗い」に近いほど「赤色」を薄く表示し、「重い、軽い」の段階を示す評価項目に該当する各ニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎの値に応じて、楽曲マップ表示領域５１１に表示する各ニューロンを「重い」に近いほど「青色」を濃く、「軽い」に近いほど「青色」を薄く表示する。この場合には、「明るい」に近く、且つ「重い」に近いニューロンは、濃い「紫色」に近い色で表示され、「明るい」に近く、且つ「軽い」に近いニューロンは、濃い「赤色」に近い色で表示され、「暗い」に近く、且つ「重い」に近いニューロンは、濃い「青色」に近い色で表示され、「暗い」に近く、且つ「軽い」に近いニューロンは、薄い「紫色」に近い色で表示されることになり、ユーザが各ニューロンの状態、すなわち特徴ベクトルｍｉ（Ｔ）∈Ｒｎの評価項目毎の状態を簡単に認識することができる。なお、表示内容指示ボタン５１３において、いずれのボタンもクリックされていない場合には、同一濃度で各ニューロンを表示する。
また、本実施の形態では、各ニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎの値に応じて、楽曲マップ表示領域５１１に表示する各ニューロンを濃淡で表現するように構成したが、各ニューロンにマッピングされている楽曲データの印象度データに値に応じて、楽曲マップ表示領域５１１に表示する各ニューロンを濃淡で表現するように構成しても良い。なお、同一のニューロンに複数の楽曲データがマッピングされている場合には、いずれかの印象度データもしくは印象度データの平均値に応じて、楽曲マップ表示領域５１１に表示する各ニューロンを濃淡で表現するようにすると良い。
次に、楽曲検索装置１０における楽曲検索動作について図７を参照して詳細に説明する。
楽曲検索部１８は、ＰＣ表示部２０に、検索条件を入力する検索条件入力領域５２を表示し、ＰＣ操作部１９からのユーザ入力を受け付ける。
検索条件入力領域５２は、図１４に示すように、検索条件として印象度データを入力する印象度データ入力領域５２１と、検索条件として書誌データを入力する書誌データ入力領域５２２と、検索の実行を指示する検索実行ボタン５２３とからなり、ユーザは、検索条件として印象度データや書誌データをＰＣ操作部１９から入力し（ステップＥ１）、検索実行ボタン５２３をクリックすることで、印象度データや書誌データに基づく検索を楽曲検索部１８に指示する。なお、ＰＣ操作部１９からの印象度データの入力は、図１４に示すように、印象度データの各評価項目を７段階評価で入力することによって行われる。
楽曲検索部１８は、ＰＣ操作部１９から入力された印象度データおよび書誌データに基づいて楽曲データベース１５を検索し（ステップＥ２）、図１５に示すような検索結果を検索結果表示領域５３に表示する。
ＰＣ操作部１９から入力された印象度データに基づく検索は、ＰＣ操作部１９から入力された印象度データを入力ベクトルｘｊとし、楽曲データベース１５に楽曲データと共に記憶されている印象度データを検索対象ベクトルＸｊとすると、入力ベクトルｘｊに近い検索対象ベクトルＸｊ、すなわちユークリッド距離‖Ｘｊ−ｘｊ‖が小さい順に検索して行く。検索する件数は、予め定めておいても、ユーザによって任意に設定するようにしても良い。また、印象度データと書誌データとが共に検索条件とされている場合には、書誌データに基づく検索を行った後、印象度データに基づく検索が行われる。
また、検索条件入力領域５２を用いた検索以外に、マッピング状態表示領域５１の楽曲マップ表示領域５１１を用いた検索を行える。表示内容指示ボタン５１３によって印象度データの評価項目を指定することで、指定された評価項目についてのニューロンの状態を色および濃淡で把握することができ、ＰＣ操作部１９によって楽曲マップ表示領域５１１上で楽曲選択領域５１４を指定することで、楽曲検索部１８は、楽曲選択領域５１４内にマッピングされている楽曲データを検索し、検索結果として検索結果表示領域５３に表示する。
次に、ユーザは、検索結果表示領域５３に表示されている検索結果の中から代表曲を選択し（ステップＥ３）、代表曲検索実行ボタン５３１をクリックすることで、代表曲に基づく検索を楽曲検索部１８に指示する。なお、この時点で出力ボタン５３２がクリックされた場合には、楽曲検索部１８は、送受信部２１を介して検索結果表示領域５３に表示されている検索結果の楽曲データを端末装置３０に出力する。
楽曲検索部１８は、選択された代表曲に基づいて楽曲マップ記憶部１７に記憶されている楽曲マップを検索し（ステップＥ４）、代表曲がマッピングされているニューロンと、その近傍ニューロンとにマッピングされている楽曲データを代表曲検索結果として検索結果表示領域５３に表示する。近傍ニューロンを決定するための近傍半径は、予め定めておいても、ユーザによって任意に設定するようにしても良い。
次に、ユーザは、検索結果表示領域５３に表示されている代表曲検索結果の中から端末装置３０に出力する楽曲データを、図１６に示すように選択し（ステップＥ５）、出力ボタン５３２をクリックすることで、選択した楽曲データの出力を楽曲検索部１８に指示し、楽曲検索部１８は、送受信部２１を介してユーザによって選択された楽曲データを端末装置３０に出力する（ステップＥ６）。
なお、検索条件入力領域５２、マッピング状態表示領域５１を用いた代表曲の検索以外に、図１７に示すような、記憶されている全楽曲のリストが表示される全楽曲リスト表示領域５４を検索画面５０に表示させ、全楽曲リストから代表曲を直接選択して、代表曲選択実行ボタン５４１をクリックすることで、選択された代表曲に基づく検索を楽曲検索部１８に指示するように構成しても良い。
さらに、上述した検索以外に、「明るい曲」、「楽しい曲」、「癒される曲」というように言葉で表現されるキーワードに対応するニューロン（あるいは楽曲）を設定しておき、キーワードを選択することによって楽曲の検索を行えるように構成しても良い。すなわち、図１８（ａ）に示すような、キーワード検索領域５５を検索画面５０に表示させ、キーワード選択領域５５１に表示されたキーワードのリストからいずれかを選択し、おまかせ検索ボタン５５３をクリックすることで、選択されたキーワードに対応するニューロンに基づく検索を楽曲検索部１８に指示するように構成する。図１８（ａ）に示す設定楽曲表示領域５５２には、選択されたキーワードに対応する楽曲が設定されている場合に、当該楽曲が設定楽曲として表示され、この場合には、おまかせ検索ボタン５５３をクリックすることで、選択されたキーワードに対応する設定楽曲を代表曲とする検索を楽曲検索部１８に指示する。また、図１８（ａ）に示す設定楽曲変更ボタン５５４は、キーワードに対応する楽曲を変更する際に使用されるもので、設定楽曲変更ボタン５５４をクリックすることで、全楽曲リストが表示されて、全楽曲リストの中から楽曲を選択することで、キーワードに対応する楽曲を変更できるように構成する。なお、キーワードに対応するニューロン（あるいは楽曲）の設定は、キーワードに印象度データを割り付けておき、当該印象度データを入力ベクトルｘｊとし、入力ベクトルｘｊに最も近いニューロン（あるいは楽曲）とを対応づけるようにしても良く、ユーザによって任意に設定できるように構成しても良い。
このように、キーワードに対応するニューロンが設定されている場合には、図１８（ｂ）に示すように、楽曲マップ表示領域５１１において楽曲がマッピンクされているニューロンをクリックすると、クリックされたニューロンに対応するキーワードがキーワード表示５１５としてポップアップ表示されるように構成すると、楽曲マップ表示領域５１１を利用した楽曲の検索を容易に行うことができる。
次に、楽曲検索装置における印象度データの修正動作について図１９および図２０を参照して詳細に説明する。
検索結果表示領域５３には、図１５および図１６に示すように、検索された楽曲毎に試聴ボタン５３３が設けられており、ＰＣ操作部１９によって試聴ボタン５３３をクリックすると（ステップＦ１）、楽曲検索部１８は、対応する楽曲の楽曲データおよび印象度データを楽曲データベース１５から読み出し、読み出した楽曲データを音声出力部２２に出力すると共に、図２０に示す修正指示領域６０をＰＣ表示部２０に表示し、修正データ入力領域６１に読み出した印象度データを表示する（ステップＦ２）。修正データ入力領域６１に表示される印象度データは、図２０に示すように、評価項目毎の段階がポイントの位置で表現される。
音声出力部２２は、楽曲検索部１８から入力された楽曲データを音声出力し（ステップＦ３）、ユーザは、印象度データや書誌データに基づいて検索された楽曲を試聴して代表曲を選択することができ、また、代表曲に基づいて検索された楽曲を試聴して端末装置３０に出力する楽曲を確認することができる。また、試聴中にＰＣ操作部１９によって修正指示領域６０の音声出力停止ボタン６４をクリックすると、楽曲検索部１８は、音声出力部２２への楽曲データの出力を停止し、音声出力を停止させると共に、修正指示領域６０の表示を消す。
ユーザが音声出力部２２からの音声出力に違和感をおぼえた場合、すなわち修正データ入力領域６１に表示されている印象度データが異なると感じた場合や、検索結果として不適であると感じた場合には、以下に示す２つの方法のいずれかによって印象度データを修正することができる。
印象度データを修正する第１の方法は、ＰＣ操作部１９によって修正データ入力領域６１に表示されている印象度データの修正入力、すなわち評価項目毎にポイントの位置の移動を行った後（ステップＦ４）、修正実行ボタン６２をクリックする（ステップＦ５）。
修正実行ボタン６２のクリックによって、修正された印象度データ（以下、修正された印象度データを修正データと称す）が楽曲検索部１８に入力され、楽曲検索部１８は、楽曲データベース１５に記憶されている印象度データを入力された修正データに更新すると共に、楽曲データベース１５から特徴データを読み出して、修正データと特徴データとを再学習データとして修正データ記憶部２３に記憶させる（ステップＦ６）。
印象度データを修正する第２の方法は、ＰＣ操作部１９によって自動修正ボタン６３をクリックする。自動修正ボタン６３がクリックされると（ステップＦ７）、修正指示が楽曲検索部１８に入力され、楽曲検索部１８は、修正が指示された楽曲の印象度データを検索条件から遠ざかる方向に自動修正し（ステップＦ８）、楽曲データベース１５に記憶されている印象度データを自動修正した修正データに更新すると共に、楽曲データベース１５から特徴データを読み出して、修正データと特徴データとを再学習データとして修正データ記憶部２３に記憶させる（ステップＦ６）。
楽曲検索部１８による自動修正は、検索が印象度データ入力領域５２１に入力された印象度データや代表曲の印象度データに基づいて行われた場合に実行され、検索条件である印象度データの内の最も特徴的な評価項目を特定し、当該評価項目の段階を所定数遠ざかる方向に移動させる。例えば、検索条件である印象度データが図１４の印象度データ入力領域５２１に示すものである場合には、「明るい、暗い」の段階を示す評価項目で最も明るい評価となっているため、「明るい、暗い」の段階を示す評価項目が最も特徴的な評価項目として特定され、「明るい、暗い」の段階を暗い方向に移動させる。なお、検索が書誌データに基づくものである場合には、第２の方法を選択することができず、この場合には、自動修正ボタン６３をクリックできないように制御するか、修正指示領域６０から自動修正ボタン６３を消去するようにすると良い。
楽曲マッピング部１６は、楽曲マップ記憶部１７に新たな修正データが記憶されると、修正データで楽曲を再マッピングし（ステップＦ９）、修正データに基づいて再マッピングした楽曲マップを楽曲マップ記憶部１７に記憶させる。
また、上述の第１および第２の方法以外に、マッピング状態表示領域５１の楽曲マップ表示領域５１１上のポイントを指定することで、当該ポイントに対応するニューロンにマッピングされている楽曲データを指定できるように構成し、指定した楽曲データを楽曲マップ表示領域５１１上で移動することで、楽曲データの印象度データを修正できるようにしても良い。この場合には、表示内容指示ボタン５１３によって印象度データの評価項目を指定することで、指定された評価項目についてのニューロンの状態を色および濃淡で把握し、印象度データを修正したい楽曲データをドラックして所望のポイントに移動させ、移動させたポイントに対応するニューロンの特徴ベクトルｍｉ（Ｔ）∈Ｒｎを修正データとする。
次に、端末装置３０における印象度データの修正動作について詳細に説明する。
ユーザが端末装置３０で楽曲を聴取中に違和感をおぼえた場合、すなわち検索結果として不適であると感じた場合には、再生中の楽曲に対応する印象度データの修正を指示する修正指示入力を端末操作部３３によって行う。修正指示入力は、例えば、端末操作部３３に修正指示入力を行う専用のボタンを設け、当該ボタンを楽曲の再生中に押下することによって行われる。専用のボタンの代わりに、楽曲の再生中において、いずれかのボタンに修正指示入力の機能を割り当てるようにしても良い。
端末操作部３３によって入力された修正指示は、検索結果記憶部３２に記憶され、端末装置３０が楽曲検索装置１０に接続されると、送受信部３１によって楽曲検索装置１０に送信される。端末操作部３３からの修正指示は、楽曲検索装置１０の送受信部２１によって受信され、受信された修正指示は、楽曲検索部１８に出力される。
修正指示が入力された楽曲検索部１８は、修正が指示された楽曲の印象度データを検索条件から遠ざかる方向に自動修正し、楽曲データベース１５に記憶されている印象度データを自動修正した修正データに更新すると共に、楽曲データベース１５から特徴データを読み出して、修正データと特徴データとを再学習データとして修正データ記憶部２３に記憶させる。
次に、印象度データ変換部１４で用いられる階層型ニューラルネットワークの再学習動作について図２１を参照して詳細に説明する。
ニューラルネットワーク学習部２４は、修正データ記憶部２３に新たに記憶された再学習データの数をカウントしており（ステップＧ１）、修正データ記憶部２３に新たに記憶された再学習データの数が所定数に到達したか否かを判断し（ステップＧ２）、修正データ記憶部２３に新たに記憶された再学習データの数が所定数に到達すると、印象度データ変換部１４から各ニューロンの結合重み値ｗを読み出し（ステップＧ３）、読み出した各ニューロンの結合重み値ｗを初期値とし、修正データ記憶部２３に記憶されている再学習データによって階層型ニューラルネットワークの再学習、すなわち各ニューロンの結合重み値ｗを再学習させる（ステップＧ４）。なお、階層型ニューラルネットワークの再学習を開始する再学習データの数、すなわち所定数は、予め定めておいても良く、ユーザによって設定できるようにしても良い。また、前回階層型ニューラルネットワークの再学習を行った時からの経過時間を計測し、当該経過時間が所定時間に到達した時に階層型ニューラルネットワークの再学習を開始するようにしても良く、階層型ニューラルネットワークの再学習を開始する経過時間、すなわち所定時間は、予め定めておいても良く、ユーザによって設定できるようにしても良い。
ニューラルネットワーク学習部２４における階層型ニューラルネットワークの再学習は、ニューラルネットワーク学習装置４０で行われる学習方法と同様の方法で行われ、ニューラルネットワーク学習部２４は、印象度データ変換部１４の各ニューロンの結合重み値ｗを再学習させた各ニューロンの結合重み値ｗに更新する（ステップＧ５）。なお、再学習に使用した再学習データは、修正データ記憶部２３から消去するようにしても良いが、修正データ記憶部２３に記憶させておき、次回の再学習時に使用するようにすると、階層型ニューラルネットワークの再学習時に使用する再学習データの数が増えるため、再学習の精度が良くなる。但し、再学習に使用した再学習データを修正データ記憶部２３に記憶させておく場合には、同一の楽曲に対する新たな修正データが記憶された際に、以前の修正データを消去して同一の楽曲に対して２つの修正データが存在しないようにする必要がある。
ニューラルネットワーク学習部２４による階層型ニューラルネットワークの再学習動作は、楽曲登録動作や楽曲検索動作等の他の処理を妨げないように、時分割して行うことができる。すなわち、ニューラルネットワーク学習部２４による階層型ニューラルネットワークの再学習中に他の処理が開始されると、再学習動作を中断し、他の処理が終了後に再学習動作を再開するように構成されている。また、ニューラルネットワーク学習部２４による階層型ニューラルネットワークの再学習動作を楽曲検索装置１０の立ち上げ時のアイドリング中や切断時に終了処理中に分割して行うようにしても良い。
なお、階層型ニューラルネットワークの再学習は、ユーザの指示によって行うことができる。検索画面５０の再学習指示領域７０は、図２２に示すように、修正情報表示領域７１と、再学習実行ボタン７２と、再登録実行ボタン７３とからなり、修正情報表示領域７１には、修正データ記憶部２３に記憶されている修正データの数と、前回階層型ニューラルネットワークの再学習を行った時からの経過時間と、前回楽曲データの再登録を行った時からの経過時間とが表示される。なお、修正情報表示領域７１に表示されている修正データの数は、新たに記憶された修正データ（再学習に用いられていない修正データ）の数と、再学習に用いられたことがある修正データの数とが表示され、再学習に用いられたことがある修正データの数が括弧内に表示される。
ユーザは、修正情報表示領域７１に表示されている情報を確認し、階層型ニューラルネットワークの再学習を行う必要があると判断した場合には、ＰＣ操作部１９によって再学習実行ボタン７２をクリックする。再学習実行ボタン７２がクリックされると、ニューラルネットワーク学習部２４に再学習指示が出力され、ニューラルネットワーク学習部２４は、印象度データ変換部１４から各ニューロンの結合重み値ｗを読み出し、読み出した各ニューロンの結合重み値ｗを初期値とし、修正データ記憶部２３に記憶されている再学習データによって階層型ニューラルネットワークの再学習、すなわち各ニューロンの結合重み値ｗを再学習させ、印象度データ変換部１４の各ニューロンの結合重み値ｗを再学習させた各ニューロンの結合重み値ｗに更新する。
次に、楽曲検索装置１０における楽曲データの再登録動作について図２３を参照して詳細に説明する。
修正情報表示領域７１において、ＰＣ操作部１９によって再登録実行ボタン７３をクリックすることによって、楽曲データベース１５に記憶されている全ての楽曲データの再登録動作が開始される。
ＰＣ操作部１９によって再登録実行ボタン７３をクリックされると（ステップＨ１）、ニューラルネットワーク学習部２４に再登録指示が出力され、ニューラルネットワーク学習部２４は、印象度データ変換部１４から各ニューロンの結合重み値ｗを読み出し（ステップＨ２）、読み出した各ニューロンの結合重み値ｗを初期値とし、修正データ記憶部２３に記憶されている再学習データによって階層型ニューラルネットワークの再学習、すなわち各ニューロンの結合重み値ｗを再学習させ（ステップＨ３）、印象度データ変換部１４の各ニューロンの結合重み値ｗを再学習させた各ニューロンの結合重み値ｗに更新する（ステップＨ４）。
次に、ニューラルネットワーク学習部２４は、楽曲マッピング部１６に対して楽曲マップにマッピングされている全ての楽曲の消去を指示し、楽曲マッピング部１６は、楽曲マップ記憶部１７に記憶されている楽曲マップにマッピングされている全ての楽曲を消去する（ステップＨ５）。
次に、ニューラルネットワーク学習部２４は、印象度データ変換部１４に対して楽曲データベース１５に記憶されている印象度データの更新を指示し、印象度データ変換部１４は、楽曲データベース１５に記憶されている楽曲データの特徴データを読み出し（ステップＨ６）、読み出した特徴データを再学習された階層型ニューラルネットワークを用いて印象度データに変換し（ステップＨ７）、楽曲データベース１５に記憶されている楽曲データの印象度データを更新すると共に（ステップＨ８）、変換した印象度データを楽曲マッピング部１６に出力する。楽曲マッピング部１６は、印象度データ変換部１４から入力される更新された印象度データに基づいて楽曲を再マッピングする（ステップＨ９）。
ニューラルネットワーク学習部２４は、印象度データが更新されていない楽曲データが存在するか否かを判断し（ステップＨ１０）、印象度データが更新されていない楽曲データが存在する場合には、ステップＨ６〜ステップＨ９の処理を繰り返し、印象度データが更新されていない楽曲データが存在しない場合、すなわち楽曲データベース１５に記憶されている全ての楽曲データの印象度データを更新した場合には、楽曲データの再登録動作を終了する。
以上説明したように、本実施の形態によれば、楽曲データの特徴データにそれぞれ対応するデータからなる特徴ベクトルを内包した複数のニューロンで構成される自己組織化マップであると共に、予め定められた指標評価項目について一端部から他端部に向けて傾向を有している楽曲マップに楽曲データをマッピングし、各ニューロンにそれぞれ対応するポイントによって楽曲マップの状態を表示するように構成することにより、楽曲データがマッピングされた楽曲マップの表示を参照するだけで、楽曲データベース１５に記憶されている楽曲データの傾向を簡単に把握することができる。
なお、本発明が上記各実施の形態に限定されず、本発明の技術思想の範囲内において、各実施の形態は適宜変更され得ることは明らかである。また、上記構成部材の数、位置、形状等は上記実施の形態に限定されず、本発明を実施する上で好適な数、位置、形状等にすることができる。なお、各図において、同一構成要素には同一符号を付している。
本発明に係る楽曲検索システムの実施の形態の構成を示すブロック図である。 図１に示す楽曲検索装置に用いられるニューラルネットワークを事前に学習させるニューラルネットワーク学習装置の構成を示すブロック図である。 図１に示す楽曲検索装置における楽曲登録動作を説明するためのフローチャートである。 図１に示す特徴データ抽出部における特徴データ抽出動作を説明するためのフローチャートである。 図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習動作を説明するためのフローチャートである。 図２に示すニューラルネットワーク学習装置における楽曲マップの学習動作を説明するためのフローチャートである。 図１に示す楽曲検索装置における楽曲検索動作を説明するためのフローチャートである。 図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習アルゴリズムを説明するための説明図である。 図２に示すニューラルネットワーク学習装置における楽曲マップの学習アルゴリズムを説明するための説明図である。 図２に示すニューラルネットワーク学習装置において学習させる楽曲マップの初期設定値を説明するための説明図である。 図１に示すＰＣ表示部の表示画面例を示す図である。 図１１に示すマッピング状態表示領域の表示例を示す図である。 図１２に示す楽曲マップ表示領域の表示例を示す図である。 図１１に示す検索条件入力領域の表示例を示す図である。 図１１に示す検索結果表示領域の表示例を示す図である。 図１１に示す検索結果表示領域の表示例を示す図である。 図１１に示す表示画面例に表示される全楽曲リスト表示領域例を示す図である。 図１１に示す表示画面例に表示されるキーワード検索領域例を示す図である。 本発明に係る楽曲検索システムの実施の形態の階層型ニューラルネットワークの再学習動作を説明するためのフローチャートである。 図１１に示す表示画面例に表示される修正指示領域の表示例を示す図である。 図１に示す印象度データ変換部で用いられる階層型ニューラルネットワークの再学習動作を説明するためのフローチャートである。 図１１に示す表示画面例に表示される再学習指示領域の表示例を示す図である。 図１に示す楽曲検索装置における楽曲データの再登録動作を説明するためのフローチャートである。
符号の説明
１０ 楽曲検索装置
１１ 楽曲データ入力部
１２ 圧縮処理部
１３ 特徴データ抽出部
１４ 印象度データ変換部
１５ 楽曲データベース
１６ 楽曲マッピング部
１７ 楽曲マップ記憶部
１８ 楽曲検索部
１９ ＰＣ操作部
２０ ＰＣ表示部
２１ 送受信部
２２ 音声出力部
２３ 修正データ記憶部
２４ ニューラルネットワーク学習部
３０ 端末装置
３１ 送受信部
３２ 検索結果記憶部
３３ 端末操作部
３４ 端末表示部
３５ 音声出力部
４０ ニューラルネットワーク学習装置
４１ 楽曲データ入力部
４２ 音声出力部
４３ 特徴データ抽出部
４４ 印象度データ入力部
４５ 結合重み値学習部
４６ 楽曲マップ学習部
４７ 結合重み値出力部
４８ 特徴ベクトル出力部
５０ 検索画面
５１ マッピング状態表示領域
５２ 検索条件入力領域
５３ 検索結果表示領域
５４ 全楽曲リスト表示領域
５５ キーワード検索領域
６０ 修正指示領域
６１ 修正データ入力領域
６２ 修正実行ボタン
６３ 自動修正ボタン
６４ 音声出力停止ボタン
７０ 再学習指示領域
７１ 修正情報表示領域
７２ 再学習実行ボタン
７３ 再登録実行ボタン
５１１ 楽曲マップ表示領域
５１２ 表示内容指示ボタン
５１２ａ マップ表示ボタン
５１２ｂ 全楽曲表示ボタン
５１２ｃ 検索楽曲表示ボタン
５１３ 表示内容指示ボタン
５１４ 楽曲選択領域
５１５ キーワード表示
５２１ 印象度データ入力領域
５２２ 書誌データ入力領域
５２３ 検索実行ボタン
５３１ 代表曲検索実行ボタン
５３２ 出力ボタン
５３３ 試聴ボタン
５４１ 代表曲選択実行ボタン
５５１ キーワード選択領域
５５２ 設定楽曲表示領域
５５３ おまかせ検索ボタン
５５４ 設定楽曲変更ボタン

Claims (7)

  1. 楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索システムであって、
    前記楽曲データの特徴を表す複数の評価項目にそれぞれ対応するデータからなる特徴ベクトルを内包した複数のニューロンで構成される自己組織化マップであると共に、当該ニューロンが前記評価項目の内の予め定められた指標評価項目について一端部から他端部に向けて傾向を有している楽曲マップを記憶する楽曲マップ記憶手段と、
    前記楽曲データの特徴を表す複数項目のデータに基づいて、前記楽曲マップのいずれかのニューロンに前記楽曲データをマッピングする楽曲マッピング手段と、
    前記楽曲マップの各ニューロンにそれぞれ対応するポイントによって前記楽曲マップの状態を表示する表示手段と、を具備することを特徴とする楽曲検索システム。
  2. 前記楽曲マップは、前記指標評価項目について一端部から他端部に向けて漸減する値を初期値として学習が施されていることを特徴とする請求項１記載の楽曲検索システム。
  3. 前記楽曲マップは、２次元マップであり、
    前記評価項目の内の２つが前記指標評価項目として定められていることを特徴とする請求項１又は２記載の楽曲検索システム。
  4. 楽曲データベースに記憶された複数の楽曲データの中から所望の楽曲データを検索する楽曲検索方法であって、
    前記楽曲データの特徴を表す複数の評価項目にそれぞれ対応するデータからなる特徴ベクトルを内包した複数のニューロンで構成される自己組織化マップであると共に、当該ニューロンが前記評価項目の内の予め定められた指標評価項目について一端部から他端部に向けて傾向を有している楽曲マップを記憶し、
    前記楽曲データの特徴を表す複数項目のデータに基づいて、前記楽曲マップのいずれかのニューロンに前記楽曲データをマッピングし、
    前記楽曲マップの各ニューロンにそれぞれ対応するポイントによって前記楽曲マップの状態を表示することを特徴とする楽曲検索方法。
  5. 前記楽曲マップは、前記指標評価項目について一端部から他端部に向けて漸減する値を初期値として学習が施されていることを特徴とする請求項４記載の楽曲検索方法。
  6. 前記楽曲マップは、２次元マップであり、
    前記評価項目の内の２つが前記指標評価項目として定められていることを特徴とする請求項４又は５記載の楽曲検索方法。
  7. 請求項４乃至６のいずれかに記載の楽曲検索方法をコンピュータに実行させるための楽曲検索プログラム。
JP2004120862A 2003-11-05 2004-04-15 楽曲検索システムおよび楽曲検索方法 Pending JP2005301921A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2004120862A JP2005301921A (ja) 2004-04-15 2004-04-15 楽曲検索システムおよび楽曲検索方法
US10/980,294 US7576278B2 (en) 2003-11-05 2004-11-04 Song search system and song search method
EP04027343.5A EP1587003B1 (en) 2004-04-15 2004-11-17 Song search system and song search method
US10/992,843 US20050241463A1 (en) 2004-04-15 2004-11-22 Song search system and song search method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2004120862A JP2005301921A (ja) 2004-04-15 2004-04-15 楽曲検索システムおよび楽曲検索方法

Publications (1)

Publication Number Publication Date
JP2005301921A true JP2005301921A (ja) 2005-10-27

Family

ID=34927437

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2004120862A Pending JP2005301921A (ja) 2003-11-05 2004-04-15 楽曲検索システムおよび楽曲検索方法

Country Status (3)

Country Link
US (1) US20050241463A1 (ja)
EP (1) EP1587003B1 (ja)
JP (1) JP2005301921A (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007122442A (ja) * 2005-10-28 2007-05-17 Victor Co Of Japan Ltd 楽曲分類装置及び楽曲分類プログラム
WO2008041764A1 (fr) * 2006-10-05 2008-04-10 National Institute Of Advanced Industrial Science And Technology dispositif et procédé de recherche d'artiste musical

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1530195A3 (en) * 2003-11-05 2007-09-26 Sharp Kabushiki Kaisha Song search system and song search method
JP2005173938A (ja) * 2003-12-10 2005-06-30 Pioneer Electronic Corp 曲検索装置、曲検索方法及び曲検索用プログラム並びに情報記録媒体
WO2005093711A1 (en) * 2004-03-11 2005-10-06 Nokia Corporation Autonomous musical output using a mutually inhibited neuronal network
JP4622829B2 (ja) * 2005-11-29 2011-02-02 日本ビクター株式会社 楽曲検索再生装置、楽曲検索再生方法、印象語設定プログラム
EP1850092B1 (de) * 2006-04-26 2017-11-08 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Auswahl eines Musikstücks
DE102006027331A1 (de) * 2006-06-13 2007-12-20 Robert Bosch Gmbh Einrichtung zum Erzeugen einer Titelliste, insbesondere einer Musiktitelliste
US20090252346A1 (en) * 2008-04-03 2009-10-08 Hsin-Yuan Kuo Method of processing audio files
EP2159719B1 (en) 2008-08-27 2013-01-09 Sony Corporation Method for graphically displaying pieces of music
DE102011008865A1 (de) * 2011-01-18 2012-07-19 Accessive Tools GmbH Verfahren zur Anordnung von Dateninstanzen, Programmprodukt und Datenverarbeitungsanlage zur Ausführung des Verfahrens
US20220237541A1 (en) * 2021-01-17 2022-07-28 Mary Elizabeth Morkoski System for automating a collaborative network of musicians in the field of original composition and recording

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5067095A (en) * 1990-01-09 1991-11-19 Motorola Inc. Spann: sequence processing artificial neural network
US5261007A (en) * 1990-11-09 1993-11-09 Visidyne, Inc. Frequency division, energy comparison signal processing system
US5097141A (en) * 1990-12-12 1992-03-17 Motorola, Inc. Simple distance neuron
US5715372A (en) * 1995-01-10 1998-02-03 Lucent Technologies Inc. Method and apparatus for characterizing an input signal
US5616876A (en) * 1995-04-19 1997-04-01 Microsoft Corporation System and methods for selecting music on the basis of subjective content
US5819245A (en) * 1995-09-05 1998-10-06 Motorola, Inc. Method of organizing data into a graphically oriented format
US6539319B1 (en) * 1998-10-30 2003-03-25 Caterpillar Inc Automatic wavelet generation system and method
US20050038819A1 (en) * 2000-04-21 2005-02-17 Hicken Wendell T. Music Recommendation system and method
US7022905B1 (en) * 1999-10-18 2006-04-04 Microsoft Corporation Classification of information and use of classifications in searching and retrieval of information
US20020002899A1 (en) * 2000-03-22 2002-01-10 Gjerdingen Robert O. System for content based music searching
US7075000B2 (en) * 2000-06-29 2006-07-11 Musicgenome.Com Inc. System and method for prediction of musical preferences
US6545209B1 (en) * 2000-07-05 2003-04-08 Microsoft Corporation Music content characteristic identification and matching
US6910035B2 (en) * 2000-07-06 2005-06-21 Microsoft Corporation System and methods for providing automatic classification of media entities according to consonance properties
US6657117B2 (en) * 2000-07-14 2003-12-02 Microsoft Corporation System and methods for providing automatic classification of media entities according to tempo properties
US6963975B1 (en) * 2000-08-11 2005-11-08 Microsoft Corporation System and method for audio fingerprinting
US6748395B1 (en) * 2000-07-14 2004-06-08 Microsoft Corporation System and method for dynamic playlist of media
US7035873B2 (en) * 2001-08-20 2006-04-25 Microsoft Corporation System and methods for providing adaptive media property classification
US7065416B2 (en) * 2001-08-29 2006-06-20 Microsoft Corporation System and methods for providing automatic classification of media entities according to melodic movement properties
US7031980B2 (en) * 2000-11-02 2006-04-18 Hewlett-Packard Development Company, L.P. Music similarity function based on signal analysis
US6673995B2 (en) * 2000-11-06 2004-01-06 Matsushita Electric Industrial Co., Ltd. Musical signal processing apparatus
EP1244033A3 (en) * 2001-03-21 2004-09-01 Matsushita Electric Industrial Co., Ltd. Play list generation device, audio information provision device, system, method, program and recording medium
US6993532B1 (en) * 2001-05-30 2006-01-31 Microsoft Corporation Auto playlist generator
JP2003167914A (ja) * 2001-11-30 2003-06-13 Fujitsu Ltd マルチメディア情報検索方法、プログラム、記録媒体及びシステム
US20040034441A1 (en) * 2002-08-16 2004-02-19 Malcolm Eaton System and method for creating an index of audio tracks
US7081579B2 (en) * 2002-10-03 2006-07-25 Polyphonic Human Media Interface, S.L. Method and system for music recommendation
US6987222B2 (en) * 2003-09-29 2006-01-17 Microsoft Corporation Determining similarity between artists and works of artists
EP1530195A3 (en) * 2003-11-05 2007-09-26 Sharp Kabushiki Kaisha Song search system and song search method
US7022907B2 (en) * 2004-03-25 2006-04-04 Microsoft Corporation Automatic music mood detection
US7026536B2 (en) * 2004-03-25 2006-04-11 Microsoft Corporation Beat analysis of musical signals

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007122442A (ja) * 2005-10-28 2007-05-17 Victor Co Of Japan Ltd 楽曲分類装置及び楽曲分類プログラム
JP4622808B2 (ja) * 2005-10-28 2011-02-02 日本ビクター株式会社 楽曲分類装置、楽曲分類方法、楽曲分類プログラム
WO2008041764A1 (fr) * 2006-10-05 2008-04-10 National Institute Of Advanced Industrial Science And Technology dispositif et procédé de recherche d'artiste musical
GB2456103A (en) * 2006-10-05 2009-07-08 Nat Inst Of Advanced Ind Scien Music artist search device and method
US8117214B2 (en) 2006-10-05 2012-02-14 National Institute Of Advanced Industrial Science And Technology Music artist retrieval system and method of retrieving music artist
JP4894026B2 (ja) * 2006-10-05 2012-03-07 独立行政法人産業技術総合研究所 音楽アーティスト検索装置及び方法

Also Published As

Publication number Publication date
EP1587003A3 (en) 2007-06-06
EP1587003A2 (en) 2005-10-19
US20050241463A1 (en) 2005-11-03
EP1587003B1 (en) 2015-08-12

Similar Documents

Publication Publication Date Title
KR20220002939A (ko) 감정적 인식을 반영하도록 신경망을 훈련하는 방법, 연관된 콘텐츠를 분류하고 발견하기 위한 관련 시스템 및 방법, 및 다차원 특성 백터가 내장된 관련 디지털 미디어 파일
JP4622808B2 (ja) 楽曲分類装置、楽曲分類方法、楽曲分類プログラム
JP2005301921A (ja) 楽曲検索システムおよび楽曲検索方法
AU2006220720A1 (en) Scan shuffle for building playlists
US7199300B2 (en) Information search apparatus, information search method, and information recording medium on which information search program is computer-readably recorded
EP1962241A1 (en) Content search device, content search system, server device for content search system, content searching method, and computer program and content output apparatus with search function
EP1530195A2 (en) Song search system and song search method
JP2007164545A (ja) 嗜好プロファイル生成装置、嗜好プロファイル生成方法及びプロファイル生成プログラム
Mirza et al. Residual LSTM neural network for time dependent consecutive pitch string recognition from spectrograms: a study on Turkish classical music makams
JP4339171B2 (ja) 楽曲検索システムおよび楽曲検索方法
JP2005309712A (ja) 楽曲検索システムおよび楽曲検索方法
JP4246101B2 (ja) 楽曲検索システムおよび楽曲検索方法
JP4246120B2 (ja) 楽曲検索システムおよび楽曲検索方法
JP4246100B2 (ja) 楽曲検索システムおよび楽曲検索方法
JP3901695B2 (ja) 楽曲検索システムおよび楽曲検索方法
JP4165650B2 (ja) 楽曲検索システムおよび楽曲検索方法
CN111026904A (zh) 一种基于内容画像的播单评分方法
JPH11184883A (ja) 楽曲検索システム、楽曲検索方法及び記録媒体
JP2005141430A (ja) 楽曲検索システムおよび楽曲検索方法
CN110959172A (zh) 演奏解析方法及程序
JP2005141431A (ja) 楽曲検索システムおよび楽曲検索方法
JP4607660B2 (ja) 楽曲検索装置および楽曲検索方法
JP2006317872A (ja) 携帯端末装置および楽曲表現方法
JP4607659B2 (ja) 楽曲検索装置および楽曲検索方法
KR102623446B1 (ko) 사용자 보컬 평가 기반 사용자 맞춤 오디션 곡 선정 방법