AI技術研究中國風格音樂的綜述與展望

周陽

摘要：筆者以中國樂派為例，思考如何利用AI技術，從音響特征方面探究中國風格的音樂作品。本文首先對于中國樂派的概念、現狀和發展方向進行了闡述，并提出了探究其音響特征的原因，然后對于AI技術在音樂領域的應用進行了介紹。最后對基于AI技術在相關領域成型的經驗如何應用在研究中國樂派音響特征方面進行了探討，列舉出以“中國樂派音樂識別分類”“中國民族樂器”“中國樂派作品創作”為三個切入點。

關鍵詞：中國樂派 ? AI ? 人工智能音樂 ? 音響特征

中圖分類號：J605 ? ? ? ? ? ? ? ? ? ?文獻標識碼：A ? ? ? ? ? ? ? ? ? 文章編號：1008-3359（2020）05-0029-06

近些年來，AI技術的發展呈迅猛之勢，對我們生活的方方面面、各個領域已經或即將產生變革性的影響。AI在音樂領域目前的應用諸如：音頻識別、音樂檢索、AI作曲、虛擬歌手等等也已經取得了不俗的成績。相關研究的核心是都是建立在對于音樂音響特征相關數據的提取和運用，基于此思路，如若AI技術運用在中國風格音樂方面，也勢必將在音樂分類，音樂創作，聲學，樂器學等領域大有作為。而“中國樂派”作為2016年被提出的新音樂學派概念，對于“新時代”下的中國音樂而言是非常具有代表性的，能利用AI技術對其音樂音響特征方面進行研究，將為中國樂派的音樂特征分類、創作、教學、推廣提供幫助，進而也為AI技術在中國風格音樂研究領域積累一些經驗，提供一些思路。

一、中國樂派的概念界定

中國音樂學院院長王黎光指出：“中國樂派即中國音樂學派的簡稱。是以中國音樂元素為依托、以中國風格為基調、以中國音樂家為載體、以中國作品為體現的音樂學派?！盵1]

在“中國音樂研究基地2019年學術年會”上，北京大學高丙中教授的主旨發言《中國樂派的定位與內涵》進一步定義了“中國樂派”。他指出，“中國樂派”是以中國音樂元素為依托，以中國風格為基調，以中國音樂人為載體，以中國音樂作品為體現，以中國人民公共生活為母體的音樂派別。陸續又有學者指出中國樂派有狹義和廣義之分，也有深淺不同，成就高低，以及歷時、共時的不同含義。[2]

筆者所理解的“中國樂派”是一個多元一體的概念，許多著名樂派已在音樂歷史中奠定了崇高的地位，如“俄羅斯民族樂派”“維也納古典樂派”“威尼斯樂派”等，提到“俄羅斯民族樂派”人們想到了五人團、柴可夫斯基，提及“維也納古典樂派”人們首先想到的是海頓、莫扎特、貝多芬，提及“威尼斯樂派”人們首先想到了意大利歌劇。不管這些樂派是受益于偉大作曲家也好，還是受益于藝術形式的融匯創新也好，最終還是歸結于它們都在其所屬時代抓住了歷史發展的機遇?！爸袊鴺放伞笔钱斀窕谌蚧Z境下所提出的概念，所以創造性的繼承和發展它是當今每一個中國音樂家都為之努力的目標。

二、中國樂派發展現狀及發展方向

中國樂派有狹義和廣義之分，狹義的中國樂派是在中國社會、文化生態環境中形成的，特色獨具的小的或較小的樂派。他們的藝術風格和特色，既有自己的共性特點，有一定的社會影響力，但相互間又可以彼此清楚地區分開來，如一些地方戲，民間音樂等等。[5]本文以下討論的中國樂派的現狀與發展，是指廣義范圍內并帶有深層次高標準的中國樂派，比如在中國音樂史上，特別是近代及當代較為有影響力、或具有劃時代意義的中國音樂名家的中國樂派作品。

首先從思想上，不乏有中國音樂家就對于本民族音樂派別的形成和發展提出過諸多思考，早在1934年10月21日黃自所撰寫的一篇文章《怎樣才可產生吾國民族音樂》就堅決的回答了音樂創作中國風格的形成的歷史依據與發展道路?！懊褡逡魳犯镄屡伞贝淼膭⑻烊A先生，說過“一方面采取本國固有的精粹，一方面容納外來的潮流”，他指出在“東西的調合與合作之中，打出一條新路來”。我國優秀的音樂家從未放棄對于獨立于歐洲音樂學派的中國風格的探索，在這些前輩思想感召下，也經過許多中國音樂家如冼星海、江文也、馬思聰、賀綠汀、馬可、張肖虎等不斷的努力，中國音樂作品在世界范圍內的影響也在不斷擴大，這著實體現了我國音樂家砥礪前行的藝術探索精神。

現如今，中國的音樂創作者們對于西方創作體系的了解和運用可謂已經到達了一定高度。但在“中國樂派”的建設方面，我們仍在前進和探索的路上，并且在這條道路上我們可能還要走的很長。當今時代環境與歷史上代表西方藝術成的種種樂派的發展環境已是截然不同。這種不同體現在兩個方面，首先我們的時代變了，當今已是全球化的時代，科技的發展，人與人之間的信息互聯早已發生天翻地覆的變化?！拔镔|決定意識”，時代的進步，信息的多元化傳播，必將造就不同的音樂形態。

其次，我們目標也是在全球化語境下構建新“中國樂派”，這意味著我們要更加具有包容并進的精神，既不能摒棄傳統，又要面對日新月異的藝術潮流的沖擊，還需要擁抱變化以此不斷去快速適應時代賦予我們新的技術成果，并服務于藝術創作。只有這樣，“中國樂派”才能走向引領當代審美文化的高峰，再現中國音樂的燦爛輝煌。

代表中國民族音樂最高學府的中國音樂學院提出了“承國學，揚國韻，育國器，強國音”的辦學理念。這向我們傳遞了堅定不移的發展本民族音樂的決心，正如習近平主席所說：“優秀的傳統文化，是中華文明的‘根本和‘精神命脈?！敝袊魳穼W院就是正在承載這一歷史使命的學府之一。我認為，在未來中國樂派的發展道路上，本民族的音樂，特別是中國民族樂隊的作品將是一個不可忽視的重要體裁。除此之外，中國樂派交響樂作品也是未來發展中的一個重要組成部分。真正的高標準的樂派，必須要有一批優秀的名家并有在世界范圍內有影響力的作品，交響樂及中國民族樂隊都是呈現音樂作品的最高表現形式之一。由此可見，中國樂派的發展一定是“兼容并進，包容創新”的，也勢必要朝著培養優秀的民族音樂家，創造在世界范圍內有影響力的民族音樂作品的方向去發展。

三、為何要研究中國樂派的音響特征

這里所指的音響特征是從音樂聽感角度出發，去探尋和總結音樂給人帶來某種普遍主觀聽感的關鍵要素。音樂終究是聽覺的藝術，歷史上著名樂派的成功，無一例外都有其鮮明的特征，相關的研究也層出不窮，從作曲技法到民族歷史甚至社會學等方面，都已有非常豐碩的成果。近年來，隨著科學技術的發展，越來越多的國內外學者都開始從音樂音響層面對不同樂派、不同風格的作品進行研究，以此來開啟一個新的視角更好的論證和發展它們。

中國樂派是一個尚在發展道路上的時期，并處在全球化和科技革命浪潮迭起的環境中。若以研究音響特征為切入點則有如下幾點益處：

其一， 中國樂派概念可大可小，有狹有廣，層次有深有淺，成就有高有低。若以音響特征為切入點對其進行研究，可以為該樂派的建設提供多元化的理論支撐。

其二，研究中國樂派的音響特征，特別是對于民族樂器層面的音響特征研究，可使更多的創作者、演奏者受益。

其三，研究中國樂派的音響特征，并參照西方樂派音樂成功的音響模式進行比對，可以從聽感角度解釋中國樂派音樂的特殊性，其次可以汲取西方的音響模式成功的要素。

四、AI技術應用在音樂領域的優勢

科技發展對于音樂文化的影響是巨大的，參考“電子音樂”的發展歷程就不難感受這一點。人工智能的發展速度及影響力更是“來勢洶洶”，根據加速回報定律（Law of Accelerating Returns）和“摩爾定律”（Moores Law），人工智能的發展將超出一般大眾所感知事物發展的速度.因此，快速適應時代的發展，并提前張開雙臂迎接它，我相信是任何領域的頂尖學府走在學科前沿的重要原因。

AI 技術目前已經在許多領域有非常成功的應用，現階段常用的AI技術無外乎解決以下幾種問題：第一是分類識別的問題，第二是預測的問題，第三是生成的問題。在音樂領域，AI已經在輔助解決一些相關問題并取得了豐富的成果，例如：音樂檢索;樂譜識別;音頻識別，屬于AI分類識別的問題。音樂智能推薦屬于預測問題。AI作曲，虛擬歌手，樂器3D打印復原屬于生成問題。

人們對于AI技術在音樂領域的已有成果，以及對于未來前景期望都持非?？隙ǖ膽B度，如果說交通工具是人類身體的延展，那么AI就是人腦的延展。目前一些“弱人工智能”已經在音樂領域得到了很廣泛的應用，它可以更有效率的完成需要人腦“機械化”重復完成的工作。就本文想要達到探索中國樂派音響特性這一目的而言，AI可以通過自身學習，在豐富多樣的中國音樂中識別相關特征，儲存海量的數據。在我們遇到不好下定論的音樂問題時，給予我們更多的參考，例如利用AI的音頻識別技術，我們很容易能夠分析一件樂器是否具有完備的音響效果，一首民歌的分類，唱腔的識別，流派的歸納等等。其實不僅如此，我們知道AI深度學習技術需要基于大量的數據才能生成結果，在前期構建用于AI學習資料的數據庫過程中，也反向的促使我們對于想要研究中國樂派中的某一對象進行大量的調研和數據整合，這個過程本身也具有極大的價值。

除了幫助人腦完成“機械化”的工作外，隨著未來“強人工智能”的發展，音樂“生成類”的應用將更加常見，甚至有可能將音樂情感感知和識別技術繼續深化，這就為我們提供了更大的想象空間。比如，我們將帶有中國樂派音響特性的作品讓AI加以學習，它可以為我們輸出各種版本的音響樣本;將文字、圖片、影像、或者燈光等其他媒介的參數通過遷移數據映射到音樂參數上，讓AI自身在學習過程中總結復雜的事物規則，最終為我們模擬出融匯多種元素的超前藝術表現形式。

五、AI技術探索中國樂派音響特征的切入點

筆者認為AI技術可以在研究中國樂派音響特性這一領域大有作為，具體切入點有如下三個方面：中國樂派音樂識別分類問題;中國民族樂器音響特性問題;中國樂派音樂多維度創作問題。

（一）中國樂派的音樂識別分類問題

首先說中國樂派的音樂識別分類問題，如上文所述，中國樂派可大可小，可狹可廣，無論從時間、空間或音樂家的維度都包含多重種類。人們在欣賞中國樂派民族音樂的時候，特別是一些中國少數民族音樂例如藏傳佛教音樂、維吾爾族十二木卡姆、花兒等，如果不是相關領域的研究者，有時很難將準確將其歸類，也無法快速的找尋到相似的作品。如果能夠利用AI來深度學習技術來學習某類中國樂派音樂音響的特征，那么對于該類音樂的識別和傳播都會帶來極大便利。參照一些AI技術對于國外音樂的分類識別如藍調（blues）、古典（classical）、鄉村（country） 、迪斯科（disco） 、嘻哈（hip-hop）、 爵士（jazz）、金屬（metal）、 流行（pop）、 雷鬼（raggae）、搖滾（rock）的成功案例，可以將其運用到中國樂派的分類識別當中去。

具體方法是首先對要研究的某一類中國樂派音樂作品進行音樂庫的建立，也就是說對于研究對象進行各種不同音樂片段收集，具體實驗標準可參照Tzanetakis在2002年對西方音樂進行分類實驗時使用的西方音樂流派庫。[26]對于中國樂派民族音樂進行10組左右的選擇，每組由50個代表性的音樂片段組成訓練集，25個用于驗證的驗證集，25個用于測試的測試集。下一步對于音響信號進行預處理，比如預加重、分幀、加窗等，這樣做的目的是讓音樂的音響特征在接下來的分類中更有效。接下來就是音響特征的提取，這是對于音樂識別分類重要的一環，在這一環節實際上可研究的角度有很多，（正如上文所說，對于音樂專業背景的人來說，對于特定種類的中國民族音樂進行音響特征提取的過程本身就具有相當大的價值，可以為該音樂種類的研究提供很多客觀數據）目前，筆者認為對于中國樂派音樂音響特征的提取可以有兩種思路，這兩種思路對應了下一步不同的人工智能學習方法。

我們可以對它的時域特征、頻域特征、倒譜域特征等進行提取，運用一些比較“傳統”的分類識別任務的方法中去，比如決策樹，支持向量機，邏輯回歸等。這種分類通常是有監督的訓練，具體過程大致是先進行音響特征提取，然后把他們標簽化，最后AI學習音響特征和音樂類別的關系，從而實現識別分類。

先提取原始音響特征，也就是音樂信號底層特征提取。比如FFT、MFCC、MPC等。特別是梅爾多譜系數（Mel-phon Cofficients，MPC），簡稱MPC，這個特征是Vincent P在2010年發表的文章中提出的特征[25]，提取該特征是因為，它更適合在級聯的網絡結構中對音樂流派進行識別分類。下一步可以通過目前比較流行的深度信念（置信）網絡（Deep Belief Networks）進行算法識別。

以上兩種方法在對于中國樂派音樂分類識別問題中各有優劣，可謂“魚和熊掌”。第一種是有監督的，通過人工提取各種音樂音響特征包含底層特征和高層特征，并根據具體的對象進行具體的建模。這種方法研究的過程對于該類音樂特征會收集很多客觀數據，分類器和算法可能都是特定的，雖然通用性較差，但是筆者相信這一過程中一定有有利于音樂專業背景的研究者從音樂學的角度去得出某種結論。第二種方法從實踐應用角度更為理想，因為只需要輸入音響的底層特征，AI網絡就會進行數據分析和學習，學習的過程是“無監督”的，對于音響本質的抽象特征是如何判斷的，或許AI有自己的一套“心法”。當然，目前利用AI深度學習技術對于中國樂派音樂進行分類識別方面的研究還尚未實踐，還需要更多的研究者對其進行探究，總結經驗。

（二）從中國樂派民族樂器方面入手

一個樂派的音響特征，樂器的使用以及配器手法會對其產生非常大的影響。所謂“弓欲善其事，必先利其器”，那些西方著名樂派的產生，一定程度上要歸功于西方有較為科學統一、標準化的樂隊編制以及樂器制造標準。實際上國外對于管弦樂器聲學方面研究開展的也比較早，并取得了研究成果。如J. Meyer的著作《音樂聲學與音樂演出》對西洋管弦樂團中所有樂器一一進行了聲學分析，并對其在舞臺上的聲音強度、擺位等問題進行研究。[20]客觀科學的樂器聲學研究加上源源不斷的商業化實踐是造就西方管弦樂隊至今旺盛生命力的原因之一。

筆者認為，為中國民族樂器創作的優秀作品，必將更有機會成為中國樂派的代表作。對于中國民族樂器的音響特征方面，近些年來越來越多的相關專家學者對其進行了研究，并取得了不俗的成果，2008年由韓寶強教授任課題組組長的文化部科技項目《中國民族樂器音響標準庫》項目正式啟動，選取了涵蓋拉弦、彈撥、吹管、打擊樂各聲部的20件代表性民族樂器，經過樣本采集、主觀評價、數據分析以及數據庫構建等階段，形成了《中國民族樂器音響標準庫》。[8]2016年由中國音樂學院主辦，“中國樂派”管弦樂隊音響模式探索研討會在北京召開，付曉東教授對其所主持的國家社科基金藝術學項目“中西管弦樂器聲學特征比較研究”進行了闡述，指出了當前民族管弦樂隊中的樂器問題，比如特征音區劃分模糊，聲學性能難以定義，音響匹配難以控制、樂器數量選擇的不確，整體音響“尖、扁、雜”的問題等。[4]

AI技術的出現我認為可以很好的輔助解決一些中國樂派民族樂器的音響問題，比如中國民族器樂的單件樂器音色標準問題以及樂器組合合理性的問題。

中國民樂的樂器制作標準化一直以來是都是一個重要的議題，一件完備的民族樂器應當兼具“和諧性”又不失其個性。我們可以提取我們認為品質較高樂器的聲音特征作為原始特征樣本，利用AI深度學習技術，學習該種樂器各種不同技法的音頻素材，今后若有相關的樂器需要進行測評，那么AI系統就會根據我們之前較高品質的樣本進行比對并輸出結果。比如，想知道一把二胡是否達到較高品質的標準，就可以把其音響素材輸入給AI系統，AI會通過之前學習過的各種二胡聲音素材進行音頻識別，并給出我們測評的二胡聲音與高品質二胡聲音的差異性，相關技術流程其實已在語音識別方面屢見不鮮，手機系統當中的語音助手其實就是同類別的成功案例，我們需要做的是把AI學習人類語言改為學習音頻素材，把語音助手與用戶的輸出對話，轉為輸出對于這件樂器性能的測評報告。當然，該方案雖然在理論上已經在語音識別方面取得成功，但放在中國樂器樂器音響性能方面也會存在一定難度，比如，樂器聲音質量的需要進行主觀評價調研，同種樂器不同的音頻素材的樣本采集需要相當的時間，樂器不同的技法的音響特征可能需要建立不同的AI學習模型等等。

利用AI技術也可以輔助解決有關中國樂派民族樂器組合中音響合理性的相關問題。韓寶強教授2016年在“中國樂派”管弦樂隊音響模式探索研討會上提出，民族音樂的創作方面現今最大的問題是缺少一本具有科學性且“中國特色”的樂器法與配器法的教材。筆者認為，有關中國民族管弦樂隊配器或者說音色組合的問題，需要對于各民族樂器組合進行大量相關實驗，從樂器的數量，不同樂器音色搭配進行多方面的試驗，在學習西方管弦樂隊的音響模式的可取之處的同時盡可能發揮中國民族樂器的特色。在中國民族樂器音響聲學研究方面，我們已經有了不少相關研究，不少學者開始從民族樂器的客觀音色屬性角度考慮民族管弦樂隊音響匹配度的問題。但是在有關音色匹配問題的具體實踐過程中仍有很大難度，主要原因是需要大量的時間和人力對不同音色組合的聲音進行實驗，既要有場地的限制，還要從作品的角度考量，并且要結合主觀調研，最終才能給出準確的結論。如果利用AI技術，則可以加速這一探索過程，比如我們利用現有《中國民族樂器音響標準庫》的數據（或者依照實際需要采樣相關素材），根據相關算法進行建模，參照西方的管弦樂音響模式，把不同的音色進行配比組合，輸出不同結果，最后結合主觀評價得出結論以供參考。上述流程的底層邏輯，其實是基于統計學的范疇，在圖片生成領域已經不是新鮮事了，比如幾年前就有人利用AI深度學習技術，將很多張人臉的照片交給AI進行學習，AI根據這些圖片的特征會自動生成出一張新的人臉，而這是在真實世界不存在的人臉。具體應用在民族樂器組合音色試驗方面，筆者認為可以采取如下方法，首先找一段比較有代表性的中國樂派作品的樂譜，用西方管弦樂隊當中公認的音響匹配度較高的樂器組或某些樂器組合進行演奏，以此作為AI輸出結果的參照。然后將民族管弦樂中的某些樂器組或樂器組合的音頻素材進行整理，并利用采樣軟件映射到MIDI信號中去，通過AI深度學習，給出最接近我們剛剛選取參照結果（也就是西方管弦樂隊中音響匹配度較的高音色組合）的不同方案，并也以MIDI信號的形式進行輸出，下一步需要對于給出方案的可行性進行主觀評價，并得出結論。

不難看出，上述方案不受場地空間限制，不受時間限制，為我們省去組織樂手對于不同樂器進行組合演奏和參照比對的大量時間，同時也可以把相關學者對于民族樂器音響匹配度的理論假設加以實踐。但該方案實施也有難點，第一是譜例的選取需要精心挑選，盡量具有通用性。第二是最終的方案如何平衡音響“和諧”與中國樂器“特點”的保留。

（三）有關中國樂派多維度創作方面

AI技術可以用于輔助中國樂派作品創作，為創作者提供靈感，也為將來中國樂派音樂多維度、多媒介的展現提供基礎。人工智能作曲（Artificial Intelligence Composition） 簡稱AI 作曲，隸屬于算法作曲的范疇，是運用人工智能算法進行機器作曲的過程，以使人（或作曲家）在利用計算機進行音樂創作時的介入程度達到最小。[21]實際上，AI作曲（特別是單旋律作曲）的底層邏輯是“遺傳算法”，舉個例子，我們今天常見的打字“輸入法”自動聯想功能，就是非常典型的案例，而在AI作曲方面，只不過我們把打字自動聯想，換成了音樂音符預測。近些年來，利用混合算法的AI技術，準確的抓住某類作品的音響特征，并生成相似風格的作品。例如：2016年2月，第一部由算法創作的音樂劇《越過墻垣》（Beyond theFence）在倫敦上演;2016 年 6 月，谷歌公司研發的機器學習項目馬真塔（Magenta）通過神經學習網絡創作出一首時長90秒的鋼琴曲;同年9月，索尼計算機科學實驗室利用人工智能程序創作了一首披頭士音樂風格的歌曲《爸爸的汽車》（Daddy's Car）。2019年10月11日由深圳交響樂團全球首次公演AI交響變奏曲《我和我的祖國》，這是由中國平安人工智能研究院構建的首個交響樂創作模型。

通過查閱文獻梳理人工智能作曲的發展歷程可看出，人工智能作曲在早期存在算法種類不同，作品風格單一，但隨著時間發展，各種算法組合被逐漸應用，風格也逐漸走向多元化，中國平安人工智能研究中心首部交響變奏曲就是一個非常好的成功案例。筆者認為，雖然目前AI作曲在中國樂派的案例還比較稀缺，但中國民族音樂非常豐富，收集中國樂派音樂作品（民族管弦、室內樂、宮廷樂隊、小樂種等）將“節奏、和聲、對位、調式等音樂數據進行AI訓練（強化學習），改善已有AI作曲的算法，即可推出中國樂派音樂體裁輔助作曲、自動伴奏算法。這樣即能夠從數據特征的角度總結中國樂派音樂作品中的特點，同時為作曲家提供不同的創作靈感和聲音參考。

AI除了通過學習中國樂派音響特征可以服務于創作之外，未來利用AI技術創作多維度，多媒介的中國樂派作品才是最終目標。筆者在研究生期間，創作并在中國音樂學院歌劇廳成功上演了一首帶有實驗性質的MIDI音樂作品，利用原聲樂器、MIDI樂器和三維模型互動作算法結合，最終完成這首雙媒介的作品，如圖一。

這是MIDI音樂的多媒介展現的實驗性作品，但未來我相信AI技術會在音樂情感識別，人機交互，結合諸如視覺、聽覺、體感等多渠道信息來輔助創作中國樂派音樂，甚至拓寬中國樂派音樂的表現形式。而AI學習中國樂派作品的音響特征，是這一切的基礎?？萍家匀藶楸?，技術服務于藝術，更多維度的表現手法也一定能豐富音樂作品表現力。

六、結語

人工智能時代的到來已經是不可逆轉的趨勢，習近平總書記在黨的十九大報告中指出，“要將人工智能的發展提升到國家戰略的高度?！比斯ぶ悄茉谝魳奉I域的應用已經取得了不俗的成績，并且有關人工智能音樂的教育也逐漸在各地展開，2019年中央音樂學院成立人工智能音樂系，首招人工智能與音樂信息科技方向博士。同年上海音樂學院音樂科技系開設音樂人工智能課程。筆者相信，能夠合理的利用AI技術，勢必會加速中國樂派的發展，如果以探索音響特征方面入手，利用AI技術輔助人腦，對各項復雜的音樂數據進行深度學習，我們既能夠在此過程當中總結出客觀數據，又能對于想要試驗的音響效果進行多維度的預測、生成，最終為中國樂派發展提供更加多元化的理論依據，并推動更多更好的中國樂派作品發展和傳播。

參考文獻：

[1]王黎光.兼容并包借鑒創新——建設“中國樂派”系列思考[J].中國音樂，2018，（01）.

[2]金野.中國樂派交響樂作品教學與研究實踐 第一階段（1916年至1949年）項目成果綜述[J].音樂創作，2018，（10）.

[3]趙維平.“中國樂派”的史學理論建設——2016中國音樂學院“中國樂派與中國音樂節學術研討會”發言[J].音樂創作，2017，（02）.

[4]勾宸.“中國樂派”管弦樂音響模式的探索——“中西管弦樂器聲學特征比較研討會會議綜述”[J].人民音樂，2018，（07）.

[5]秦序.中國樂派的釋義與歷史定位[J].中國音樂，2019，（05）.

[6]王黎光.“紀念馬可先生誕辰百年學術研討會”院長致辭[J].中國音樂，2018，（05）.

[7]楊九華.關于中國樂派的學理思考[J].中國音樂，2017，（01）.

[8]韓寶強.樂器音響能建立標準嗎——《中國民族樂器音響標準庫》的心理物理學基礎[J]. 演藝設備與科技，2009，（02）.

[9]韓寶強.音的歷程[M].北京：人民音樂出版社，2016.

[10]付曉東.民族樂器音響協和研究——以梆笛、二胡與琵琶為例[J].人民音樂，2016，（12）.

[11]付曉東.《中國民族樂器音響標準庫》項目的研制標準[J].演藝科技，2012，（03）.

[12]甄超，鄭濤，許潔萍.音樂流派分類中特征選擇算法研究[A].第18屆全國多媒體學術會議（NCMT2009）、第5屆全國人機交互學術會議（CHCI2009）、第5屆全國普適計算學術會議（PCC2009）論文集[C].2009年.

[13]喻曉雯，張楠，張勇.音樂作品風格流派的神經網絡識別方法研究[J].計算機工程與應用，2011，（27）.

[14]余凱，賈磊，陳雨強.深度學習的昨天、今天和明天[J].計算機研究與發展，2013，（12）.

[15]梁曉晶，李子晉.音樂與計算機的跨學科對話——2018音樂人工智能發展研討會側記[J].人民音樂，2019，（03）.

[16]馮寅，周昌樂.算法作曲的研究進展 [J].軟件學報，2006，（02）.

[17]周莉，鄧陽.人工智能作曲發展的現狀和趨勢探究[J].藝術探索，2018，（05）.

[18]李偉，高智輝.音樂信息檢索技術：音樂與人工智能的融合[J].藝術探索，2018，（05）.

[19]中國音樂研究基地2019年學術年會[J].音樂研究，2019，（03）.

[20]Meyer J. Acoustics and the Performance of Music ?Springer New York， 1978

[21]P.Salove J.D.Mayer. Emotional ?intelligence[J].Imagination ?cognition & personality ?1990.

[22]Li T，Ogihara MToward intelligent music information retrieval ?IEEE Transactions on Multimedia 2006.

[23]Marques J，Moreno P J A Study of Musical Instrument Classification Using Gaussian Mixture Models and Support Vector Machines Compaq Corporation Cambridge Research Laboratory 1999.

[24]Alessandra Capanna ? Iannis Xenakis：archiect of light and sound ? Nexus network journal ?2001.

[25]Vincent P Stacked Denoising Autoencoders：Learning Useful Representations in a Deep Network with a Local Denoising ?Criterion Journal of Machine Learning Research ?2010.

[26]Tzanetakis G，Cook P.Musical genre classification of audio signals [J].IEEE Transactions on Speech&Audio Processing，2001.