We undertook a study of the use of a memristor network for music generation, making use of the memristor's memory to go beyond the Markov hypothesis. Seed transition matrices are created and populated using memristor equations, and which are shown to generate musical melodies and change in style over time as a result of feedback into the transition matrix. The spiking properties of simple memristor networks are demonstrated and discussed with reference to applications of music making. The limitations of simulating composing memristor networks in von Neumann hardware is discussed and a hardware solution based on physical memristor properties is presented.
Investigation on the use of Hidden-Markov Models in automatic transcription of music
ENSTA Bretagne（布列塔尼国立高等先进技术学校）；Université Européenne de Bretagne（布列塔尼欧洲大学）；Université Paris Descartes（巴黎笛卡尔大学）
隐马尔可夫模型（Hidden Markov Models，简称HMM）是一种普遍存在的对时间序列数据建模的工具，已被广泛应用于自动音乐转录（Automatic Music Transcription，简称AMT）的两个主要任务：音符分割，即在多音高估计之后识别所演奏的音符;以及顺序后处理，即使用训练数据校正音符分割。在本文中，我们采用多基音周期估计方法称为概率潜在成分分析（PLCA），并开发AMT系统集成不同的HMM为基础的模块在这个框架。对于笔记分割，我们使用两种不同的双状态on/o？阻碍，包括持续时间建模的高阶阻碍。对于顺序后处理，我们专注于复调和声过渡的音乐学建模，使用一阶和二阶Hertons，其状态通过候选音符混合物定义。这些不同的PLCA加HMM系统进行了评估比较两个不同的乐器曲目，即钢琴（使用MAPS数据库）和marovany齐特琴。我们的研究结果表明，使用的HALGOR可以带来显着的改善转录结果，这取决于仪器的剧目。
Musical Rhythm Transcription Based on Bayesian Piece-Specific Score Models Capturing Repetitions
Graduate School of Informatics, Kyoto University（京都大学信息学研究生院）；The Hakubi Center for Advanced Research, Kyoto University（京都大学白眉高级研究中心）；AIP Center for Advanced Intelligence Project, RIKEN（理化学研究所高级智能项目AIP中心）
M6(GPT)3: Generating Multitrack Modifiable Multi-Minute MIDI Music from Text using Genetic algorithms, Probabilistic methods and GPT Models in any Progression and Time Signature
Institute of Computer Science（计算机科学研究院）；Warsaw University of Technology（华沙技术大学）；Department of Robotics and Decision Systems（机器人与决策系统系）；Gdansk University of Technology（格但斯克技术大学）
