Características de Creación de Arreglos Musicales para Piano Basados en Sensores Distribuidos

El arreglo musical para piano es un método de creación popular entre el público en la actualidad, que puede desempeñar un papel en la promoción de la cultura tradicional y la combinación de la cultura popular. Sin embargo, el método tradicional de analizar las características creativas de los arreglos musicales para piano tiene limitaciones, y no es adecuado para la era actual de revisión pública. En este documento, para abordar las limitaciones, se emplea la tecnología de sensores distribuidos. Utiliza el método de consulta Top-k, el algoritmo KNN (uno de los enfoques más básicos en la clasificación de minería de datos es el algoritmo de proximidad, a menudo conocido como el algoritmo de clasificación de vecino más cercano) y el algoritmo de balance fusionado para clasificar las características creativas de los arreglos musicales para piano. Se recopilan 50 arreglos clásicos de piano y se estudia su estilo composicional, melodía y tono. Los resultados de los datos mostraron que, en cuanto a las características de estilo, cada algoritmo tiene una alta tasa de reconocimiento para canciones de pasión, y los tres errores son pequeños; en cuanto a las características de la melodía, debido a que el algoritmo KNN tiene un retraso en la determinación del tempo ascendente, la melodía general no se entiende correctamente, y el método de consulta Top-k no es sensible al tempo descendente, y la tasa de reconocimiento es baja; en cuanto a las características tonales, el método de consulta Top-k tiene un rango mayor de juicios de bajo tono, por lo que el número de identificaciones es mayor. En cuanto al consumo de energía del sistema, a medida que aumenta el número de nodos, el consumo de energía de los tres algoritmos también aumenta gradualmente. Entre ellos, el método de consulta Top-k tiene el mayor consumo de energía, superando los 400 W a 180 nodos, y su tasa de crecimiento de consumo de energía continúa aumentando. El algoritmo de fusión fluctúa mucho, mientras que el algoritmo KNN es estable. Esto muestra que el algoritmo KNN es más estable en términos de rendimiento del sistema, y sus características pueden resumirse mejor en la creación e investigación de adaptaciones de piano.