利用工尺谱记谱法的时空信息表示准则，来设计工尺谱乐谱的多层集成分类网络，第一层对工尺谱的书写谱式进行分类，第二层和第四层对空间异构信息分类，第三层对时间异构信息分类，每层采用多种不同的分类方法，构成多层集成分类网络。技术路线如图9-4所示。
图9-4 工尺谱乐谱识别的技术路线
第一层根据记谱法准则以及不同乐谱的时空异构信息表示方式，把乐谱对象按不同的书写谱式进行分类，确定乐谱谱式是半蓑衣谱式、直行竖写谱式、直行横写谱式还是一炷香谱式，并确定乐谱语义对象的树状结构维度（三维或二维树状结构）。
第二层对空间异构信息进行分类，按照记谱法准则和乐谱谱式，把乐谱对象分类为目标对象（曲词、曲牌名、标题、曲调、谱字、板眼等）与背景对象（噪音、页面框架等），利用分类挖掘出乐谱中的目标对象，再根据记谱法规则与乐谱谱式对部分目标对象进行整合或分拆，获取乐谱的所有语义对象。
第三层对时间异构信息进行分类，根据树状结构维度和乐谱谱式对乐谱语义对象进行解构，分析它们之间的附属关系和时序关系，根据水平语义对象（各曲词列）与垂直语义对象（各谱字和附属板眼）的不同尺度进行子层次迭代分类。如针对三维树状结构的工尺谱，第1次对谱面的各曲词列进行分割，得到各曲词列之间的时序关系；第2次对各列包含的曲词（以及附属的谱字板眼）进行分割，得到一列内各曲词之间的时序关系；第3次对单个曲词和附属的谱字板眼进行分类，明确它们的类别（曲词、谱字还是板眼）和附属关系；第4次对单个曲词的所有谱字（以及附属的板眼）的时序关系进行分析；第5次对单个谱字和它附属的板眼进行分类，明确它们的类别（谱字或板眼）和附属关系；第6次对单个谱字的板眼（假设有多个板眼）的时序关系进行分析，多次迭代分类后可得到曲词、谱字和板眼间的附属关系和时序关系。(www.xing528.com)
第四层对乐谱语义对象中的音乐符号（谱字和板眼）进行分类识别，根据记谱法准则、特定乐谱的谱字和板眼的类别（如《纳书楹曲谱》中使用的谱字“合四一上尺工凡六五乙仩伬仜仉伍亿”共17类，板眼“丶〇△━╳|╳∟□”共8类）以及字体形态来设计分类特征数据，把所有的语义对象分类到不同的工尺谱类别中，并采用基于西方音乐理论的数字音乐格式（MIDI）对识别结果进行音乐语义表示，为后期的音乐语义评估提供MIDI音序信息，进而根据评估结果提炼出最优集成分类网络。
工尺谱的分类网络由四层构成（图9-4），每一层分类器的框架结构如图9-5所示。对于经典的Bayes决策理论、GA算法、BP神经网络和KNN法等常用的分类方法，首先从图像数据（包括原始图像或各层分类后的图像区域数据）中选择不同的特征数据，传递给多个不同的分类器，构成一个分类集成网络，得到不同的分类结果。对于深度学习的卷积神经网络方法，从图像数据经过迭代的卷积层和池化层，提取出图像特征向量；然后进入全连接层进行分类，卷积层和池化层的迭代次数，卷积层、池化层和全连接层各层的节点数，节点之间的连接权重的设置，反馈训练次数等，需要进行反复实验测试；最后通过音乐语义评估的方式，对每层及子分类层的分类效果进行迭代评估和优化，得到最优分类集成网络。
图9-5 多层分类网络的每层基本结构图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
