【scratch音乐课】天空之城:音符与节拍、消息与链表

VIP【scratch音乐课】天空之城:音符与节拍、消息与链表
scratch是一个非常小巧的青少年编程工具,自带程序编写语句,积木式语句非常直观、易用,可创作数学、科学、音乐、绘画等方面作品。本文用scratch“演奏”一首大家非常熟悉的《天空之城》,并向大家介绍一些基本乐理知识,以及scratch中消息、链表的使用。
开通可读全文 ·1.7w 人阅读
最低0.47元/天 解锁文章

scratch是一个非常小巧的青少年编程工具,自带程序编写语句,积木式语句非常直观、易用,可创作数学、科学、音乐、绘画等方面作品。本文用scratch“演奏”一首大家非常熟悉的《天空之城》,并向大家介绍一些基本乐理知识,以及scratch中消息、链表的使用。

目录

1、音乐基础

1.1 认识音符

1.1.1音符

1.1.2 音区

1.1.3 音变

1.1.4 scratch音符编码

1.2 认识节拍

1.2.1 音符时值与节拍

1.2.2 附点音符

1.2.3 减时线与增时线

1.2.4 连音线

1.2.5 scratch节拍编码

2、scratch与音乐

2.1 scratch声音语句

2.2 程序分析

2.3 程序设计

2.3.1 链表

2.3.2 消息

2.4 程序主体

2.5 仅仅是《天空之城》?

3、总结


我们一起来“搭”一个音乐演奏程序:

scratch:《天空之城》

1、音乐基础

我们知道,音乐有四个基本构成要素:音的高低、音的长短、音的力度(强度)和音质(音色)。因此,将一首乐曲用程序“唱出来”,得从这四个方面分析。就教学目标而言,我们将重点分析音的高低和音的长短。

1.1 认识音符

1.1.1音符

“音”是音乐的“原子”,体现为“音符”。音符是表达高低音的一种符号,目前普遍用到的音符一共有七个,(音名)分别为C、D、E、F、G、A、B,简谱中与之对应的是1、2、3、4、5、6、7,读作“do、ruai、mi、fa、sou、la、xi(斗、瑞、咪、发、搜、拉、西)”。

1.1.2 音区

如图,在钢琴琴键上,“音”从左至右依次增高。

在上图中可以看到,一个音符会多次出现,我们把相邻的同名音符之间的间距称为一个8度。例如“1”和“1(·)”相差一个8度,即“1(·)”比“1”高8度。一个8度内的音符构成一个音组,音组与音组可以形成音区。我们把1、2、3、4、5、6、7所在音组称为中央音区,中央音区左边(下边有点)为低音区,右边(上边带点)为高音区。所有音区一起形成一个音域。

下面这个程序演示相邻的低、中、高音区。

音乐基础知识:音符简介

注意,为使演示效果最佳,程序已将三音区的同名音符作叠加处理,请仔细辨听声音高低。

1.1.3 音变

在钢琴琴键图中,一个音区既有白键也有黑键。那么相邻的白键或相邻的白、黑键是什么关系呢?

半音或全音关系。

以中音区为例,在“1”和“2”之间有一个黑键,键名为“#1 b2”,表示该音比“1”高半音,比“2”低半音。

一个白键和一个相邻的黑键之间相差“一个半音”(反之亦然),一个白键和另一个(看起来相邻的)白键相差“一个全音”。

还是以中音区为例,只有“3”“4”之间是半音,其他两两音符间都是全音。实际上还有一个特殊的跨音区半音:“7”和高一个8度的“1”。

在原音的基础上,我们可以变音,将标准音升高或降低。

1.1.4 scratch音符编码

在scratch眼中,音符如下面蓝色数字所示:

例如,对于简谱

可编码为:0 0 0 69 71 72 71 72 76 71 64 69 67 69 72 67 64

简谱中的“0”是休止符,表示“静默(不发音)”,一般表示占位,在scratch中同样用0表示。

那么如何处理变音?

仔细观察音符对应图,我们发现具有全音关系的两个音符(如“2”和“3”)对应的scratch音符值(62和64)相差2,而具有半音关系的两个音符(如“3”和“4”)对应的scratch音符值(64和65)相差1,而一个全音相当于两个半音,由此可知,半音对应1,升或降多少个半音,就加或减多少个1。

简谱:

编码:71 66 66 71 71 69 71。

1.2 认识节拍

演绎一首音乐时,需要表现的要素有很多。表达一个音符时,除了要表现音的高低之外,还要表现音的长短,这个时候就关系到一个重要概念,节拍。

1.2.1 音符时值与节拍

音符和该音符在演奏时呈现的时长结合在一起产生出不同时值类型音符,包括全音符、二分音符、四分音符、八分音符、十六分音符、三十二分音符等。如有下表:

“表示”下的音符“1”可为任意音符“x”,当“x”为“0”时得到各类音符对应的休止符。

音符时值指演绎一首乐曲时当前音符持续的时间。全音符定义音符时值的“基本单位”,其他音符时值在全音符基础上依次除以2得到,例如,一个全音符在时值上相当于二个二分音符时值。这样,不同时值类型音符间的关系就确定了。

在音符时值基础上形成节拍时值。一个节拍的时值是多少首先看拍号。上表拍号为4/4,表示以四分音符为一拍,一小节四拍。我们还可能遇到2/4、3/4、6/8这样的拍号,分别表示以四分音符为一拍,一小节2拍;以四分音符为一拍,一小节3拍;以八分音符为一拍,一小节六拍。总之,在拍号中,分母决定以哪个音符为一拍,分子决定一小节有多少拍。

一拍的时值是相对的,与节奏有关。当节奏为每分钟60拍时,一拍为一秒;当节奏为每分钟120拍时,一拍为半秒;当节奏为每分种240拍时,一拍为1/4秒,依此类推。当一拍时值确定后,根据拍号以及不同时值类型音符间的关系,音符时值就很容易确定了。例如,拍号1/8,节奏每分钟60拍,则一拍为1秒,一个四分音符为二拍二秒,一个二分音符为四拍四秒,全音符为八拍八秒。

音符和节拍时值不影响音符的表示。

1.2.2 附点音符

当音符右边出现一个小圆点“·”时,该音符叫附点音符。附点音符表示将时值延长至“·”前音符一半。例如,四分附点音符时值:1·=1+1,八分附点音符时值:1·=1+1。

1.2.3 减时线与增时线

一个音符下边出现的横线叫减时线,一道减时线表示将该音符时值减少一半,可以有多道减时线,如。

一个音符右边出现的横线叫增时线,一道增时线表示将该音符时值增加一拍(4/4),可以有多道增时线,如1 — — —。

1.2.4 连音线

如果符号“⌒”出现在同名音符上面则表示延音线,同一个音延续多个节拍,如下图“2”上的延音线。

如果符号“⌒”出现在多个音上面,则表示圆滑线,连接两个以上不同的音,要求多个音表现(唱、演奏)得连贯、圆滑,如上图第二个“⌒”所示。

1.2.5 scratch节拍编码

如图,

当拍号为4/4,节奏每分钟一百二十拍时,scratch节拍编码如下(单位:拍):

1 1 1 0.5 0.5 1.5 0.5 1 1 3 1 1.5 0.5 1 1 3 1

再比如,

拍号不变,节奏不变,scratch节拍编码如下(单位:拍):

Scratch017(音乐播放器) 1、编程小技巧:复制粘贴快捷键2、“造型编号”和“等于”积木3、“停止所有声音”积木块4、积木间之间搭配和运算的逻辑。 1.2k 阅读·13 点赞·31 收藏 阅读详情

相关推荐

Scratch018(音乐大师)

1、“将音量增加”和“将音量设为”积木2、音量和变量的不同显示方式3、音效:音调和左右平衡4、清除音效积木块。

weixin_46669997的博客 1291

scratch3.0入门卡片02创作音乐

scratch3.0入门卡片,scratch3.0正式版已经于1月2日推出。

scratch2源码天空之城动画版(配钢琴曲)

scratch2源码天空之城动画版(配钢琴曲)本资源系百度网盘分享地址

Scratch少儿编程项目音效音乐素材-【游戏】音效-超级玛丽音效包17个mp3.zip

Scratch少儿编程项目音效音乐素材-【游戏】音效-超级玛丽音效包17个mp3.zip

Scratch少儿编程项目音效音乐素材-【乐器】音效-钢琴.zip

Scratch少儿编程项目音效音乐素材-【乐器】音效-钢琴.zip

Microapp 接入vite子应用

MicroApp接入vite版本,干货满满,手把手步骤说明,加上报错说明,赶紧上车!

outsider76557的博客 4660

BMS开发避坑指南:如何用ADBMS6815实现0.03%精度的电池采样?

本文深入解析了如何利用ADBMS6815等高精度AFE芯片,在车规级BMS开发中实现0.03%级别的电池电压采样精度。文章从芯片选型、硬件设计、软件配置、算法优化到系统验证,提供了一套完整的实战指南,帮助工程师系统性地提升BMS测量精度,从而保障电池安全、延长寿命并增强产品竞争力。

weixin_28314575的博客 136

从OAuth到DID:Web4.0身份验证协议的技术演进图谱

在数字身份体系从Web2.0向Web4.0跨越的进程中,身份验证协议正经历着从中心化授权到自主主权的范式转移。本文通过对比OAuth 2.0、OpenID Connect等传统方案与W3C DID、ION等去中心化协议的技术架构,揭示身份验证技术在性能、安全、隐私三大维度的代际差异。基于对GitHub、欧盟数字身份钱包等典型系统的实测数据分析,量化评估中心化授权服务器的单点故障风险与DID链上验证的吞吐量瓶颈。结合零知识证明、分布式密钥管理等前沿技术,为开发者提供面向Web4.0的渐进式身份架构迁移策略。

水务人 836

【Android】条形码/二维码扫描——ZXing源码分析

正在更新中 针对3.2.1版本源码 与其他版本代码可能会有出入,但核心思想基本不变。 首先从com.google.zxing.client.android包中的目录结构分析:Book:这个文件夹中有5个类: BrowseBookListener 实现了adapter的点击事项响应,通过获取ISBN,然后跳转到Google books中查询响应的详细信息。 SearchBookContents

年轻的学徒 2455

扫地机器人:从仿真到决策,一个完整SLAM导航系统的自研之路

本文详细记录了从零开始自研扫地机器人SLAM导航系统的全过程,涵盖ROS-Gazebo仿真系统搭建、地图预处理优化、全覆盖规划算法迭代等关键技术。通过三次算法升级,最终实现92%的清洁效率,并分享DWA调参、状态机设计等实战经验,为开发者提供从仿真到落地的完整解决方案。

weixin_29053695的博客 352

【C2000系列DSP的双向DC-DC电源】基于TMS320F28034的DC-DC项目开发流程

理解DC-DC 双向电源(基于 TMS320F28034)的开发流程,需要从功能拆解、开发步骤、验证 / 测试项

昔时扬尘处 324

置顶必读(2) | 《YOLOv11实战:从入门到深度优化》目录导航篇(持续更新中)

🏆 本文收录于 《YOLOv11实战:从入门到深度优化》 专栏。 本专栏系统梳理并持续复现全网各类 YOLOv11 / YOLO系列改进方案与实战案例,目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。 内容坚持 持续更新 + 深度拆解 + 工程落地导向,不仅讲“怎么改”,更讲“为什么这样改、如何真正落地到项目中”。

**My Coding Family** 11万+

JAVA:Spring Boot 集成 Baidu UID-Generator ID 生成器

百度UID-Generator是一款高性能分布式ID生成器,支持600万QPS,提供Snowflake扩展版和Cache模式两种实现方式。文章详细介绍了如何在Spring Boot项目中集成该组件,包括Maven依赖配置、MySQL表结构初始化、Spring Boot数据源配置、WorkerId分配策略实现以及UID生成器的核心配置。该方案具有无中心依赖、ID单调递增、支持集群部署等特点,适用于订单号、用户ID等分布式场景。通过缓存模式(Cache-Buffer)可进一步提升性能,满足高并发业务需求。

木头 489

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

上一篇: 【高级教程】ctypes:从python菜鸟到c大神2
下一篇: 【高级教程】字节级数据处理:struct
苁心開始
博客等级 码龄19年 68粉丝 38原创
评论 11
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值