Самоорганизующаяся карта коллекции Эссен

  1. П. Тойвиайнен и Т. Эерола Университет Ювяскюля, Финляндия Самоорганизующаяся карта коллекции Эссен
  2. Цель
  3. Извлечение функций
  4. Визуализация по СОМ
  5. Музыкальный материал
  6. Приложения
  7. Выводы и будущие направления
  8. Рекомендации
П. Тойвиайнен и Т. Эерола
Университет Ювяскюля, Финляндия

Самоорганизующаяся карта коллекции Эссен

Для более подробного описания метода см. Документ конференции ISSCM 2001 в формате PDF.

Цель

Цель метода - визуализация больших музыкальных корпусов (Data Mining). Метод основан на результатах, которые слушатели судят о сходстве мелодий, основываясь на часто встречающихся музыкальных особенностях (Castellano et al.1984; Krumhansl et al. 1999, 2000). Эта статистическая информация способствует психологическому сходству мелодий ( Eerola et al. 2001 ).

Извлечение функций

Общие статистические показатели музыки извлекаются из каждой мелодии отдельно: Общие статистические показатели музыки извлекаются из каждой мелодии отдельно:

  • Распределение высот, интервалов и длительностей (рисунок 2)
  • распределения высоты, интервала и длительности переходов

Визуализация по СОМ

Статистические особенности многомерны и трудны для изучения. Размеры уменьшены самоорганизующейся картой (SOM, Kohonen 1997).

  • моделирует формирование и функционирование упорядоченных карт признаков в центральной нервной системе
  • проецирует многомерные распределения на двумерную карту (рисунок 3)
  • мелодии со схожими функциями расположены проксимально

SOM - это искусственная нейронная сеть, которая SOM - это искусственная нейронная сеть, которая   имитирует процесс самоорганизации в центральной нервной системе с помощью простого, но эффективного численного алгоритма имитирует процесс самоорганизации в центральной нервной системе с помощью простого, но эффективного численного алгоритма. Он состоит из двумерного плоского массива простых блоков обработки, каждый из которых связан с опорным вектором. Размерность этих опорных векторов равна размерности векторов, используемых в качестве входных данных. После обучения с входными векторами, SOM обеспечивает нелинейное топографическое отображение из многомерного входного пространства в двумерный массив. Другими словами, каждый входной вектор отображается в некоторую единицу в массиве, а векторы, которые находятся близко друг к другу во входном пространстве, отображаются рядом друг с другом. Кроме того, SOM идентифицирует наиболее существенные признаки входного набора, обнаруживая в каждой части распределения входного вектора измерения с наибольшей дисперсией. На рисунке 3 схематично изображены принципы отображения, предоставляемые СДЛ. После обучения статистическим представлениям различных музыкальных стилей SOM можно использовать для визуализации организации мелодий. Мелодии, которые отображают аналогичные статистические свойства с точки зрения распределения высоты тона и переходов нот, расположены в смежных позициях на карте. Несколько функций могут быть объединены в одну визуализацию с использованием SOM ​​каждой функции в качестве входных данных при обучении суперкарты (рисунок 4). Дополнительную актуальность для суперкарты можно получить, взвесив каждую отдельную карту характеристик по ее перцептуальной значимости.

Музыкальный материал

  • 6252 народных песни из коллекции Essen (Schaffrath, 1995), в основном из германских регионов, горстка народных песен из других регионов мира
  • 2226 китайских народных песен из северной части и приграничного района Нинся и Шаньси
  • все мелодии, закодированные в символическом формате ( банальный ** керн формат)
  • Коллекция Essen была первоначально создана Гельмутом Шаффратом, а затем отредактирована Ewa Dahlig и David Huron.
  • электронная версия базы данных публикуется и распространяется Центром компьютерных исследований в гуманитарных CCARH )

Приложения

Демонстрация метода разделена на три инструмента. Инструмент 1 обеспечивает общий обзор функций, отображая организацию каждой карты вместе с энтропией каждого объекта. Энтропия - это мера сложности, которая ранее использовалась при различении музыкальных стилей (Knopoff & Hutchinson, 1983; Snyder, 1990). Этот инструмент показывает песни с похожими особенностями в ближайших областях и, таким образом, может использоваться для исследования отношений сходства между песнями. Это также позволяет воспроизводить любую выбранную песню на каждом SOM. Демонстрация этого инструмента доступна на WWW ( www.jyu.fi/musica/essen ). Инструмент 2 обеспечивает визуализацию статистических характеристик, представленных СДЛ. Инструмент 3 объединяет поиск по ключевым словам с отношениями сходства признаков. Этот инструмент может быть использован для поиска стилистических кластеров или определенных местоположений песен, содержащих любые выбранные критерии, такие как «баллады», 3/4 временных подписей, «Тироль» или любую их комбинацию. Это облегчает формулирование и ответы на музыкально и культурно интересные вопросы из корпуса.

Выводы и будущие направления

Был представлен метод анализа большого музыкального корпуса и специальные практические инструменты для извлечения музыкальных данных. Метод основан на статистическом распределении символических событий и последующем исследовании отношений сходства. Самоорганизующаяся нейронная сеть (SOM) была использована для визуализации векторов признаков. Однако в настоящее время существует много возможностей для улучшения самого метода. Например, принимая во внимание общий мелодический контур, иерархическое сокращение мелодической поверхности, перцептивное взвешивание событий в соответствии с метрической позицией, а также значимость и формулировка обеспечили бы большую сложность и повысили бы перцептивную актуальность метода. Необходимы дальнейшие исследования для оценки применимости данного метода к аудио материалу.

Рекомендации

  • Castellano, MA, Bharucha, JJ & Krumhansl, CL (1984). Тональные иерархии в музыке Северной Индии. Журнал экспериментальной психологии: Общее, 113, 394-412.
  • Eerola, T., Ярвинен, T., Louhivuori, J. & Toiviainen, P. (2001). Статистические особенности и воспринимаемое сходство народных мелодий. Восприятие музыки, 18, 275-296.
  • Ярвинен Т., Тойвиайнен П. и Лоуивуори Дж. (1999). Классификация и категоризация музыкальных стилей с помощью статистического анализа и самоорганизации карт. Материалы симпозиума AISB'99 по музыкальному творчеству. Эдинбург: AISB, 54-57.
  • Кнопофф, Л. & Хатчинсон, В. (1983). Энтропия как мера стиля: влияние длины выборки. Журнал теории музыки, 27, 75-97.
  • Кохонен, Т. (1997). Самоорганизующиеся карты (2-е изд.). Берлин: Спрингер.
  • Krumhansl, CL, Louhivuori, J., Toiviainen, P., Järvinen, T. & Eerola, T. (1999). Мелодическое ожидание в финских народных гимнах: сближение статистического, поведенческого и вычислительного подходов. Music Perception, 17 (2), 151-196.
  • Krumhansl, CL, Toivanen, P., Eerola, T., Toiviainen, P., Järvinen, T. & Louhivuori, J. (2000). Межкультурное музыкальное познание. Когнитивная методология, применяемая в отношении северных саамов. Познание, 75, 1-46.
  • Шаффрат Х. (1995). Коллекция Essen Folksong в формате Kern. [компьютерная база данных]. Д. Гурон (ред.). Менло Парк, Калифорния: Центр компьютерных исследований в гуманитарных науках, 1995.
  • Снайдер, JL (1990). Энтропия как мера музыкального стиля: влияние априорных предположений. Теория музыки Спектр, 12, 121-160.
  • Тойвиайнен, П. (1995). Моделирование техники ноты-мишени джазовой импровизации в стиле бибоп: подход искусственной нейронной сети. Music Perception, 12 (4), 399-413.