跳到主要內容

臺灣博碩士論文加值系統

(44.192.20.240) 您好!臺灣時間:2024/02/26 03:09
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:許柔樺
研究生(外文):Rou-Hua Hsu
論文名稱:MIDI音源之調性判斷
論文名稱(外文):Finding Keys for Midi Sources
指導教授:曹振海曹振海引用關係
指導教授(外文):Chen-Hai Tsao
學位類別:碩士
校院名稱:國立東華大學
系所名稱:應用數學系
學門:數學及統計學門
學類:數學學類
論文種類:學術論文
論文出版年:2014
畢業學年度:102
論文頁數:46
中文關鍵詞:調性MIDI音樂檔案機器學習監督式學習
外文關鍵詞:key-findingmidi-sourcesmachine learning methods
相關次數:
  • 被引用被引用:0
  • 點閱點閱:549
  • 評分評分:
  • 下載下載:56
  • 收藏至我的研究室書目清單書目收藏:0
本論文以 MIDI 音樂檔案作為資料,探討調性判定問題。以 Eerola and Toiviance (2004) MIDI Toolbox 中調性判別方法及程序作為比較基準,比較傳統統計方法與機器學習方法兩大類,以及 Eerola and Toiviance (2004)的方法。資料是從 MIDI 音樂檔案中擷取,音高和音長資訊為解釋變數,而反應變數為歌曲調性,以監督式學習架構並結合交叉驗證。實驗結果顯示,機器學習方法能得到較高的歌曲調性準確度。關於 K-K profile 之適切性及替代方法也會加以探討。
This project studies the key-finding problem for midi-sources. The correlation-based key-finding algorithm in Eerola and Toiviance (2004) is compared with some likelihood-based statistical methods and machine learning methods such as SVM, RF and LDA. For the Bach database and Pop database collected from web resources, both statistical methods and machine learning methods outperform the benchmark method of Eerola and Toiviance (2004) based on cross-validation experiments.
1 序論
1.1 動機
1.2 章節編排

2 資料和方法
2.1 MIDI資料
2.1.1 MIDI 介紹
2.1.2 MIDI Toolbox 套件
2.1.3 資料庫
2.2 機器學習
2.2.1 線性判別分析
2.2.2 支持向量機
2.2.3 隨機森林
2.2.4 交叉驗證

3 實驗分析
3.1 基礎方法
3.1.1 Correlation
3.1.2 Likelihood
3.2 機器學習方法與設定
3.2.1 LDA
3.2.2 SVM
3.2.3 RF

4 總結

A 交叉驗證結果
B 交叉比較
C 資料庫
1. Breiman, L. (2001). Random Forests. Machine Learning, 5-32.
2.Chih-Jen Lin, Chih-Wei Hsu, and Chih-Chung Chang (2001) LIBSVM: A Practical Guide to Support Vector Classication.[http://www.csie.ntu.edu.tw/cjlin/papers/guide/guide.pdf].
3. Cheng, C.R. (2013). Midi Query-by-Humming: A Jigsaw Matching Approach. National Dong Hwa University.
4. David, Li. (2005). A Key-Finding Algorithm Based on Tonal Hierarchies.[http://www.eecs.qmul.ac.uk/eniale/teaching/ise575/a/presentations/9.3-li.pdf].
5. Eerola, T. and Toiviainen, P. (2004). MIDI Toolbox: MATLAB tools for music re-search. University of Jyvaskyla: Kopijyva, Jyvaskyla, Finland.
6. Hastie, T., Tibshitsni, R. and Friedman, J. (2009). The Elements of Statistical Learn-ing - Data Mining, Inference, and Prediction. Springer, 2nd Edition.
7. Krumhansl and Kessler (1982). Tracing the Dynamic Changes in Perceived Tonal Organization in a Spatial Representation of Musical Keys. Psychological Review, 89(4), 334-368.
8. Krumhansl and Schmucker (1990). Cognitive Foundations of Musical Pitch. Oxford University Press, Oxford 77-110.
9. Margaret, G. (2011). Database of Bach Data.[URL:http://www.jsbchorales.net].
10. Parncutt, R. (1994). A perceptual model of pulse salience and metrical accent in mu-sical rhythms.Music Perception. 11(4), 409-464.
11. Temperley, D. (1999). What’s Key for Key? The Krumhansl-Schmuckler Key-Finding Algorithm Reconsidered. Music Perception 17, 65-100.
12. Temperley, D. (2002). A Bayesian Approach to Key-Finding. ICMAI 2002, LNAI 2445, 195-206.
13. Sarle, W.S. (1997). Periodic posting to the Usenet newsgroup comp.ai.neural-nets. [ftp://ftp.sas.com/pub/neural/FAQ.html].
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊