Musical Style Analysis using Statistical Pattern Recognition Peter van Kranenburg

Overzicht Inleiding Stylometry Muziek Repertoire Features Analyse Conclusies

Stylometry I Wat is stijl? Kan stijl gekwantificeerd worden? wat vs hoe Kan stijl gekwantificeerd worden? Filosofisch a priori: het aritmetische is een ‘toegangspoort’ tot de werkelijkheid. geen consensus over methodologie Er zijn veel methoden gebruikt, maar er is niet één methode die altijd ‘werkt’

Stylometry II Voorbeelden uit de ‘non-traditional authorship attribution’ woord- en zinlengte functiewoorden (‘als’, ‘dus’, etc) ‘rijkdom’ van het vocabulaire

Muziek Is stylometry toepasbaar op muziek? nog niet veel onderzoek naar gedaan. Behaalde successen in ‘authorship attribution’ geven goede hoop.

Repertoire Moet elektronisch beschikbaar zijn. Uit de verzameling van het CCARH Bach, Haendel, Telemann, Mozart, Haydn Orgelfuga’s van J.S. Bach enkele zijn ‘betwijfeld’

Datasets I. Alle componisten II. J.S. Bach, Telemann, Haendel III. J.S. Bach, Telemann en Haendel IV. J.S. Bach, alle anderen V. Telemann, Haendel VI. Mozart, Haydn VII. Telemann en Handel, Mozart en Haydn

Voorbeeld

Features (kenmerken) Samenklanken Overig intervallen tussen de stemmen dissonant vs consonant Overig ‘stabiliteit’ van het rime parallellen oplossing dissonanten

Implementatie I

Implementatie II Musicprobe **kern **kern **kern *MM60 *MM60 *MM60 *k[f#] *k[f#] *k[f#] *M4/4 *M4/4 *M4/4 *tb32 *tb32 *tb32 . 16c# 8e . 16d . . 16B 8a . 16c# . =8 =8 =8 8r 16d 16f# . 16c# 16e 8D 16d 16f#

Intermezzo: Machine learning Vergelijkbaar met de menselijke perceptie doelen automatisch verkrijgen van kennis een onbekend object classificeren methode: leren van een aantal bekende objecten: geen theorie vooraf nodig.

Analyse Feature reductie Unsupervised learning Supervised learning niet alle features zijn even belangrijk floating selection / Fisher-discriminanten Unsupervised learning clustering (k-means) Supervised learning Nearest neighbor decision tree (c4.5)

Fisher-discriminant I Man 2,10 2,00 Vrouw Fisher Criterium: Variantie tussen klassen Variantie binnen klassen Lengte (m) 1,60 1,50 Fisher-Discriminant 50 60 80 100 Massa (kg)

Nearest Neighbor

Fisher-discriminant II

Fisher-discriminant III

Decisiontree I

Decisiontree II Bach

Decisiontree III Haendel Telemann

Decisiontree IV Mozart Haydn

Conclusies Met de gebruikte features is het zeer goed mogelijk de verschillende stijlen te onderscheiden. Haendel schreef meer kwarten en sexten dan Telemann Bach: weinig parallelle tertsen, regelmatig ritme en veel dissonanten Mozart dichtere textuur dan Haydn

Vragen?

Delft