Musical Style Analysis using Statistical Pattern Recognition

Presentatie over: "Musical Style Analysis using Statistical Pattern Recognition"— Transcript van de presentatie:

1 Musical Style Analysis using Statistical Pattern Recognition
Peter van Kranenburg

2 Overzicht Inleiding Stylometry Muziek Repertoire Features Analyse
Conclusies

3 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’

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

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

6 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’

7 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

8 Voorbeeld

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

10 Implementatie I

11 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#

12 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.

13 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)

14 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)

15 Nearest Neighbor

16 Fisher-discriminant II

17 Fisher-discriminant III

18 Decisiontree I

19 Decisiontree II Bach

20 Decisiontree III Haendel Telemann

21 Decisiontree IV Mozart Haydn

22 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

23 Vragen?

24 Delft