URL: http://jsdp.rcisp.ac.ir/article-1-724-fa.html
در دهه اخیر به دلیل رشد سریع دادههای موسیقی که به صورت فایلهای صوتی در اینترنت و از طریق پایگاه دادههای بسیار بزرگ قابل دسترس هستند، توجه محققین به روشهای پردازش خودکار سیگنال های موسیقی بیشتر از گذشته شده است. شناسایی خودکار سبک موسیقی نیز به عنوان یکی از زمینههای تحقیقی جذاب در این عرصه میباشد. در این مقاله روشهای مختلفی برای استخراج ویژگی، انتخاب ویژگی و مدلسازی برای شناسایی خودکار 8 سبک موسیقی شامل سبکهای Celtic، Classic، Classic Piano، Jazz، Metal، Persian Classic، Relaxing و Dance که از آلبومهایی با نوازندههای مختلف جمعآوری شدند، پیادهسازی و مورد ارزیابی قرار گرفت. از میان روشهای رایج استخراج ویژگی که در حوزه تشخیص گفتار، شناسایی آلت موسیقی و همچنین شناسایی سبک موسقی مورد استفاده قرار میگیرند، انواع ویژگیهای کوتاه مدت، میان مدت و بلند مدت بررسی شده و از ویژگیهای بلند مدت به دلیل اینکه در تعیین سبک موسیقی کارآیی چندانی نداشتند، صرف نظر گردید. با استفاده از یک روش انتخاب ویژگی و مطالعه ترکیبهای مختلف ویژگیها، بردار ویژگی مناسب به دست آمد که نهایتا با استفاده از حدود 30 ویژگی برتر انتخاب شده از بین 122 ویژگی، به کارایی 90% در تشخیص سبک موسیقی دست یافتیم. مدلسازی سبکهای موسیقی با و بدون در نظر گرفتن توالی زمانی مورد ارزیابی قرار گرفت. از روشهای مدلسازی مانند شبکههای عصبی، مدل مخلوط گاوسی، درخت تصمیم، ماشین بردار پشتیبان به تنهایی و نیز در یک ساختار سلسهمراتبی که در آن شناسایی سبک موسیقی از کلاسهای با تعداد بیشتری سبک موسیقی شروع و به کلاسهای با تنها یک سبک موسیقی ختم میگردد استفاده شد. کارایی بدست آمده با استفاده از این ساختار سلسهمراتبی 88% و در حدود 2% از ساختار مسطح کمتر است، ضمن اینکه ساختار سلسله مراتبی برای تعیین سبک موسیقی در مواردی که با تعداد زیادی از سبکهای موسیقی مواجه هستیم بدلیل نیاز به استفاده از تعداد کمتری طبقهبندی کننده در مرحله آزمایش، از سرعت بالاتری برخوردار است. علاوه بر این در یک ساختار سلسلهمراتبی دیگر، سعی شد که دستهبندی کنندهها به صورت ترکیب موازی مورد استفاده قرار گرفته و تصمیمگیری بر اساس رایگیری نسبت به نتیجه به دست آمده از دستهبندی کنندهها انجام شود.