reconhecimento de ritmo musical por anÁlise de .reconhecimento de ritmo musical por anÁlise de

Download RECONHECIMENTO DE RITMO MUSICAL POR ANÁLISE DE .RECONHECIMENTO DE RITMO MUSICAL POR ANÁLISE DE

If you can't read please download the document

Post on 09-Nov-2018

212 views

Category:

Documents

0 download

Embed Size (px)

TRANSCRIPT

  • ULISSES NAIRNE DE ALMEIDA

    RECONHECIMENTO DE RITMO MUSICAL POR ANLISE

    DE SINAIS DE UDIO DE AMPLITUDE E FREQUNCIA

    Canoas, 2009

  • ULISSES NAIRNE DE ALMEIDA

    RECONHECIMENTO DE RITMO

    MUSICAL POR ANLISE DE SINAIS

    DE UDIO DE AMPLITUDE E

    FREQUNCIA

    Trabalho de concluso apresentado para

    banca examinadora do curso de Cincia da

    Computaodo Centro Universitrio La Salle

    - Unilasalle, como exigncia parcial para

    obteno do grau de Bacharel em Cincia da

    Computao.

    Orientao: Profa. Dra. Mrcia Hfele Islabo Franco

    Canoas, 2009

  • ULISSES NAIRNE DE ALMEIDA

    RECONHECIMENTO DE RITMO MUSICAL POR ANLISE

    DE SINAIS DE UDIO DE AMPLITUDE E FREQUNCIA

    Trabalho de concluso apresentado para

    banca examinadora do curso de Cincia da

    Computaodo Centro Universitrio La Salle

    - Unilasalle, como exigncia parcial para

    obteno do grau de Bacharel em Cincia da

    Computao.

    Aprovado pela banca examinadora em 28 de novembro de 2009

    BANCA EXAMINADORA:

    Prof. Me. Abraham Lincoln Rabelo de SousaCentro Universitrio La Salle - Unilasalle

    Prof. Me. Rafael KunstCentro Universitrio La Salle - Unilasalle

  • AGRADECIMENTOS

    Agradeo principalmente aos meus pais, Salvador Assis de Almeida e Maria

    Nairne de Almeida, pelo amor, apoio, suporte, compreenso e imprescindvel

    ajuda durante todas as pocas de minha vida. Ao meu irmo, Leonardo, pela

    amizade incondicional que venceu obstculos severos e por todos os bons mo-

    mentos proporcionados em sua companhia.

    A todos os colegas e professores da faculdade pelos grandes ensinamentos e

    informaes compartilhadas, pelo companheirismo, pelas risadas e por tudo que

    me proporcionaram vivenciar enquanto colega de classe, profissional e aprendiz.

    Agradeo a Sirlei Belling, minha namorada, por todo amor e carinho dedica-

    dos, presentes em cada momento decisivo. Por acreditar na minha capacidade

    acima de tudo e por sempre elevar a patamares mais altos o nimo para contin-

    uar, ainda que sob as presses e frustraes sofridas ao longo caminho.

    Agradeo minha orientadora, ou melhor dizendo amiga, Mrcia Hfele Is-

    labo e a todos os professores do Centro Universitrio La Salle que de uma forma

    ou outra contriburam com a direo correta para as pesquisas cientficas real-

    izadas nesse trabalho.

  • RESUMO

    Hoje em dia existem muitos trabalhos que buscam encontrar uma maneira

    mais confivel e apropriada de classificar automaticamente a crescente quanti-

    dade de msicas no formato de udio digital. Vislumbrando num futuro no to

    longnquo, provvel que todo o contedo de udio gerado pelo homem esteja

    de alguma maneira na Internet ou para compra ou para fazer download gratuito.

    Neste pensamento, a classificao automtica de msicas estar mais presente

    no cotidiano dos usurios de computador, j que atualmente um dos maiores

    divertimentos ouvir msicas no formato digital. Entretanto, existem vrias pro-

    postas para a classificao automtica mas a maioria delas necessita da presena

    de um especialista, ou seja, manualmente. Sabe-se que este mtodo lento e com

    um alto custo, alm de produzir muitas inconsistncias e principalmente proble-

    mas relacionados a padronizao. Este trabalho prope-se a estudar as tcnicas

    baseadas em amplitude, frequncia produzidas pela msica e redes neurais para

    a classificao automtica de ritmos musicais. Com isso, busca-se produzir uma

    nova abordagem com o intuito de obter sadas mais significativas e padronizadas

    das existentes.

    Palavras-chave: Tcnicas de Fourier, Redes Neurais, Classificao, Tcnicas de

    Fisher, Tcnicas de K-Vizinhos.

  • ABSTRACT

    Nowadays there are many searches that aim at finding a more reliable and ap-

    propriate way of classifying automatically the increasing amount of songs in the

    digital audio format. Seeking for a future not so distant, it is likely that all audio

    content generated by the mankind is somehow free for sale or download on the

    Internet. On this track, the autoatic classification of songs will be more present

    daily for computer users, as nowadays one of the hoghest entertainments is to lis-

    ten to music in the digital format. However, there are many proposals on how ti

    classify them automatically but most need a specialist, in other words manually.

    Its known this method is slow and high cost, besides producing many incon-

    sistencies and specially problems related to standardization. This work aims at

    studying the techniques based on amplitude, frequency produced by the songs

    and neural networks to an automatic classification of rhythms. As a result, we

    seek at producing a new approach in order to obtain more meaningful outputs

    and standardized form the existing.

    Keywords: Fourier techniques, Artificial Neural Network, Classification, Fisher

    techniques, KNN techniques.

  • SUMRIO

    LISTA DE SMBOLOS E ABREVIATURAS . . . . . . . . . . . . . . . . . . 6

    LISTA DE FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

    LISTA DE TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

    1 INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

    1.1 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

    1.2 Viso Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

    2 FUNDAMENTAO TERICA . . . . . . . . . . . . . . . . . . . . . . 11

    2.1 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . 11

    2.1.1 Funes de Ativao . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

    2.1.2 Aprendizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

    2.2 Processamento Digital de Sinais . . . . . . . . . . . . . . . . . . . . . 15

    2.2.1 Magnitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

    2.2.2 Anlise de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

    3 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . . . . . . 20

    4 RECONHECIMENTO DE ESTILO MUSICAL . . . . . . . . . . . . . . 22

    5 EXPERIMENTOS REALIZADOS . . . . . . . . . . . . . . . . . . . . . . 27

    5.1 Mtodo de Fisher (FDLF) . . . . . . . . . . . . . . . . . . . . . . . . . 27

    5.2 Mtodo de K-Vizinhos (KNN) . . . . . . . . . . . . . . . . . . . . . . 28

    6 CONCLUSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

    6.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

    REFERNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

  • LISTA DE SMBOLOS E ABREVIATURAS

    PDS - Processamento Digital de Sinais

    IA - Inteligncia Artificial

    RNA - Redes Neurais Artificiais

    WAV - Windows Audio Video

    FS - Srie de Fourier

    FT - Transformada de Fourier

    DTFS - Srie de Fourier de Tempo Discreto

    DTFT - Transformada de Fourier de Tempo Discreto

    AM - Amplitude modulada

    FM - Frequncia modulada

    MUGRAT - Music Genre Recognition

    MP3 - MPEG Audio Layer-3

    FFT - Fast Fourier Transform

    KNN - K Nearest Neighbor

    FDLF - Funo discriminante linear de Fisher

    SVM - Support Vector Machine

    RBF - Radial Basis Function

  • LISTA DE FIGURAS

    Figura 1 - Modelo de um neurnio artificial de McCulloch e Pits . . . . . . . 12

    Figura 2 - Aprendizado supervisionado . . . . . . . . . . . . . . . . . . . . . 14

    Figura 3 - Aprendizado no-supervisionado . . . . . . . . . . . . . . . . . . 15

    Figura 4 - Comparativo entre frequncias e amplitudes . . . . . . . . . . . . 18

    Figura 5 - Pr-Modelo de concepo de estudos realizados . . . . . . . . . . 22

    Figura 6 - Projeo de Fisher em diferentes subespaos . . . . . . . . . . . . 27

    Figura 7 - Projees de Fisher 3D . . . . . . . . . . . . . . . . . . . . . . . . . 28

    Figura 8 - Experimentos com o ritmo Ax . . . . . . . . . . . . . . . . . . . . 31

    Figura 9 - Experimentos com o ritmo Black Music . . . . . . . . . . . . . . . 31

    Figura 10 - Experimentos com o ritmo Clssica . . . . . . . . . . . . . . . . . 31

    Figura 11 - Experimentos com o ritmo Eletrnica . . . . . . . . . . . . . . . . 32

    Figura 12 - Experimentos com o ritmo Dance . . . . . . . . . . . . . . . . . . 32

    Figura 13 - Experimentos com o ritmo Hard Rock . . . . . . . . . . . . . . . 32

    Figura 14 - Experimentos com o ritmo Heavy Metal . . . . . . . . . . . . . . 33

    Figura 15 - Experimentos com o ritmo Blues / Jazz . . . . . . . . . . . . . . . 33

    Figura 16 - Experimentos com o ritmo Pop . . . . . . . . . . . . . . . . . . . 33

    Figura 17 - Experimentos com o ritmo Reggae . . . . . . . . . . . . . . . . . 34

    Figura 18 - Experimentos com o ritmo Samba . . . . . . . . . . . . . . . . . . 34

    Figura 19 - Experimentos com o ritmo Pagode . . . . . . . . . . . . . . . . . 34

    Figura 20 - Experimentos com o ritmo Sertaneja . . . . . . . . . . . . . . . . 35

    Figura 21 - Experimentos com o ritmo MPB . . . . . . . . . . . . . . . . . . . 35

    Figura 22 - Experimentos com o ritmo Gauchesca . . . . . . . . . . . . . . . 35

    Figura 23 - Comparao do aprendizado de todos os ritmos musicais . . . 36

    Figura 24 - Comparao da taxa de erro de todos os ritmos musicais . . . . 36

  • LISTA DE TABELAS

    Tabela 1 - As principais tarefas que as RNA podem executar e alguns exemplos

    de aplicao (Haykin and Veen, 2001). . . . . . . . . . . . . . . . . . . 13

    Tabela 2 - Relao entre propri