Identifying the Classical Music Composition
of an Unknown Performancewith Wavelet Dispersion Vector
andNeural Nets
V. CONTENT DESCRIPTION WITH WAVELETS
CONTENT DESCRIPTION WITH WAVELETS
Representación compacta que permita la búsqueda y recuperación eficientes de la información deseada.•Extracción del contenido de la información•Los datos extraídos deben permitir una generalización de la información
Se considera el movimiento 4 de Sonata No. 1 registrado por Y. Menuhin y N. Milstein.
La descripción de los datos permitirá una medida de la semejanza que identifique la composición audio.
CONTENT DESCRIPTION WITH WAVELETSEn este capítulo se presentan dos procedimientos para la extracción de información:•Descriptor de envolvente•A través de herramientas estadísticas
A. Gaussian Wavelet Envelope Descriptor: Descripción exacta del contenido de audio teniendo en cuenta una posible generalización del mismo a través de la estimación de la energía media de los coeficientes
N = 320, f=8Khz, T=40ms
Se fijan todos los valores de la energía más bajos que un umbral t a cero
Se elegido un valor de umbral limitador t de 0,05 que representa la intensidad de coeficientes apenas visibles.
CONTENT DESCRIPTION WITH WAVELETS
Se petrende que en motorde la búsqueda pueda identificar la pieza midiendo la semejanzaentre estas dos funciones.
CONTENT DESCRIPTION WITH WAVELETS
Se propone un algoritmo de sincronización
El algoritmo corrige retardos de tiempo en un archivo de voz distorsionado para obtener una correlación máxima con referencia al archivo.
Este algoritmo tendría que ser empleado para sincronizar todas las funciones en la base de datos del motor de búsqueda con la función de la pregunta de usuario. De tal modo, las funciones en la base de datos son corregidas insertando o suprimiendo muestras para obtener una semejanza máxima a la función del usuario.
Durante el procedimiento sincronización el algoritmo mide finalmente la correlación obtenida con relación con una función de referencia.
CONTENT DESCRIPTION WITH WAVELETSPara obtener una buena representación de las señales se empleaUna función gausiana:
CONTENT DESCRIPTION WITH WAVELETS
B. Statistical Wavelet Analysis for Content Description
The first set (set I) contains three different recordings of the firstmovement of Partita 3:1) Partita 3, movement i, Y. Menuhin (Pa3iMen57)2) Partita 3, movement i, J. Heifetz (Pa3iHei52)3) Partita 3, movement i, N. Milstein (Pa3iMil73)The second set (set II) contains the movements ii, iii, and iv of Partita 3, each one recorded by a different player:1) Partita 3, movement ii, Y. Menuhin (Pa3iiMen57)2) Partita 3, movement iii, J. Heifetz (Pa3iiiHei52)3) Partita 3, movement iv, N. Milstein (Pa3ivMil73)
CONTENT DESCRIPTION WITH WAVELETS
Herramientas Estadísticas
CONTENT DESCRIPTION WITH WAVELETS
CONTENT DESCRIPTION WITH WAVELETS
Medida de Escala de frecuencia
CONTENT DESCRIPTION WITH WAVELETS
Porcentaje de correlación
Identifying the Classical Music Composition
of an Unknown PerformancewithWavelet Dispersion Vector
andNeural Nets
VI. A NOVEL WAVELET DISPERSION MEASURE
A NOVEL WAVELET DISPERSION MEASURE
A. Wavelet Dispersion Classifier
El vector de dispersión wavelet permite la extracción de características especiales de un archivo audio 8 Khz5 segundos18 escalas
Los coeficientes obtenidos se almacenan en una matriz de 18 x (5 x 8000). Para cada escala (representada por una fila en la matriz de coeficientes)
Ejemplo:Sea C r la matriz de coeficiente s
A NOVEL WAVELET DISPERSION MEASURE
A NOVEL WAVELET DISPERSION MEASURE
Vector de dispersión
Para cada archivo audio este vector se puede construir para representar las características audio especiales. La base de datos del proyecto contiene 128 archivos audio.
A NOVEL WAVELET DISPERSION MEASURE
B. Wavelet Dispersion Measure Dimension Reduction
A NOVEL WAVELET DISPERSION MEASURE
C. Wavelet Dispersion Measure Performance Indicator