Αυτόματη σύνθεση μουσικής σε συμβολική μορφή με αναδρομικά νευρωνικά δίκτυα

Φιλανδριανός, Γεώργιος; Filandrianos, Georgios

dc.contributor.author	Φιλανδριανός, Γεώργιος	el
dc.contributor.author	Filandrianos, Georgios	en
dc.date.accessioned	2019-10-22T10:44:20Z
dc.date.available	2019-10-22T10:44:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49338
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17036
dc.rights	Default License
dc.subject	Data preprocessing	en
dc.subject	Machine learning	en
dc.subject	Deep learning	en
dc.subject	Music composition	en
dc.subject	Recurrent neural networks	en
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	Αυτόματη σύνθεση μουσικής	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Προεπεξεργασία δεδομέμων	el
dc.title	Αυτόματη σύνθεση μουσικής σε συμβολική μορφή με αναδρομικά νευρωνικά δίκτυα	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Αυτόματη σύνθεση μουσικής	el
heal.classification	Νευρωνικά δίκτυα	el
heal.classification	Machine learning	en
heal.classification	Deep learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-07-16
heal.abstract	Η Αυτόματη Σύνθεση Μουσικής αποτελεί ίσως ένα από τα πλέον κομβικά αλλά και δύσκολα έργα στον τομέα της ανακατασκευής πληροφορίας. Για τους ειδικούς αποτελεί το αποδοτικότερο μέσο επικοινωνίας τους ενώ για τους υπολοίπους χρήστες είναι ένα από τα καλύτερα μέσα έκφρασης των συναισθημάτων τους. Παρόλα αυτά η σύνθεση νέων και ενδιαφέροντών κομματιών είναι μια διεργασία η όποια απαιτεί βαθιά γνώση, εμπειρία και εξειδίκευση. Αντίστοιχη δυσκολία συναντάται και στους υπολογιστές όπου, παρόλες τις προσπάθειες, έχει αποδειχθεί μια εργασία ιδιαίτερα απαιτητική η όποια έχει γνωρίσει ως την ώρα επιτυχία μόνο σε μερικές κατηγορίες ακουσμάτων. Όπως και με τα περισσότερα έργα ανάκτησης και ανακατασκευής πληροφορίας στον τομέα της μουσικής, έτσι και τα συστήματα αυτόματης σύνθεσης που κατασκευάστηκαν στα πλαίσια αυτής της διατριβής ακολουθούν την τάση να αντικαθιστούν τα στάδια επεξεργασίας σήματος και εξαγωγής χαρακτηριστικών από στατιστικά μοντέλα με αρχιτεκτονικές βαθιάς μηχανικής μάθησης. Για τον λόγο αυτόν στην παρούσα εργασία επιλέχθηκε ο παραδοσιακός δρόμος όσο αναφορά την αναπαράσταση της μουσικής, ο οποίος είναι η κωδικοποίησή της σε ακολουθιακή μορφή και συγκεκριμένα η κωδικοποίησή της με το πρωτόκολλο Midi. Για το πειραματικό μέρος της εργασίας εκπαιδεύτηκαν διαφορετικές αρχιτεκτονικές νευρωνικών δικτύων με σκοπό δοσμένης μιας αρχικής μελωδίας να συνθέτουν κάποια πρωτότυπη συνέχειά της. Συγκεκριμένα χρησιμοποιήθηκαν: ένα Αναδρομικό Νευρωνικό Δίκτυο Βαθιάς Μακροπρόθεσμής Μνήμης (LSTM) με Πολλαπλά επίπεδα, μια αρχιτεκτονική Κωδικοποιητή- Αποκωδικοποιητή (LSTM Encoder- Decoder) καθώς και μια Αρχιτεκτονική Κωδικοποιητή- Αποκωδικοποιητή με Συγκέντρωση (LSTM Encoder- Decoder with Attention). Παράλληλα με την αρχιτεκτονική άλλαζε και το σύνολό εκπαίδευσης όπου χρησιμοποιήθηκαν σύνολα: πιάνου, κιθάρας καθώς και συνδυασμοί αλλά και παραλλαγές αυτών. Τέλος στα παραπάνω δίκτυα αλλάχθηκαν και ορισμένες υπερπαράμετροι τους όπως: το μέγεθος της μνήμης του LSTM και η μέθοδος πρόβλεψης, με σκοπό μα διερευνηθεί ο ρόλος και η επίδρασή τους στις παραγόμενες συνθέσεις.	el
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώγιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας- Γεώργιος	el
heal.committeeMemberName	Φωτάκης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	87 σ.
heal.fullTextAvailability	true