Αυτόματη εναρμόνιση μελωδίας με νευρωνικά δίκτυα

Συρράφος, Δημήτριος; Syrrafos, Dimitrios

dc.contributor.author	Συρράφος, Δημήτριος	el
dc.contributor.author	Syrrafos, Dimitrios	en
dc.date.accessioned	2020-11-25T10:47:58Z
dc.date.available	2020-11-25T10:47:58Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52063
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19761
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Μουσική σε συμβολική μορφή	el
dc.subject	Βαθειά μηχανική μάθηση	el
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Convolutional neural networks	en
dc.subject	Artificial neural networks	en
dc.subject	Music in symbolic language	en
dc.subject	Deep learning	en
dc.subject	Recursive neural networks	en
dc.title	Αυτόματη εναρμόνιση μελωδίας με νευρωνικά δίκτυα	el
heal.type	bachelorThesis
heal.classification	Νευρωνικά Δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-05-21
heal.abstract	Η αυτόματη σύνθεση μουσικής αποτελεί ένα από τα πιο κομβικά αλλά και δύσκολα έργα στον τομέα ανακατασκευής πληροφορίας. Η σύνθεση μουσικής όπως την αντιλαμβάνεται ένας μουσικός μπορεί να χωριστεί σε δύο επιμέρους διαδικασίες: την κατασκευή της μελωδίας του κομματιού και της αρμονίας του. Οι διαδικασίες αυτές είναι αλληλένδετες καθώς η μελωδία και η αρμονία πρέπει να παράγουν μαζί ένα αισθητικά ικανοποιητικό αποτέλεσμα. Μια συνήθης πρακτική είναι η κατασκευή της μελωδίας σε πρώτη φάση και έπειτα η εύρεση κατάλληλων συγχορδιών που να τη συνοδεύουν. Αυτή η διαδικασία, το έργο δηλαδή της εναρμόνισης της μελωδίας με αυτόματο τρόπο αποτελεί το θέμα της συγκεκριμένης διπλωματικής εργασίας. Όπως με τα περισσότερα έργα του τομέα ανάκτησης μουσικής πληροφορίας, τα σύστημα αυτόματης εναρμόνισης μελωδίας τείνουν να αντικαθιστούν τα στάδια επεξεργασίας σήματος, εξαγωγής χαρακτηριστικών και στατιστικών μοντέλων με μεθόδους βαθειάς μηχανικής μάθησης. Η παρούσα εργασία δεν αποκλίνει από την επικρατούσα τάση να γίνεται αναπαράσταση της μουσικής με συμβολικό τρόπο με τη μορφή αρχείων XML. Στο πειραματικό μέρος της εργασίας εκπαιδεύτηκαν διαφορετικά νευρωνικά δίκτυα με σκοπό την παραγωγή ακολουθιών συγχορδιών. Η ακολουθιακή φύση της μουσικής μας έκανε να στραφούμε σε αναδρομικά νευρωνικά δίκτυα που ειδικεύονται σε τέτοιου είδους εφαρμογές. Χρησιμοποιήσαμε αρκετές παραλλαγές του μοντέλου κωδικοποιητή αποκωδικοποιητή με απλά, αμφίδρομα και πολυεπίπεδα LSTM καθώς και το μοντέλο κωδικοποιητή αποκωδικοποιητή με μηχανισμό προσοχής. Εκτός από την απόδοση των παραπάνω εξεταζόμενων μοντέλων, γίνεται και μια αξιολόγηση των τεχνικών διεξαγωγής προβλέψεων από τα μοντέλα αυτά. Τέλος, επειδή ο χαρακτηρισμός μιας ακολουθίας συγχορδιών σαν σωστός η λανθασμένος δεν είναι ξεκάθαρος, για την συνολική αξιολόγηση των μοντέλων και των τεχνικών διεξαγωγής προβλέψεων χρησιμοποιηθήκαν κάποιες μετρικές συναρτήσεις που δείχνουν μια αίσθηση για το ποσό «ανθρώπινο» είναι το παραγόμενο αποτέλεσμα. Τα αποτελέσματα των εξεταζόμενων δικτύων συγκρίθηκαν με αληθινά δεδομένα καθώς και με τα αποτελέσματα που προήλθαν από ένα state of the art συνελικτικό νευρωνικό δίκτυο, το Coconet. Λέξεις κλειδιά: τεχνητά νευρωνικά δίκτυα, μουσική σε συμβολική μορφή, βαθειά μηχανική μάθηση, αναδρομικά νευρωνικά δίκτυα, συνελικτικά νευρωνικά δίκτυα, αρχιτεκτονική κωδικοποιητή - αποκωδικοποιητή, μελωδία, αρμονία, συγχορδίες, κλίμακες και τρόποι	el
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας - Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	96 σ.	el
heal.fullTextAvailability	false