Electrical - Electronic Engineering / Elektrik - Elektronik Mühendisliği
Permanent URI for this collectionhttps://hdl.handle.net/11147/11
Browse
2 results
Search Results
Research Project Klasik Türk Müziği Kayıtlarının Otomatik Olarak Notaya Dökülmesi ve Otomatik Makam Tanıma(2010) Bozkurt, Barış; Savacı, Ferit Acar; Karaosmanoğlu, Mustafa KemalBu projede Klasik Türk müziği kayıtlarının otomatik olarak notaya dökülmesi ve makamların otomatik olarak tanınması için literatürde ilk defa kullanılan yöntem ve teknikler önerilmiş, yazılımlar gerçeklenmiştir. Bu amaçlara ulaşabilmek için bir dizi problem derinlemesine incelenmiştir. Öncelikle temel titreşim frekans(f0) analizi için literatürde varolan teknikler denenerek en uygun algoritma seçilmiştir. Bu algoritma ile elde edilen sonuçları iyileştirmek için bazı süzgeçler tasarlanmış ve önemli iyileştirmeler sağlanmıştır. Bunu takiben f0 bilgisinden f0 dağılımları(kullanım sıklıkları) elde edilmiş, f0 dağılımlarını kullanarak karar sesi tespiti, kuram - icra uyum düzeyi ölçümü ve otomatik makam tanıması yapan özgün araçlar tasarlanmıştır. Literatürde ilk defa 5 ayrı kuram ve 9 sık kullanılan makamdan güvenilir kayıtlar içeren veri setleri üzerinde kuram - icra uyum düzeyi detaylı olarak incelenmiştir. Yine ilk olarak birçok hesaplamalı müzikoloji çalışmasında kullanılabilecek sembolik bir Türk müziği veritabanı hazırlanmış ve paylaşıma açılmıştır. Otomatik notaya dökme uygulaması için gerekli olan başlangıç noktası tespit algoritması, f0 nicemleme yöntemi ve MIDI’ye dönüştürme araçları geliştirilmiştir.Article Skewed Alpha-Stable Distributions for Modeling and Classification of Musical Instruments(Türkiye Klinikleri Journal of Medical Sciences, 2012) Özbek, Mehmet Erdal; Çek, Mehmet Emre; Savacı, Ferit AcarMusic information retrieval and particularly musical instrument classification has become a very popular research area for the last few decades. Although in the literature many feature sets have been proposed to represent the musical instrument sounds, there is still need to find a superior feature set to achieve better classification performance. In this paper, we propose to use the parameters of skewed alpha-stable distribution of sub-band wavelet coefficients of musical sounds as features and show the effectiveness of this new feature set for musical instrument classification. We compare the classification performance with the features constructed from the parameters of generalized Gaussian density and some of the state-of-the-art features using support vector machine classifiers.