1 / 16

Rechnergestützte Musikanalyse Einführung

Rechnergestützte Musikanalyse Einführung. Projektseminar Musikwissenschaftliches Institut Hamburg WS 2005/06 Leitung: Klaus Frieler. Rechnergestützte Musikanalyse Motivation. Der Einsatz von Computer bietet neue Perspektiven und Möglichkeiten für die Musikwissenschaft, etwa:

wells
Télécharger la présentation

Rechnergestützte Musikanalyse Einführung

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Rechnergestützte Musikanalyse Einführung Projektseminar Musikwissenschaftliches Institut Hamburg WS 2005/06 Leitung: Klaus Frieler

  2. Rechnergestützte MusikanalyseMotivation • Der Einsatz von Computer bietet neue Perspektiven und Möglichkeiten für die Musikwissenschaft, etwa: • Statistische Analysen • Überprüfung kognitiver Modelle • Music Information Retrieval • Obwohl bereits seit den Sechzigern erfolgt, keine große Verbreitung oder breite Akzeptanz in der Musikwissenschaft • Im Gegensatz zur Musikproduktion, wo nichts mehr ohne Computer entsteht.

  3. Rechnergestützte MusikanalyseMotivation • Gründe für die geringe Verbreitung: • Keine Standardtools zur Musikanalyse mit nutzerfreundlichem Frontend • Viele Einzelprogramme auf vielen verschiedenen Plattformen und in vielen Programmiersprachen • Viele Formate symbolischer Musikkodierung • Technologische Hemmschwelle bei den Anwendern

  4. Rechnergestützte MusikanalyseÜbersicht • Man kann prinzipiell zwei Arten von RMA unterscheiden: • Symbolisch • Audio • Wir werden uns auf den symbolischen Bereich beschränken

  5. Rechnergestützte MusikanalyseSymbolische RMA • Benutzt musikalische Daten in symbolisierter Form, also in der Regel auf der Abstraktionsstufe eines Notentextes • Klangliche Aspekte können so kaum untersucht werden • Schwerpunkt auf syntaktische/kognitive Aspekte

  6. Rechnergestützte MusikanalyseSymbolische RMA • Zwei Hauptarten Symbolischer RMA (SRMA) • Kognitive RMA • Statistische RMA

  7. Rechnergestützte MusikanalyseKognitiveSRMA • Der Computer wird eingesetzt um kognitive Modelle zu überprüfen oder • auf Grund ihrer Komplexität überhaupt erst operationalisierbar zu machen, z.B. Temperleys Melismapaket • Hilfsmittel für musikwissenschaftliche Forschung, z.B. Einsatz von automatisierten Ähnlichkeitsmaßen als Tool für die Musikgedächtnisforschung (Müllensiefen)

  8. Rechnergestützte MusikanalyseKognitiveSRMA • Erstellung von Featureverteilungen in großen Datenmengen, z.B. Volksliedskonturen (Huron) • Automatisierung etablierter Theorien und deren Überprüfung, z.B. Set-Theorie für 12-ton Musik (Forte, u.a.) • Klassifikation und Kategorisierung von Musik mit statistischen Methoden, z.B. Katalog der luxemburschien Volksliedphrasen (Sagrillo)

  9. Rechnergestützte MusikanalyseSonstige SRMA • Automatisierte Begleitung (Band in a Box, Toiviainens Jazzbegleiter)

  10. Rechnergestützte MusikanalyseGrundlegende Vorgehensweise • Datenbeschaffung • Datenkodierung • Featureextraktion und/oder Transformation • (Kognitiver) Algorithmus oder statistische Methoden • Evalution

  11. Rechnergestützte MusikanalyseDatenbeschaffung und –kodierung • Oft einer der schwierigsten Punkte da zumeist: • Aufwändig (z.B. eigene Transkriptionen, Dateneingabe von Hand oder Keyboard) ODER • Teuer (z.B. jemanden Transkribieren lassen, MIDI Dateien kaufen)

  12. Rechnergestützte MusikanalyseDatenbeschaffung und –kodierung • Meist müssen die Daten noch konvertiert werden, möglicher Informationsverlust • Oder Daten müssen ergänzt werden, z.B. Segmentierungen • Datenkodierung ist schon eine gewisse Form vom Featurextraktion • Den einzelnen Datenformate wird noch eine ganze Sitzung gewidmet sein…

  13. Rechnergestützte MusikanalyseFeatureextraktion und Transformationen • Die Musikdaten müssen zumeist transformiert werden • Transformationen, die die Zahl der Dimensionen (Freiheitsgrade) entscheidend verringen heißen Featureextraktion

  14. Rechnergestützte MusikanalyseFeatureextraktion und Transformationen • Beispiel für Transformation • Darstellung einer Melodie mit Intervallen und IOIs, • Reduktion einer Melodie auf Akzentwerte • Implizite Tonalitäten pro Takt • Beispiele für Feature: • Ambitus • Mittlere Tonhöhe • Mittlere Dauer • Verteilung der Intervalle • Etc.etc

  15. Rechnergestützte MusikanalyseAlgorithmen und statistische Methoden • Hat man die Daten transformiert, kann man Algorithmen anwenden, z.B. • Beat/Metrumsextraktion • Ähnlichkeit/Distanzmaße • Verteilung von Kennzahlen über viele Daten • Statistische Klassifikatoren (SVM, neuronale Netze…) • Faktoren Analyse, MDS • (Hidden) Markov Models • Anpassung von Modellen anhand empirischer Daten • Und und und…

  16. Rechnergestützte MusikanalyseEvaluation • Besonders für kognitive Modelle ist eine Evaluation der gewonnen Ergebnisse wichtig. • Evaluation ist Überprüfung der Validität der Ergebnisse zumeist anhand empirischer Daten (z.B. Ähnlichkeitsurteilen von Musikexperten) oder anderer z.B. mathematischer Evaluationsmethoden

More Related