Identifying the Classical Music Composition of an Unknown Performance with Wavelet Dispersion Vector and Neural 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 WAVELETS En 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 motor de la búsqueda pueda identificar la pieza midiendo la semejanza entre 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 WAVELETS Para obtener una buena representación de las señales se emplea Una 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

Medida de Escala de frecuencia

CONTENT DESCRIPTION WITH WAVELETS Porcentaje de correlación

Identifying the Classical Music Composition of an Unknown Performance withWavelet Dispersion Vector and Neural 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 Khz 5 segundos 18 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

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