Statistische Suche nach melodischen Prototypen Musikwissenschaftliches Institut Hamburg WS 2005/06...
-
Upload
malger-struckman -
Category
Documents
-
view
102 -
download
0
Transcript of Statistische Suche nach melodischen Prototypen Musikwissenschaftliches Institut Hamburg WS 2005/06...
Statistische Suche nach melodischen Prototypen
MusikwissenschaftlichesInstitut Hamburg
WS 2005/06Klaus Frieler
1. Einleitung Der melodische Bogen
Huron (1996) untersuchte 36,075 Phrasen aus 6,251 Volkslieder aus der Essen Datenbank (EsAC) in Hiblick auf ihre grobe Kontur:
1. Nimm die erste und die letzte Note und den Mittelwert der dazwischen liegenden Noten.
2. Betrachte die Intervallrealtionen +, -, 03. 9 möglichen Kombinationen, z.B.
+- = konvex, ++ = aufsteigend, -- = fallend, -+ = konkav, 00 = horizontal
Wir machten dasselbe mit unseren Daten
1. Einleitung Grobkontur - Vergleich
1. Einleitung Idee
Untersuche die Kontur von melodischen Phrasen mit Polynom-Fits und Cluster-verfahren
Polynom-Fit zuerst vorgeschlagen vonSteinbeck 1982:
2. Daten Die ausgewählten Lieder
50 Songs von internationalen Boy- und Girlgroups
Jeder Song war in den offiziellen Top 50 Deutsch Single Charts zwischen 1990 and 2005
Melodien wurden aus Lead- und Backingvocals der Songs extrahiert.
Insgesamt 17,000 Noten
2. Daten Segmentierung
Ein Song kann in vier hierarchische Formebenen aufgegliedert werden:
Ebene 1 – Der Song als ganzes Ebene 2 – Formeinheiten (Strophe,
Refrain , Bridge etc.) Ebene 3 – Phrasengruppen Ebene 4 – Phrasen
2. Daten Segmentierung
Existierende Segmentierungswerkzeuge (z.B. Temperley & Sleator, 1999, Cambouropoulos 2001) ergaben keine hinreichend guten Resultate, also wurden die Songs von Hand segmentiert
Das ergab 1516 Phrasen Aussonderung von identische Phrasen in jedem Song Aussonderung von von Rap-Phrasen ohne erkennbare
Tonhöhenkontour
Es blieben 989 Phrasen. Phrasenlängen zwischen 2 und 26 Noten, Maximum bei 5
Noten pro Phrase
2. Daten Verteilung der Phrasenlängen
2. Daten Vorverarbeitung
Verwendete Informationen:1. Anzahl der Noten in jeder Phrase 2. Polynom-Fits zu Serien normierter
Tonhöhen und Einsatzzeiten
2. DatenNormierung der Phrasen
Alle Einsatzzeiten der Phrasen wurden in den Bereich von 0-1 skaliert
Allle Phrasen wurden so transponiert, dass die mittlere Tonhöhe bei 0 lag.
Tranponierte Tonhöhen wurden durch 12 geteilt Skalierung einer Oktave auf den Wert 1
p‘ = (p– pmittel) / 12 (Normierung des Ambitus auf [-1,1] wurde
untersucht, aber fallen gelassen)
2. Data Polynom-Fit
Polynom: p(t) = antn + an-1tn-1 +…+a1t + a0
n ist die Ordnung des Polynoms. Polynom-Fit: Suche Koeffizienten an…a0, so
dass die Kurven maximal nah beieinander sind Problem: Welche Polynomordnung soll
man wählen? Trade-off zwischen zu genau und zu grob. Nach Vorversuchen, Fits 2., 4. und 6. Ordnung
ausgewählt.
2. Data Polynom-Fit: Beispiele
´
3. ClusterungAlgorithmen
Wir benutzten folgende Methoden: Ward- und nachfolgende k-means-Clusterung
(SPSS), inklusive Zahl der Noten (ZdN) Einfaches k-means Verfahren ohne ZdN
(WEKA) „Cluster feature tree“ mit nachfolgender
hierarchischer Clusterung (mit ZdN, SPSS) Erwartungsmaximierungs-(EM)Clusterung (R
mit ZdN, WEKA ohne ZdN)
3. ClusterungResultate
Viele, viele verschiedene Clusterlösungen gefunden.
Lösungen zu Polynomen 4. Und 6. Ordnung hart zu interpretieren
Cluster feature tree war am schlechtesten Beste Ergebnisse: 2. Ordnung/EM (ohne
ZdN) und einfaches k-Means (4 Cluster ohen ZdN): Ergab ungefähr dieselben Cluster.
4. ErgebnisseEinige Beispiele (Clusterschwerpunkte)
Ward/kMeans (ZdN), 2. Ord. EM (ZdN), 4. Ord. EM, 4. Ord.
EM, 6.Ord k-Means, 6. Ord. Ward/k-Means (ZdN, 6. Ord)
4. Ergebnisse EM/k-Means 2. Ordnung
Jeweils 4 Cluster mit sehr ähnlichen Clustern! (Beide ohne ZdN)
4. ErgebnisseKonturenverteilung in den EM2-Clustern
.
Cluster Konkav-
fallend
Mischung Großer Bogen Kleiner Bogen
N 142 320 190 337
Fallend 40% 44% 0% 4%
Steigend 3% 26% 4% 26%
Konkav 57% 7.5% 0% 0%
Konvex 0% 14% 96% 70%
Horizontal 0% 8.5% 0% 0%
4. Ergebnisse EM(2.Ordnung) – Clusterplots
Cluster 1 (Konkav, fallend) Cluster 1 + 2 (Mischcluster)
Cluster 1, 2 + 3 (Großer Bogen) Cluster 1, 2, 3 + 4 (Kleiner Bogen)