نویسنده : صاحبه شعبانی درویشانه بری

دانشكده : دانشکده تحصیلات تکمیلی و مجتمع فنی

رشته/گرایش تحصيلي : مهندسي كامپيوتر- نرم افزار

استاد راهنما (استاد مدعو) : , دکتر اسدالله شاه بهرامی,

چكيده : چکیده در سال¬های اخیر، رشد روزافزون در صنعت رایانه و اینترنت تمام ابعاد زندگی بشر را تحت تأثیر خود قرار داده است و بالطبع این موضوع بر حوزۀ علم موسیقی بی¬تأثیر نیست. با زیادشدن منابع موسیقی نیاز کاربران حوزۀ موسیقی برای دسترسی آسان به این منابع بیشتر می¬شود لذا سیستم¬های ذخیره و بازیابی اطلاعات موسیقایی باید ایجاد ¬شود. یکی از مهم‌ترین وظایف یک سیستم بازیابی اطلاعات موسیقایی، طبقه¬بندی است. طبقه¬بندی به فرآیند تعیین و تخصیص یک یا چند برچسب برای تشخیص یک قطعه موسیقی از دیدگاه‌های مختلف گفته می¬شود که ازجملۀ آن¬ها می¬توان به ژانر و سبک اشاره کرد. از آنجایی‌که ژانر موسیقی، رایج¬ترین روش مورد استفاده برای مدیریت پایگاه¬های داده موسیقی دیجیتال است تشخیص ژانر موسیقی وظیفه¬ای مهم است که از سوی انجمن تحقیقاتی بازیابی اطلاعات موسیقی از سال 2002 انجام ‌شده است. در این راستا، یک سیستم کلاس¬بندی ژانر موسیقی خودکار، بر اساس یک استراتژی انتخاب ویژگی محلی به‌وسیلۀ الگوریتم جستجوی هارمونی خود تطبیقی که درنهایت با دسته¬بند ماشین بردار پشتیبان به تشخیص و کلاس¬بندی ژانر موسیقی می¬پردازد، مورد ارزیابی قرارگرفته است. هدف از انتخاب ویژگی، انتخاب مهم¬ترین و مرتبط¬ترین ویژگی¬هایی است که موجب تسهیل کلاس-بندی می¬شوند و این کار با استفاده از الگوریتم¬های انتخاب زیرمجموعه انجام می¬شود. یکی از این الگوریتم¬ها، الگوریتم جستجوی هارمونی خود تطبیقی (SAHS) است که یک الگوریتم فرا اکتشافی است. این الگوریتم با انتخاب ویژگی¬های مفید از داده¬های موسیقی، به روند آسان¬تر شدن کلاس¬بندی ژانر موسیقی بسیار کمک می¬کند به این صورت که پس از ایجاد مجموعه ویژگی اصلی، از الگوریتم SAHS دائماً برای یافتن بهترین راه¬حل استفاده می¬شود سپس این راه¬حل پیداشده بر طبق همبستگی-های نسبی مورد ارزیابی قرار می¬گیرند و بهترین راه¬حل¬ها به‌عنوان زیرمجموعۀ ویژگی نهایی به دست می¬آیند. چالش موجود این است که روش پیشنهادی با پیمایش کل موسیقی به تحلیل می¬پردازد، اما اگر فقط قسمتی از موسیقی در اختیار باشد، نمی¬توان ژانر آن را به طور خودکار تشخیص داد. هدف این پایان¬نامه مقایسه حداقل یک الگوریتم دیگر با الگوریتم SAHS است برای دستیابی به نتیجه بهتر که برای این منظور از الگوریتم ازدحام ذرات که از دستة الگوریتم¬های فرا اکتشافی است و مانند SAHS به انتخاب ویژگی¬ها می¬پردازد، استفاده شده است. در این الگوریتم جواب¬هایی تصادفی تولید می¬گردد که به آن¬ها ذره گفته می¬شود، هر ذره ویژگی¬هایی را انتخاب می¬کند سپس در تابع هدف گذاشته و میزان خطا را می¬یابد. همچنین با استفاده از قطعه¬بندی سیگنال ، سیگنال موسیقی به بخش-های کوچکی در حوزۀ زمان تقسیم می¬گردد، سپس ویژگی¬های موسیقی(مانند شدت ، گام ، رنگ صدا ، تونالیته و ریتم ) استخراج خواهد شد. نتایج نشان می¬دهد که PSO در مقایسه با SAHS قوی‌تر و بهتر عمل کرده است.

تاريخ دفاع : 1395-11-30