Signalbehandling_til_lydsøgning - Danmarks Tekniske Universitet

More documents

Recommendations

Info

Kapitel 4 Separation af kildesignaler Der er i løbet af de sidste 10 år blevet præsenteret flere algoritmer der forsøger at løse problemet med separation af musiksignaler. Alligevel findes der ikke nogen algoritme, der er i stand til at udføre separationen med et perfekt resultat. De fleste algoritmer, der benyttes til separation af musiksignaler, er oftest baseret på velkendte algoritmer som ICA (eng.: Independent Component Analysis) [23,24] og NMF (eng.: Non-negative Matrix Factorisation) [15,16]. Den del af litteraturen der omhandler separation af kildesignaler, påpeger at ICA ikke er velegnet til separation af enkeltkanals musiksignal, da den forudsætter at kildesignalerne er uafhængige af hinanden. Dette vurderes ikke at være en velegnet antagelse gældende musiksignaler, da de oftest er afhængige af hinanden i form af rytmik og harmoni. En anden begrænsning vedrørende ICA er nødvendigheden for at have minimum det samme antal forskellige udgaver af det miksede signal, som det antal kildesignaler, som man vil separere signalet ned i. Dette besværliggør situationen, da der kun findes en udgave af det pågældende musiksignal, hvis der er
. 33 Separation af kildesignaler talen om et enkeltkanals signal. Der findes alligevel forsøg hvor man har forsøgt at separere enkeltkanals musiksignaler med algoritmer der bygger på ICA heriblandt Uafhængig subbånd analyse (eng: Independent Subband Analysis) og ”Blues”. Resultaterne er dog ikke særlig overbevisende, selv om de viser at det er muligt at fremhæve af kildikomponenterne. Der er i løbet af de sidste ti år, blevet præsenterede flere metoder, baserede på NMF, som til en vis grad, er i stand til at udføre separation af enkelkanals musiksignaler. Resultaterne er dog i fleste tilfælde ikke meget bedre end dem man har opnået med andre metoder. Alligevel er der over de sidste to-tre år lykkedes at komme frem til nogle lovende resultater. Den del af litteraturen, der omhandler separation af musiksignaler, benytter sig ikke af nogen generel metode til at vurdere resultaterne med. Derfor er det svært at sammenligne de opnåede resultater, der opnås af forskellige personer, da de hver har deres egen måde at vurdere resultaterne med. Oftest bliver der lyttet til resultaterne, hvor den person der udfører forsøget, vurderer hvor vellykket den enkelte separation er. Dette er en forholdsvis subjektiv vurdering af resultatet. Samtidig afhænger separationen oftest af de benyttede musiksignaler, f.eks. er der forskel på hvor mange instrumenter de enkelte musiknumre indeholder og hvordan musikinstrumenterne overlapper hinanden i frekvens og tid. Da konklusionerne ikke er baserede på de samme forudsætninger i form af målemetoder og valg af musiksignaler, er det svært at vælge en metode ud fra de konklusioner der fremgår af litteraturen. Der findes publikationer der afprøver flere separationsmetoder i forhold til hinanden ved brug af de samme succeskriterier. Samtidig har enkelte forskere lagt deres resultater ud på Internettet i form af musikfiler. Disse publikationer og online demonstrationer, vil danne grundlag for hvilke metoder der vælges til separation af musiksignaler i dette projekt. Den del af litteraturen, der til forfatterens kendskab, sammenligner forskellige metoder, kan i alle tilfælde påvise bedre resultater ved brug af NMF i forhold til andre metoder. Samtidig er der blevet lyttet til demoer der ligger på Internettet og vurderet at de lyder lovende til videre brug i form af musikgenre klassifikation. Baseret på de forrige observationer, er der i dette projekt valgt at implementere og afprøvet tre metoder til separation af enkelkanals musiksignaler, der alle er baserede på NMF. Efterfølgende afsnit beskriver tre metoder til at separere et mono musiksignal ned til dets kildesignaler. Derefter gennemgås tre metoder til at identificere de fundne kildekomponenter og sammensætte dem til at danne et lydsignal fra et musikintrument.
Page 1 and 2: Signalbehandling til lydsøgning To
Page 3: Resume Denne afhandling omhandler k
Page 7: Anerkendelse Jeg vil gerne benytte
Page 10 and 11: 4.5.1 Trommedetektor...............
Page 12 and 13: 2 Introduktion forbedres hele tiden
Page 14 and 15: 4 Introduktioin pågældende musiks
Page 16 and 17: Kapitel 2 Musik klassifikation Dett
Page 18 and 19: 8 2.2 Ørets anatomi 2.2 Ørets ana
Page 20 and 21: 10 2.4 Loudness 2.4 Loudness Begreb
Page 22 and 23: 12 2.6 Opfattelse af musikgenre 2.6
Page 24 and 25: 14 2.7 Opsætning af forudsætninge
Page 26 and 27: 16 Musik features Figur 3.1 Dette k
Page 28 and 29: 18 Musik features Selv om der vurde
Page 30 and 31: 20 Musik features Der findes flere
Page 32 and 33: 22 Musik features Til sidst benytte
Page 34 and 35: 24 Musik features fi er frekvensvæ
Page 36 and 37: 26 Musik features Hvis xn består a
Page 38 and 39: 28 Musik features 3.2.4 DAR feature
Page 40 and 41: 30 Musik features ~ ~ Y Φ´ Bˆ 2
Page 44 and 45: 34 4.1 Ikke-negative faktorisering
Page 46 and 47: 36 4.1 Ikke-negative faktorisering
Page 48 and 49: 38 4.3 Perceptionelt vægtet NMF 4.
Page 50 and 51: 40 4.3 Perceptionelt vægtet NMF hv
Page 52 and 53: 42 4.4 NMF2D Ved brug af NMF2D, ant
Page 54 and 55: 44 4.5 Automatisk identifikation af
Page 56 and 57: 46 4.5 Automatisk identifiaktoin af
Page 62 and 63: 52 Klassifiers 5.1 Lineær klassifi
Page 64 and 65: 54 Klassifiers hvor x er den udvide
Page 66 and 67: 56 Klassifiers Den Gaussiske klassi
Page 68 and 69: 58 Forsøg og resultater Der benytt
Page 70 and 71: 60 Forsøg og resultater 6.1.2 Sepa
Page 72 and 73: 62 Forsøg og resultater Figur 6.2
Page 74 and 75: 64 Forsøg og resultater Figur 6.4
Page 76 and 77: 66 Forsøg og resultater SNR Måler
Page 78 and 79: 68 Forsøg og resultater trommesign
Page 80 and 81: 70 Forsøg og resultater Figur 6.7.
Page 82 and 83: 72 Forsøg og resultater Både lytt
Page 84 and 85: 74 Forsøg og resultater Der unders
Page 86 and 87: 76 Windows Applikation 7.1 Funktion
Page 88 and 89: 78 Window Applikation 7.2 Struktur
Page 90 and 91: 80 7.3 Struktur generere tilsvarend
Page 92 and 93:
Kapitel 8 Opsummering og konklusion
Page 94 and 95:
84 Opsummering og konklusion musiks
Page 96 and 97:
86 Bilag 1 8.3 Fremtidigt arbejde I
Page 98 and 99:
88 Bilag 1 Gaussisk miksning model
Page 100 and 101:
90 Bilag 1 Figur 3 Viser performanc
Page 102 and 103:
92 Referencer [17] Mørup, Morten o
show all

Signalbehandling_til_lydsøgning - Danmarks Tekniske Universitet

Create successful ePaper yourself

Delete template?

Save as template?