III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Tanto os padrões das ondulações geográficas quantoos compassos de treinamento são iguais nos doisexperimentos e o algoritmo de aprendizado utilizado é oback-propagation padrão [6].A Figura 4 ilustra 11 compassos utilizados notreinamento, ordenados aleatoriamente.(a)Figura 4. Compassos utilizados notreinamento(b)Figura 3. Representação da entrada daredeO modelo de rede neural utilizado nosexperimentos (mostrado na Figura 5) contém entradasrecorrentes (xi), que recebem os valores dos neurônios desaída, e entradas não recorrentes (ii), para os dados dasondulações geográficas. A rede contém uma camadaescondida (representada pelos neurônios zi) e umacamada de saída (neurônios yi), que representam oscompassos de treinamento.O contorno das ondulações é extraído de uma imagem(Figura 3 (a)) e convertido para valores numéricosinteiros como mostra o gráfico da Figura 3 (b).3. ResultadosNos exemplos de aplicação abaixo discutidos, a redeneural foi treinada com compassos extraídos de músicasfolclóricas brasileiras, como “Mulher Rendeira”, “OBoida Cara Preta”, “Samba Lêlê”, “Peixe Vivo”, entreoutras [14].A taxa de aprendizado é alterada dinamicamente,conforme o aprendizado da rede. A atualização dos pesosé feita localmente, ou seja, para cada par {entrada,saídadesejada} os pesos são ajustados. Os neurônios dacamada escondida e os neurônios de saída querepresentam o atributo de duração das notas usam funçõesde ativação sigmóide, enquanto que os neurônios de saídaque representam as notas usam funções lineares.Foram realizados dois experimentos que sediferenciam principalmente pela maneira pela qual a redeé treinada e utilizada para compor novas melodias.No primeiro experimento a inspiração é utilizadadesde o treinamento da rede e, no segundo, somente nafase de composição.Figura 5: Arquitetura da Rede3.1 Primeiro experimentoNesse primeiro experimento, foi utilizada uma rederecorrente, fortemente conectada, com 8 entradasrecorrentes que representam os compassos de treinamento(4 notas e 4 atributos de duração) e 4 entradas nãorecorrentes que representam os padrões extraídos dasondulações geográficas. A rede possui 12 neurôniosescondidos e 8 neurônios de saída. A cada época de267