استخراج ويژگي هاي موسيقي سنتي ايراني در شبكه ي عصبي مصنوعي خود سازماندهSOM

Classification and feature extraction of traditional music on different persian’s style by SOM neural network

در سال هاي اخير بشر توانسته تا با دستيابي به تكنولوژي ذخيره سازي ديجيتالي،حافظه هاي گوناگوني را جهت ذخيره سازي توليد كند،از اين جهت موسيقي ديجيتالي نيز در زندگي انساني نقش ويژه اي پيدا كرده است.در حال حاظر با رشد روزافزون داده هاي موسيقي،پردازش خودكار و خدمات اطلاعاتي(بازيابي و دسترسي به آن ها)از موضوعات مهم تحقيقاتي هستند. روش هاي قديمي ماننند جستجوهاي قديمي موسيقي براساس نام آلبوم ،خواننده يا الفباهاي مختلف ديگر راضي كننده نيستند و در عين حال شيوه هاي مناسبي در گذشته براي مقايسه سبك ها و قطعات ارائه نشده بود.براي مثال اگر شخصي در حالت خستگي به سر ميبرد،ميل گوش دادن به موسيقي ملايم دارد و يا شخص ديگر كه در مهماني در حالت خوشحالي است،ميلِ گوش دادن به موسيقي شاد و هيجان آور دارد. در چنين مواقعي نياز به دسته بندي موسيقي با توجه به حس موسيقي داريم.تجربيات نشان داده كه اتباط مستقيمي بين ساختار موسيقي و عكس العمل هاي احساسات انسان وجود دارد.در اين مقاله،روشي براي استخراج ويژگي هاي موسيقي ايراني و مقايسه با شباهت هاي يكديگر در مقياس هاي برابر با استفاده از شبكه ي عصبي مصنوعي غير نظارتي خود سازمانده (som)پيشنهاد ميشود.در اين فرآيند درآمد هاي 7 دستگاه و 5 آواز موسيقي ايراني مورد بررسي قرار ميگيرند.از ساز كمانچه ي 4 سيم ايراني در استوديو صدا برداراي استفاده ميشود و قطعات به عنوان نمونه ورودي قرار ميگيرند.برنامه با توجه به دستور الگوريتم مسئله و پارامترهاي ويژگي،فركانس هاي غالب را استخراج ميكند و به عنوان الگوي ورودي شبك عصبي ارائه ميدهد.اين روش از 12 قطعه ورودي با سمپل هاي برابر 396 هزار براي آموزش تبديل شدند و در نهايت سيستم بايد با استخرج ويژگي هايي كه بدست مي آورد بتواند شباهت ها ، نقاط مشتركِ آوازهاي ايراني را به صورت كيفي و كمي نشان دهد، همچنين اين آزمايش بر روي قطعه ي سپيد ساخته ي استاد شادروان محمد رضا لطفي كه در دستگاه ماهور ساخته شده جهت بررسي با ساير دستگاهها و آوازهاي مذكور مورد بررسي قرار ميگيرد.لازم به ذكر است كه تمامي نتايج حاصل با واقعيت تئوري موسيقي ايراني هماهنگ هستند.

In recent years, human being has been able to find various methods to store digital data. In this case, digital music plays a special role in human beings’ life. Nowadays, growing digital music data demands self-processing and information services (reachability and retrieve) which are of great essence in research. Previous searching methods that were based on names of the records, singers and alphabets are not satisfying meanwhile the previous classifying methods of music genres are not based on music clips and styles. For instance, people prefer to listen to relaxing music when they are tired while people at a party prefer happy and exiting music. In this case, a classification based on music genre is needed. There are many observations that show the relationship between music genres and human moods. I this thesis, a method to extract the special features of traditional Iranian music is proposed. The proposed method is to compare different features at the same level by an artificial neural network . In this case, seven Iranian modal pieces (Dastgah) and five Iranian sings (Avaz) has been investigated. The sound of four string Kamancheh has been recorded in the studio which are considered as the input samples. The dominant frequencies are extracted to form the input of neural network pattern, which is done according to the algorithm procedure and feature parameters. In this project, 12 records which are 396 kHz sampled are prepared for education purpose. In the end, the system extracts the features to distinguish the similarities and differences of traditional Iranian music.