Olasılıksal modeller ile Türkçe müzik türlerinin sınıflandırılması
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Müzikle ilgili çalışmalar günümüzde oldukça yoğun bir şekilde ilgi görmektedir. Müzik türü sınıflandırması, müzik bilgisi erişimindeki (MIR) temel problemlerden birisidir. Müzik türü sınıflandırması; makine öğrenmesi ve derin öğrenme algoritmalarının giderek geliştirilmesi ve yaygın bir şekilde kullanılması ile oldukça popüler bir çalışma alanı haline gelmiştir. Makine öğrenmesi algoritmaları ile belirli bir seviyeye kadar geliştirilen müzikten ses analizi derin öğrenme algoritmalarının kullanılmaya başlaması ile birlikte çok daha ileri seviyelere taşınmış ve oldukça başarılı sonuçlar verebilen üretici modeller geliştirilmeye başlanmıştır. Müzik analizinde ve müzik sentezinde bu algoritmalar oldukça sık kullanılmaktadır. Ses işleme, görüntü işleme, sinyal işleme gibi yöntemler ile öğrenme algoritmaları kullanılarak çeşitli yaklaşımlarla müzik sınıflandırması gerçekleştirilmektedir. Müzik parçalarına ait veriler çeşitli araçlarla elde edilerek bu verilerden anlamlı bilgiler elde edilip müzik türlerinin sınıflandırılmasında kullanılmaktadır. Müzik parçalarından veya ses dosyalarından çeşitli öznitelikler elde etmek için oldukça gelişmiş araçlar mevcuttur. Bunun yanı sıra programlama dillerine ait kütüphanelerle ihtiyaç duyulan verilerin türlerine göre doğru özellikler belirlenerek ve doğru sınıflandırıcıyı, doğru parametrelerle modelleyerek müzik türü sınıflandırmasında başarılı sonuçlar elde edilebilmektedir. Çoğu durumda, verilerden ne kadar fazla özellik çıkarılırsa o kadar başarılı sonuçlar alınması muhtemel olacaktır. Doğru özellik seçimi de sınıflandırma başarımı için çok önemli bir ölçüttür. Gerek akademik alanda gerekse ticari alanda ilgili yöntemler kullanılarak çeşitli çalışmalar yürütülmektedir. Müzik bilgi erişiminde, müzik sınıflandırmasının yeniliklere açık bir çalışma alanı olduğu ve yakın gelecekte ilgili çalışmaların giderek daha da artacağı düşünülmektedir. Bu tez çalışmasında SVM, K-NN ve Lojistik Regresyon algoritmaları ile ses sinyallerine ait özellikler kullanılarak Türkçe müziklerin sınıflandırması çalışması yapılmıştır. Sınıflandırmada kullanılan algoritmaların müzik türü sınıflandırmasındaki çeşitli öznitelikler altındaki başarımlarının karşılaştırmalı analizi yapılmıştır. Her bir özniteliğin başarıma olan etkilerinin karşılaştırmalı analizleri sunulmuştur. Veri setine ait; arabesk, pop, rock, dini, rap ve klasik müzik olmak üzere 6 farklı türe müzik sınıflandırması yapılmıştır. Veri seti, her bir türe ait 100'er parça olmak üzere tamamı Türkçe müzik parçalarından derlenen toplamda 600 adet wav uzantılı parçadan oluşmaktadır. Elde edilen sonuçlarda 3 farklı sınıflandırma algoritmasından SVM algoritması en başarılı sonuçları vermiştir. Elde edilen en yüksek doğruluk oranı %78.65 olarak görülmüştür.
Studies on music attract a lot of attention today. Music genre classification is one of the main problems in music information retrieval (MIR). Music genre classification; it has become a very popular field of study with the progressive development and widespread use of machine learning and deep learning algorithms. Music-to-sound analysis, which was developed to a certain level with machine learning algorithms, has been moved to a much more advanced level with the use of deep learning algorithms, and generative models that can give very successful results have begun to be developed. These algorithms are used quite frequently in music analysis and music synthesis. Music classification is carried out with various approaches using methods such as sound processing, image processing, signal processing and learning algorithms. The data of the music pieces are obtained by various tools and meaningful information is obtained from these data and used in the classification of music genres. Highly advanced tools are available to extract various attributes from music tracks or audio files. In addition, successful results in music genre classification can be obtained by determining the right features according to the types of data we need with the libraries of programming languages and modeling the right classifier with the right parameters. In most cases, the more features we extract from the data, the more successful we will be. However, correct feature selection is also a very important detail for classification performance. Various studies are carried out using relevant methods both in the academic field and in the commercial field. In music information access, it is thought that music classification is an open field of study and related studies will increase in the near future. In this thesis study, classification of Turkish music was carried out by using SVM, K-NN and Logistic Regression algorithms and features of audio signals. A comparative analysis of the performances of the algorithms used in classification under various attributes in music genre classification has been made. Comparative analyzes of the effects of each attribute on performance are presented. Belonging to the data set; music classification was made into 6 different genres as arabesque, pop, rock, religious, rap and classical music. The data set consists of 600 pieces of wav extension,file all compiled from Turkish music pieces, 100 pieces of each genre. In the results obtained, SVM algorithm gave the most successful results among 3 different classification algorithms. The highest accuracy rate obtained as 78.65%.
Studies on music attract a lot of attention today. Music genre classification is one of the main problems in music information retrieval (MIR). Music genre classification; it has become a very popular field of study with the progressive development and widespread use of machine learning and deep learning algorithms. Music-to-sound analysis, which was developed to a certain level with machine learning algorithms, has been moved to a much more advanced level with the use of deep learning algorithms, and generative models that can give very successful results have begun to be developed. These algorithms are used quite frequently in music analysis and music synthesis. Music classification is carried out with various approaches using methods such as sound processing, image processing, signal processing and learning algorithms. The data of the music pieces are obtained by various tools and meaningful information is obtained from these data and used in the classification of music genres. Highly advanced tools are available to extract various attributes from music tracks or audio files. In addition, successful results in music genre classification can be obtained by determining the right features according to the types of data we need with the libraries of programming languages and modeling the right classifier with the right parameters. In most cases, the more features we extract from the data, the more successful we will be. However, correct feature selection is also a very important detail for classification performance. Various studies are carried out using relevant methods both in the academic field and in the commercial field. In music information access, it is thought that music classification is an open field of study and related studies will increase in the near future. In this thesis study, classification of Turkish music was carried out by using SVM, K-NN and Logistic Regression algorithms and features of audio signals. A comparative analysis of the performances of the algorithms used in classification under various attributes in music genre classification has been made. Comparative analyzes of the effects of each attribute on performance are presented. Belonging to the data set; music classification was made into 6 different genres as arabesque, pop, rock, religious, rap and classical music. The data set consists of 600 pieces of wav extension,file all compiled from Turkish music pieces, 100 pieces of each genre. In the results obtained, SVM algorithm gave the most successful results among 3 different classification algorithms. The highest accuracy rate obtained as 78.65%.
Açıklama
Anahtar Kelimeler
Müzik Madenciliği, Makine Öğrenmesi, Sinyal İşleme, Music Mining, Machine Learning, Signal Processing
