Andere Kunden interessierten sich auch für
![Auf künstlichen neuronalen Netzen basierende Zeitplanung in der Cloud]( "Auf künstlichen neuronalen Netzen basierende Zeitplanung in der Cloud")
Auf künstlichen neuronalen Netzen basierende Zeitplanung in der Cloud39,90 €![Elektrokardiographie-Signalanalyse mit neuronalen Netzen auf FPGA]( "Elektrokardiographie-Signalanalyse mit neuronalen Netzen auf FPGA")
Elektrokardiographie-Signalanalyse mit neuronalen Netzen auf FPGA49,90 €![Moderne Technologien mit Elementen der künstlichen Intelligenz und künstlichen neuronalen Netzen Teil 4]( "Moderne Technologien mit Elementen der künstlichen Intelligenz und künstlichen neuronalen Netzen Teil 4")
Moderne Technologien mit Elementen der künstlichen Intelligenz und künstlichen neuronalen Netzen Teil 439,90 €![Moderne multidisziplinäre digitale Technologien mit Elementen der künstlichen Intelligenz und künstlichen neuronalen Netzen]( "Moderne multidisziplinäre digitale Technologien mit Elementen der künstlichen Intelligenz und künstlichen neuronalen Netzen")
Moderne multidisziplinäre digitale Technologien mit Elementen der künstlichen Intelligenz und künstlichen neuronalen Netzen39,90 €![Moderne Technologien mit Elementen der künstlichen Intelligenz und künstlichen neuronalen Netzen Teil 2]( "Moderne Technologien mit Elementen der künstlichen Intelligenz und künstlichen neuronalen Netzen Teil 2")
Moderne Technologien mit Elementen der künstlichen Intelligenz und künstlichen neuronalen Netzen Teil 239,90 €![Niederschlagsvorhersage mit Hilfe eines neuronalen Netzes]( "Niederschlagsvorhersage mit Hilfe eines neuronalen Netzes")
Niederschlagsvorhersage mit Hilfe eines neuronalen Netzes43,90 €![Künstliche Intelligenz in der Bedarfsplanung von Großgastronomien]( "Künstliche Intelligenz in der Bedarfsplanung von Großgastronomien")
Künstliche Intelligenz in der Bedarfsplanung von Großgastronomien42,95 €
Diplomarbeit aus dem Jahr 1996 im Fachbereich Ingenieurwissenschaften - Künstliche Intelligenz, Note: 1,0, Karlsruher Institut für Technologie (KIT) (Unbekannt), Sprache: Deutsch, Abstract: Inhaltsangabe:Zusammenfassung:
In dieser Diplomarbeit wird ein System vorgestellt, das in der Lage ist, eine praxisrelevante musikalische Problemstellung - das Variieren einer Choralmelodie - zu lösen. Dabei werden wesentliche Bestandteile des musikalischen Wissens von künstlichen neuronalen Netzen erlernt. Sobald dieses Wissen eintrainiert ist, kann das System Umspielungen zu neuen Melodien komponieren.
Kern des Systems sind mehrschichtige Feedforward-Netze, die mit Beispielen aus den Choralpartiten von Johann Pachelbel (1653-1706) trainiert werden. Eine wesentliche konzeptionelle Grundlage dafür ist die Betrachtung von Umspielungsmotiven in diesen Partiten. Diese Motive werden mit Hilfe eines Abstandsmaßes klassifiziert und die Partiten dann auf einer übergeordneten Abstraktionsebene als Folgen von Motivtypen betrachtet.
Das System lernt zunächst die abstrakte Folge der Motivtypen. In einem zweiten Schritt wird jedes Motiv in Abhängigkeit von seiner Zuordnung zu einem Typ mit konkreten Noten auskomponiert. Dabei lernt das Gesamtsystem nicht nur lokal gute Umspielungsmotive zu finden. Auch größere musikalische Strukturen in den Partiten werden reproduziert und erzeugt.
Die Ergebnisse der vorliegenden Arbeit bieten interessante Einblicke in die musikalische Struktur von Choralvariationen und zeigen Parallelen und Unterschiede zwischen menschlichem und maschinellem Lernen auf. Die Beschränkung auf eine relativ spezielle musikalische Problemstellung führt zu Lernerfolgen, die denen eines menschlichen "Schülers" kaum nachstehen. Auf diese Weise gelingt es aber noch nicht ausreichend, allgemeinere Randbedingungen zu erfassen, mit deren Hilfe jeder einigermaßen musikalische Mensch sofort "überzeugende" von "schlechten" musikalischen Lösungen unterscheiden kann.
Die musikalische Qualität der neu erzeugten Choralvariationen übertrifft die manuellen Kompositions- bzw. Improvisationsversuche des Autor meist deutlich.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Einleitung
1.1Exkurs: existierende Ansätze
1.1.1MELONET
1.1.2MELONET II
1.1.3Weitere Forschungsansätze
2.Musikalische Grundlagen
2.1Choral und Choralvariation
2.1.1Johann Pachelbel: Leben und Werk
2.1.2Choralvariation bei Johann Pachelbel
2.2MIDI
2.3Definitionen und Erklärungen zur Notation
2.3.1Notenschrift
2.3.2Harmonien
2.3.3Das .mel-Fileformat
3.Einführung in das Lernen mit neuronalen Netzen
3.1Lernverfahren
3.2Überwachtes Lernen aus Beispielen
3.3Feedforward-Netze und Error Backpropagation
3.3.1Feedforward-Netze
3.3.2Error Backpropagation
3.3.3Lernen komplexer Funktionen
3.4Kohonen-Netze
4.Melodielernen mit neuronalen Netzen
4.1Klassifikation
4.1.1Klassifikationsverfahren von Ward
4.1.2Klassifikation durch SOMs (self organizing maps) / Kohonen-Netze
4.1.3Vegleich der Verfahren für die konkrete Lernaufgabe
4.2Beschreibung des Gesamtsystems
4.2.1Zerlegung der Lernaufgabe
4.2.2Die Lernaufgabe der einzelnen Netze
4.2.3Abstrakte Struktur
4.3Implementierung
4.3.1Kodierun
4.3.2Topologie der Netze
4.3.3Datenstrukturen
4.3.4Die musikalische Schnittstelle
4.4Training
4.4.1Die Auswahl der Musikbeispiele für Training und Test
4.4.2Trainingsverfahren
4.4.3Training mit unterschiedlichen Parametereinstellungen
4.5Generierung
4.5.1Bewertungskriterien
4.5.2Einzelanalysen
4.5.3Gesamtbewertung
5.Zusammenfassung und Ausblick
ANotenbeispiele
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.
In dieser Diplomarbeit wird ein System vorgestellt, das in der Lage ist, eine praxisrelevante musikalische Problemstellung - das Variieren einer Choralmelodie - zu lösen. Dabei werden wesentliche Bestandteile des musikalischen Wissens von künstlichen neuronalen Netzen erlernt. Sobald dieses Wissen eintrainiert ist, kann das System Umspielungen zu neuen Melodien komponieren.
Kern des Systems sind mehrschichtige Feedforward-Netze, die mit Beispielen aus den Choralpartiten von Johann Pachelbel (1653-1706) trainiert werden. Eine wesentliche konzeptionelle Grundlage dafür ist die Betrachtung von Umspielungsmotiven in diesen Partiten. Diese Motive werden mit Hilfe eines Abstandsmaßes klassifiziert und die Partiten dann auf einer übergeordneten Abstraktionsebene als Folgen von Motivtypen betrachtet.
Das System lernt zunächst die abstrakte Folge der Motivtypen. In einem zweiten Schritt wird jedes Motiv in Abhängigkeit von seiner Zuordnung zu einem Typ mit konkreten Noten auskomponiert. Dabei lernt das Gesamtsystem nicht nur lokal gute Umspielungsmotive zu finden. Auch größere musikalische Strukturen in den Partiten werden reproduziert und erzeugt.
Die Ergebnisse der vorliegenden Arbeit bieten interessante Einblicke in die musikalische Struktur von Choralvariationen und zeigen Parallelen und Unterschiede zwischen menschlichem und maschinellem Lernen auf. Die Beschränkung auf eine relativ spezielle musikalische Problemstellung führt zu Lernerfolgen, die denen eines menschlichen "Schülers" kaum nachstehen. Auf diese Weise gelingt es aber noch nicht ausreichend, allgemeinere Randbedingungen zu erfassen, mit deren Hilfe jeder einigermaßen musikalische Mensch sofort "überzeugende" von "schlechten" musikalischen Lösungen unterscheiden kann.
Die musikalische Qualität der neu erzeugten Choralvariationen übertrifft die manuellen Kompositions- bzw. Improvisationsversuche des Autor meist deutlich.
Inhaltsverzeichnis:Inhaltsverzeichnis:
1.Einleitung
1.1Exkurs: existierende Ansätze
1.1.1MELONET
1.1.2MELONET II
1.1.3Weitere Forschungsansätze
2.Musikalische Grundlagen
2.1Choral und Choralvariation
2.1.1Johann Pachelbel: Leben und Werk
2.1.2Choralvariation bei Johann Pachelbel
2.2MIDI
2.3Definitionen und Erklärungen zur Notation
2.3.1Notenschrift
2.3.2Harmonien
2.3.3Das .mel-Fileformat
3.Einführung in das Lernen mit neuronalen Netzen
3.1Lernverfahren
3.2Überwachtes Lernen aus Beispielen
3.3Feedforward-Netze und Error Backpropagation
3.3.1Feedforward-Netze
3.3.2Error Backpropagation
3.3.3Lernen komplexer Funktionen
3.4Kohonen-Netze
4.Melodielernen mit neuronalen Netzen
4.1Klassifikation
4.1.1Klassifikationsverfahren von Ward
4.1.2Klassifikation durch SOMs (self organizing maps) / Kohonen-Netze
4.1.3Vegleich der Verfahren für die konkrete Lernaufgabe
4.2Beschreibung des Gesamtsystems
4.2.1Zerlegung der Lernaufgabe
4.2.2Die Lernaufgabe der einzelnen Netze
4.2.3Abstrakte Struktur
4.3Implementierung
4.3.1Kodierun
4.3.2Topologie der Netze
4.3.3Datenstrukturen
4.3.4Die musikalische Schnittstelle
4.4Training
4.4.1Die Auswahl der Musikbeispiele für Training und Test
4.4.2Trainingsverfahren
4.4.3Training mit unterschiedlichen Parametereinstellungen
4.5Generierung
4.5.1Bewertungskriterien
4.5.2Einzelanalysen
4.5.3Gesamtbewertung
5.Zusammenfassung und Ausblick
ANotenbeispiele
Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.