Müzik Notalarının Frekans Karakteristiklerinin Elektronik Ortamda Analizi ve Girdap Arama Algoritması ile Optimizasyon Tabanlı Otomatik Nota Tanıma Sistemi Geliştirilmesi

Öz

Müzik notaları, belirli temel frekanslara ve bu frekansları çevreleyen armonik yapılara sahiptir. Bu yapılar, dijital ortamda işaret işleme teknikleriyle analiz edilebilmektedir. Bununla birlikte, gerçek kayıt ortamlarında gürültü, akustik koşullar ve enstrümana özgü spektral özellikler sebebiyle temel frekans (F0) tespiti ve otomatik nota tanıma önemli ölçüde zorlaşmaktadır. Bu çalışmada, Girdap Arama Algoritması (Vortex Search Algorithm VSA) temelli yeni bir monofonik otomatik nota tanıma sistemi önerilmektedir. Önerilen yaklaşımda temel frekans tahmini, gözlenen sinyal çerçevesi ile sinüzoidal bir model arasındaki normalize korelasyona dayalı bir maliyet fonksiyonunun, VSA ile bir boyutlu frekans uzayında minimize edilmesi problemi olarak ele alınmıştır. Elde edilen temel frekans eşit aralıklı (equal temperament) sistemde en yakın müzik notasına eşlenmektedir. Sistem, FFT tepe noktası arama, kısa süreli otokorelasyon ve YIN algoritması ile karşılaştırmalı olarak test edilmiştir. Piyano, gitar, flüt ve insan sesi kayıtları üzerinde elde edilen örnek sonuçlar, VSA tabanlı yöntemin yüksek nota tanıma doğruluğuna sahip olduğunu ve özellikle gürültülü ortamlarda iyileştirilmiş bir performans sergilediğini göstermektedir. Bulgular, metasezgisel optimizasyonun, dijital müzik uygulamalarında temel frekans tahmini ve otomatik nota tanıma için rekabetçi ve esnek bir çerçeve sağlayabildiğine işaret etmektedir.

Anahtar Kelimeler

• Müzik İşaret İşleme
• Perde (Pitch) Tespiti
• Girdap Arama Algoritması
• Otomatik Nota Tanıma
• Dijital İşaret İşleme

Etik Beyan

Çalışma için etik kurul izni gerekmemektedir. Bu makalede “Yükseköğretim Kurumları Bilimsel Araştırma ve Yayın Faaliyetlerinde Üretken Yapay Zekâ Kullanımına Dair Etik Rehber” de belirtilen sınırlar dahilinde çeviri ve düzenlemede yapay zekadan faydalanılmıştır

Analysis of Frequency Characteristics of Musical Notes in Electronic Environment and Development of Optimization Based Automatic Note Recognition System with Vortex Search Algorithm

Öz

Musical notes exhibit characteristic fundamental frequencies and harmonic structures that can be analysed in the digital domain by means of signal processing techniques. However, real-world audio recordings are affected by noise, room acoustics and instrument-dependent spectral variations, which make pitch detection and automatic note recognition a challenging task. In this study, a novel monophonic automatic note recognition system based on the Vortex Search Algorithm (VSA) is proposed. The system formulates pitch estimation as a one-dimensional optimisation problem, where VSA searches the frequency space so as to minimise a cost function derived from the normalised correlation between the observed frame and a sinusoidal model. The resulting fundamental frequency is mapped to the nearest equal-tempered musical note. The proposed approach is experimentally compared with FFT peak picking, short-time autocorrelation and the YIN algorithm. Results on piano, guitar, flute and vocal recordings show that the VSA-based method achieves high recognition accuracy and exhibits improved robustness against additive noise. The findings indicate that metaheuristic optimisation can provide a competitive and flexible framework for pitch estimation and automatic note recognition in digital music applications.

Anahtar Kelimeler

• Music Signal Processing
• Pitch Detection
• Vortex Search Algorithm
• Automatic Note Recognition
• Digital Signal Processing

Kaynakça

1. Chen, Y., & Zheng, H. (2023). The application of HMM algorithm based music note feature recognition teaching in universities. Intelligent Systems with Applications, 20, 200277. https://doi.org/https://doi.org/10.1016/j.iswa.2023.200277
2. de Cheveigné, A., & Kawahara, H. (2002a). YIN, a fundamental frequency estimator for speech and music. The Journal of the Acoustical Society of America, 111(4), 1917–1930. https://doi.org/10.1121/1.1458024
3. de Cheveigné, A., & Kawahara, H. (2002b). YIN, a fundamental frequency estimator for speech and music. The Journal of the Acoustical Society of America, 111(4), 1917–1930. https://doi.org/10.1121/1.1458024
4. Dejan Ćirić, Marko Janković, Marko Milenković, & Miljan Miletić. (2021). Cepstrum-Based Pitch Detection of Industrial Product Sound. 8th International Conference on Electrical, Electronic and Computing Engineering IcETRAN 2021, 1–6.
5. Dogan, B., & Ölmez, T. (2015). A new metaheuristic for numerical function optimization: Vortex Search algorithm. Information Sciences, 293, 125–145. https://doi.org/10.1016/j.ins.2014.08.053
6. Dogan, B., & Yüksel, A. (2015). Analog filter group delay optimization using the Vortex Search algorithm. 2015 23rd Signal Processing and Communications Applications Conference, SIU 2015 - Proceedings, 288–291. https://doi.org/10.1109/SIU.2015.7129815
7. Evans, B. P. (2012). A Review of Automatic Music Transcription Low Level Processing Techniques and the evaluation and Optimisation of Multiresolution FFT Parameters. University of Huddersfield.
8. Hasan, M. A. F. M. R. (2017). A Pitch Detection Algorithm Based on Windowless Autocorrelation Function and Modified Cepstrum Method in Noisy Environments. IJCSNS International Journal of Computer Science and Network Security, 17(2), 106–112.

9. M. Saka, Eke, I., Tezcan, S. S., & Taplamacioglu, M. C. (2018). Vortex search algorithm for solving economic load dispatch problem including ramp rate limits in power systems. International Journal on “Technical and Physical Problems of Engineering”, 10(34), 1–5.
10. McLeod, P., & Wyvill, G. (2005). A smarter way to find pitch. International Computer Music Conference, ICMC 2005.
11. Rabiner, L R, & Schafer, R. W. (1978). Digital Processing of Speech Signals (Rabiner & Schafer 1978).pdf. Içinde Electronics And Power (C. 25, Sayı 4, s. 290). http://link.aip.org/link/ELPWAQ/v25/i4/p290/s1&Agg=doi
12. Rabiner, Lawrence R. (1977). Detection. 1, 24–33.
13. Sadeghkhani, S., Boroujeni, M. K., Dajani, H. R., Seydnejad, S. R., & Giguère, C. (2025). A Robust Method for Pitch Tracking in the Frequency Following Response using Harmonic Amplitude Summation Filterbank. https://arxiv.org/pdf/2506.19253
14. Saka, M., Tezcan, S. S., Eke, I., & Taplamacioglu, M. C. (2017). Economic load dispatch using vortex search algorithm. 2017 4th International Conference on Electrical and Electronics Engineering, ICEEE 2017, 2, 77–81. https://doi.org/10.1109/ICEEE2.2017.7935796
15. Sukhostat, L., & Imamverdiyev, Y. (2015). A Comparative Analysis of Pitch Detection Methods Under the Influence of Different Noise Conditions. Journal of Voice, 29(4), 410–417. https://doi.org/10.1016/j.jvoice.2014.09.016
16. Tamboli, A., & Kokate, R. (2017). An Effective Optimization-Based Neural Network for Musical Note Recognition. Journal of Intelligent Systems, 28. https://doi.org/10.1515/jisys-2017-0038
17. Weijnitz, P. (2003). Monophonic Music Recognition (Sayı March).