Monofonik Türk makam müziği eserlerinde iyileştirilmiş değişken kip ayrışım yöntemi ile temel frekans kestirimi

Yıl 2018, , 1333 - 1346, 19.12.2018

Berrak Öztürk Şimşek , Aydın Akan

https://doi.org/10.17341/gazimmfd.416457

Öz

Bu çalışmada, Değişken Kip Ayrışım (DKA) yöntemi tabanlı yeni bir yaklaşım kullanılarak monofonik Türk makam müziği kayıtları içerisindeki temel titreşim frekanslarının kestirimi önerilmektedir. DKA yöntemi, reel değerli bir sinyali sonlu sayıda alt sinyallere (kiplere) ayrıştırmaktadır. DKA sinyal içerisindeki temel bandları, yinelemesiz ve uyarlanabilir olarak belirleyip eş zamanlı olarak uygun kiplerin kestirilmesini sağlar. Bu yöntemde sinyali en iyi temsil edebilecek kipler, Görgül Kip Ayrışım (GKA) yönteminde kullanılan özgül kip fonksiyonları (ÖKF) gibi dar bandlı olma özelliğine sahiptir. Bu çalışmada, klasik DKA algoritmasında en iyileme aşamasında kullanılan Tikhonow düzenlileştirme yerine Elastic Net yönteminin kullanılması önerilmekte ve böylece temel titreşim frekansı kestirim başarımı iyileştirilmektedir. Frekans kestirim algoritması, müzik sinyali yerine öz-ilinti fonksiyonuna uygulanarak iyileştirmeye katkıda bulunulmuştur. Yapılan benzetim çalışmalarında, müzik sinyalinde ayrıştırma aracı olarak sıkça kullanılan Spektrogram, MELODIA, YIN ve orijinal DKA yöntemleri ile karşılaştırıldığında, gerçek müzik ve sentetik test sinyalleri ile elde edilen temel titreşim frekansı kestirim sonuçlarının başarılı ve karşılaştırılabilir olduğu gözlenmiştir. 

Anahtar Kelimeler

Değişken kip ayrışımı, monofonik müzik; türk makam müziği; temel titreşim frekansı

Kaynakça

• Ozturk Simsek, B., Akan, A., Bozkurt, B., Fundamental frequency estimation for monophonical Turkish music by using VMD, Signal Processing and Communications Applications Conference (SIU), 2015 23th, 1022-1025, Malatya, 16-19 May 2015.
• Bozkurt, B., Gedik, A. C., Savacı, A., Karaosmanoglu, M. K., Özbek, M. E., Klasik Türk Müziği Kayıtlarının Otomatik Olarak Notaya Dökülmesi ve Otomatik Makam Tanıma, Tübitak Projesi, İzmir Yüksek Teknoloji Enstitüsü, İzmir, 2007-2010.
• Klapuri, A. P., Multiple Fundamental Frequency Estimation Based on Harmonicity and Spectral Smoothness, IEEE Transactions on Speech and Audio Processing, 11 (6), 804-816, 2003.
• Scheirer, E.D., Tempo and Beat Analysis of Acoustic Music Signals, J. Acoust. Soc. Amer, 103 (1), 588-601, 1998.
• Benetos, E., Holzapfel, A., Automatic Transcription of Turkish Makam Music, Proceedings of ISMIR - International Conference on Music Information Retrieval, Curitiba, Brazil, November. 4–8th, 2013.
• Bozkurt, B., Gedik, A. C., Karaosmanoglu, M. K., Türk Müzigi için Müzik Bilgi Erisimi: Problemleri Çözüm Önerileri ve Araçlar, 17th Signal Processing and Communications Applications Conference (SIU), 804-807, 09-11 Nisan, 2009.
• Yarman, 0., 79-tone Tuning & Theory for Turkish Maqam Music, PhD Thesis, Istanbul Technical University, Social Sciences Inst., Istanbul, 2008.
• Ergüner, S., Ney, ‘metod’, istanbul, 2007.
• Bozkurt, B., Gedik, A. C., Karaosmanoğlu, M. K., Klasik Türk Müziği için Otomatik Notaya Dökme Sistemi, IEEE 19th Signal Processing and Communications Applications Conference (SIU), 17-20, 20-22 Nisan, 2011.
• Klapuri, A., Eronen, A., Automatic transcription of music, Proceedings of the Stockholm Music Acoustics Conference, Tampere, 1998.
• Martin, K. D., Sound-Source Recognition: A Theory and Computational Model, Phd Thessis, Massachusetts Institute of Technology, Doctor of Philosophy in Electrical Engineering and Computer Science, Cambridge, 1999.
• Salamon, J., Melody Extraction from Polyphonic Music Signals. Ph.D. thesis, Universitat Pompeu Fabra, Barcelona, Spain, 2013.
• Mauch, M., Cannam, C., Bittner, R., Fazekas, G., Salamon, J., Dai, J., Bello J.,and Dixon, S., Computer-aided Melody Note Transcription Using the Tony Software: Accuracy and Efficiency, Proceedings of the First International Conference on Technologies for Music Notation and Representation, 2015.
• Cannam, C., Landone, C., Sandler, M.,and Bello, J., The Sonic Visualiser: A Visualisation Platform For Semantic Descriptiors From Musical Signals. Proceedings of ISMIR, Victoria, Canada, 2006.
• Klapuri A., Automatic Music Transcription as We Know it Today, Journal of New Music Research, 33 (3), 269-282, 2004.
• Cohen, L., Time-frequency analysis, Cilt 778. Editor: Englewood Cliffs, NJ: Prentice Hall PTR, A.B.D, 1995.
• Huang, N. E., Samuel S. S., Hilbert-Huang transform and its applications, Cilt 5. World Scientific, A.B.D, 2005.
• Dragomiretskiy, K., Dominique Z., Variational Mode Decomposition, IEEE Transactions on Signal Processing, 62 (3), 2014.
• Gilles, J., Empirical wavelet transform, Signal Processing, IEEE Transactions on, 61 (16), 3999-4010, 2013 .
• Zhou, R., Marco, M., A new time-frequency representation for music signal analysis: Resonator time-frequency image, Signal Processing and Its Applications, . ISSPA 2007. 9th International Symposium on. IEEE, Sharjah, 12-17 February, 2007.
• Zhou, R., Mattavelli, M., Zoia, G., Music onset detection based on resonator time frequency image, IEEE Transactions on Audio, Speech, and Language Processing 16 (8), 1685-1695, 8 November 2008.
• Salamon, J., Emilia, G., Melody extraction from polyphonic music signals using pitch contour characteristics, Audio, Speech, and Language Processing, IEEE Transactions on 20 (6), 1759-1770, 2012.
• Ozturk. Simsel, B., Bozkurt, B., Akan, A., Fundamental Frequency Estimation for Heterophonical Turkish Music by using VMD, 2016 24th Signal Processing and Communication Application Conference (SIU), 1625-1628, Zonguldak, 2016.
• Mert, A., Akan A., Görgül Kip Ayrışımı Ve Eğimden Arındırılmış Dalgalanma Analizi İle Eog Gürültü Temizleme, 22nd Signal Processing and Communications Applications Conference (SIU), Trabzon, 23-25 April, 2014.
• Stanek, M., Smatana, T., Comparison of Fundamental Frequency Detection Methods and Introducing Simple Self-Repairing Algorithm for Musical Applications, 25th International Conference Radioelektronika (RADIOELEKTRONIKA), 2015, Pardubice, 217-221, 21-22 April 2015.
• MIREX (Music, Information Retrieval Exchange), Multiple Fundamental Frequency Estimation & Tracking, http://www.music-ir.org/mirex/wiki/2016:Multiple_Fundamental_Frequency_Estimation_%26_Tracking, Yayın tarihi 17 February 2016, Erişim tarihi 30 March 2017.
• Essentia, Open-source C++ library, http://essentia.upf.edu/, Erişim tarihi February 2017.
• Soomro, B.N., Xiao, L., Soomro, S. H., Molaei, M., Bilayer Elastic Net Regression Model for Supervised Spectral-Spatial Hyperspectral Image Classification, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9 (9), 4102-4116, 2016.
• Zhang, Z., Lai, Z., Xu, Y., Discriminative Elastic-Net Regularized Linear Regression, IEEE Transactions on Image Processing, 26 (3), 1466-1481, 2017.
• Bozkurt, B., An Automatic Pitch Analysis Method for Turkish Maqam Music, Journal of New Music Research, 37 (1), 1-13. 2008.
• Poliner, G. E., Ellis, D. P. W. , Ehmann, A. F., Gomez, E., Streich, S., Ong, B., Melody Transcription From Music Audio: Approaches and Evaluation, IEEE Transactions on Audio, Speech, and Language Processing, 15 (4), 1247-1256, May 2007.
• Bozkurt, B., Gedik, A. C., Karaosmanoğlu, M. K., An automatic transcription system for Turkish music, Signal Processing and Com- munications Applications (SIU), 2011 IEEE 19th Conference on. IEEE, 2011.