طراحی سیستم پیشنهاددهنده موسیقی ایرانی با استفاده از داده‌کاوی

عنوان تحقیق:طراحی سیستم پیشنهاد دهنده موسیقی ایرانی با استفاده از داده‌کاوی

فرمت فایل: word

تعداد صفحات: 89

شرح مختصر:

به دلیل رشد بی‌رویه فایل‌های موسیقی و ایجاد کتابخانه‌های عظیم دیجیتال، بازیابی اطلاعات موسیقی و سازمان‌دهی آن بر اساس نوع ژانر یا خواننده و یا حالت و ... تبدیل به چالشی مهم شده است. علاوه بر آن افراد ذائقه‌های مختلفی در انتخاب موسیقی دارند و یا در شرایط مختلف نیازهای متفاوتی به نوع و حالت موسیقی دارند که با توجه به حجم زیاد موسیقی یافتن فایل‌هایی که مرتبط با ذائقه و یا نیاز افراد باشد کاری دشوار به نظر می‌رسد از همین روست که در سال‌های اخیر توجه خاصی به بازیابی اطلاعات موسیقی شده است. هم اکنونفراداده‌یی نظیر نام فایل، خواننده، اندازه فایل، تاریخ وژانر به صورت معمول در رده‌بندی و بازیابی این رکوردها مورد استفاده قرار می‌گیرد. اما این دسته‌بندی‌ها پاسخ‌گوی نیاز دنیای امروز نیست.

هدف اصلی این پایان­نامه بهبود روش‌های پیشنهاددهی موسیقی با استفاده ازویژگی‌هایمحتواییو همچنین مدیریت پروفایل‌های مشتری می‌باشد. در راستای دست یافتن به این هدفرده‌بندی فایل‌های موسیقی در کلاس‌هایی مانند خواننده و ژانر و یافتن موسیقی‌هایی که از نظر موسیقیای به هم شباهت دارند و همچنین پیشنهاد بر اساس مشتری‌هایی که ذائقه‌های مشترک دارند را می‌توان به خدمت گرفت. در این پایان‌نامه در جهت رسیدن به اهداف ذکر شده، یکی ازکارهای انجام گرفته یافتن یک ویژگی رده­بندی جدید به نام Area Method of Moment می­باشد. این ویژگی بالاترین درصد کارایی را در رده‌بندی ژآنر به دست داده است. علاوهبراین، با استفاده از همین ویژگی‌هایی که نشان‌دهنده یک ویژگی موسیقیای خاص است میزان شباهت فایل‌های موسیقی به هم اندازه‌گیری شده و به کاربران پیشنهاد شده که با توجه به بازخورد کاربران به ارزیابی میزان صحت می‌پردازد. در ادامه برای به خدمت گرفتن روش Collaborative flittering به ارائه معیاری جدید در یافتن شباهت میان پروفایل‌هامی‌پردازیم. به دلیل این که هدف اصلی این پایان‌نامه کار کردن بر روی موسیقی ایرانی است، بنابراین به علت عدم وجود مجموعه داده مناسب، برای شروع مناسب، ایجاد مجموعه داده مناسب در اولویت تحقیق قرار گرفته است. شایان ذکر است که برای ارزیابی و دریافت بازخورد مشتریان، برنامه کاربردی با ویژگی‌های مذکور پیاده سازی شده است.

از آنجایی که در دنیای رقابتی امروز یافتن موسیقی مورد پسند افراد در صنعت فروش موسیقی از اهمیت بالایی برخوردار استروش‌های پیشنهاد شده در این تحقیق می‌تواند بسیار کاربردی باشد. با توجه به نتایج به دست آمده دراین تحقیق، امید آن می­رود که کمپانی‌های فروش موسیقی آن‌ها را در سطح تجاری مورد استفاده قرار دهند. همچنین روش‌های ارائه شده در این سیستم پیشنهاددهنده می‌تواند برای سایر سیستم‌های پیشنهاددهنده نیز مورد استفاده قرار گیرد.

 فهرست مطالب

عنوان صفحه

فصلاول:مقدمه

1-1 مقدمه2

1-2تعریف مساله2

1-3اهداف و دستاوردها4

1-4ساختارپایان نامه5

فصل دوم: بر متون گذشته مرور

2-1 مقدمه8

2-2موسیقی و ویژگی‌های آن8

2-2-1موسیقی چیست8

2-2-2ویژگی‌های صوتی موسیقی9

2-2-3تولید موسیقی10

2-3استخراج ویژگی‌های محتوایی از فایل صوتی13

2-3-1انواع ویژگی‌ها13

2-3-2 تقسیم بندی ویژگی‌ها از نظر طول فریم27

2-4 مجموعه داده‌ها28

2-5رده‌بندی موسیقی28

2-5-1رده‌بندی28

2-5-2رده‌بندی در متون گذشته31

2-6سیستم‌هایپیشنهاددهنده35

2-6-1انواع سیستم‌های پیشنهاددهنده35

2-6-2سیستم‌های پیشنهاد دهنده موسیقی37

2-7 نتیجه38

فصلسوم:روش پیشنهادی

3-1مقدمه40

3-2 تولید مجموعه داده از موسیقی ایرانی41

3-2-1جمع‌آوری داده‌ها و فرا داده‌ها و پیش پردازش41

3-2-2استخراج ویژگی‌ها42

3-2-3ویژگی‌های مجموعه داده‌ها43

3-3 ویژگی Area Method Of Moment of MFCC46

3-3-1عملگر Area Method Of Moment47

3-3-2روش محاسبه Area Method Of Moment of MFCC49

3-4معرفیمعیار شباهت پروفایل جدید49

3-4-1معیار شباهت پروفایل50

3-5برنامه کاربردی پیشنهاددهنده موسیقی52

3-5-1پیشنهاد دهی بر اساس شباهت موسیقی55

3-5-2پیشنهاد دهی بر اساس شباهت پروفایل56

3-6نتیجه57

فصل چهارم: ارزیابی

4-1مقدمه59

4-2ارزیابی برتریمجموعه داده تولید شده59

4-3ارزیابیویژگیArea Method Of Moment of MFCC61

4-3-1رده‌بندی سبک61

4-3-2رده‌بندی دستگاه‌های موسیقی سنتی66

4-3-3پیشنهاددهی با استفاده از ویژگی Area Method Of Moment of MFCC68

4-4ارزیابی معیار شباهت پروفایل69

4-5نتیجه69

فصلپنجم:نتیجه گیری و کارهای آینده

5-1مقدمه71

5-2دستاوردهای تحقیق72

5-3محدودیت­های تحقیق73

5-4کارهای آینده73

 فهرست شکل ها

عنوان صفحه

شکل2-1-فلوچارت محاسبه هیستوگرامضرب17

شکل 2-2- نمونه هیستوگرا مضرب17

شکل2-2-معیارspectral fluxبرایspeechتقریبابالاترازاین مقدار برایmusicاست.25

شکل2-4-درصدفریم‌های با انرژی پایین26

شکل2-5-یک نمونه درخت تصمیمگیری29

شکل3-1- پراکندگی تعدادویژگی‌هادردسته‌های مختلف44

شکل3-2- پراکندگی تعدادآهنگ‌هابرای سبک‌های مختلف45

شکل3-3- پراکندگی تعدادآهنگ‌هابرای دستگاه‌های مختلف46

شکل3-4-روش محاسبهArea Method of Moments of MFCC49

شکل3-5- شمای کلی از برنامه کاربردی54

شکل3-6- لیست موسیقی‌های در اختیارک اربر54

شکل3-7- مراحل انتخاب موسیقی براساس شباهت فایل‌های موسیقی55

شکل3-8- پیشنهاد دهی براساس شباهت موسیقی‌ها56

شکل3-9- پیشنهاد براساس شباهت پروفایل‌های مشتریان57

شکل4-1- درصد صحت برای هر ژانردردو آزمایش60

شکل4-2- معیارRecall- precision وF-measureبرای سبک‌های مختلف64

شکل4-3- معیارRecall- precision وF-measureبرای سبک‌های مختلف66

شکل4-4- معیارRecall- precision وF-measureبرای دستگاه‌های مختلف68

 فهرست جداول

عنوان صفحه

جدول2-1طبقه بندی ویژگی‌ها14

جدول2-2 تقسیم بندی بر اساس طول فریم استخراج27

جدول2-3مرور متون گذشته در ارتباط با رده‌بندی موسیقی31

جدول2-4مرور متون گذشته سیستم پیشنهاددهنده37

جدول3-1اطلاعات کلی از مجموعه داده43

جدول3-2پراکندگی تعداد ویژگی‌ها در دسته‌های مختلف44

جدول4-1 درصد صحت برای هر ژانر در دو آزمایش60

جدول4-2مجموعه آزمایش های انجام شده و ویژگی های آن37

جدول4-3مجموعه‌ها ویژگی‌های به کار رفتهدر آموزش درخت تصمیمی63

جدول4-4معیار Recall- precision وF-measure برای سبک مختلف63

جدول4-5مجموعه‌ها ویژگی‌های به کار رفته در آموزش درخت تصمیمی65

جدول4-6 معیار Recall- precision وF-measure برای موسیقی غربی65

جدول4-7 مجموعه‌ها ویژگی‌های به کار رفته در آموزش درخت تصمیمی67

جدول4-8معیار Recall- precision وF-measure برای دستگاه‌های مختلف67

جدول4-9 بازخورد به دست آمده از افراد69

جدول4-10 کارایی معیار پیشنهاد شده69