Geri Dön

Data analysis approaches based on audio features in music

Müzikte ses özniteliklerine dayalı veri analizi yaklaşımları

PDF İndir

  1. Tez No: 983254
  2. Yazar: ŞULE ÇEKİÇ
  3. Danışmanlar: PROF. DR. ALİ SERDAR TAŞAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez, müzik türü sınıflandırması sorununu ele almaktadır. Müzik türlerini doğru bir şekilde sınıflandırmak, hem müzik bilgi erişim (MIR) sistemlerinde hem de dijital müzik uygulamalarında önemli bir araştırma konusudur. Bu çalışmada kullanılan GTZAN veri kümesi, on farklı türe ait ses kayıtları içermektedir. Ses verileri belirli segmentlere (30, 15, 10, 5, 3 ve 1 saniye) ayrılmış ve her segment için aynı özellikler (MFCC, spektral merkez, spektral düşüş, tempo vb.) çıkarılmıştır. Öznitelikler ses dosyaları kullanılarak çıkarılmış ve hem geleneksel makine öğrenimi yöntemleri (k-en yakın komşu, Rastgele Orman, XGBoost) hem de derin öğrenme tabanlı yöntemler (CNN, RNN, CRNN) kullanılarak sınıflandırılmıştır. Model performansı, doğruluk ve F1 skorları kullanılarak değerlendirilmiştir. Ayrıca, segment uzunluklarının sınıflandırma başarısı üzerindeki etkisi karşılaştırmalı olarak gösterilmiştir. Çalışmanın benzersiz katkılarından biri, telif hakkı kısıtlamalarından muaf olan, açık kaynaklı klasik müzik verilerinin toplanması ve en yüksek doğruluk oranı veren modele entegre edilmesidir. Bu, klasik müzik bestecilerini ve dönemlerini tür benzerliği dağılım olasılıklarına göre analiz etmemizi sağlar. Bu çalışma, literatürde sınırlı olarak ele alınan besteci-dönem ilişkisine dair yeni bulgular sunulmaktadır. Sonuç olarak, farklı veri segmentleri ve algoritmalar karşılaştırılarak, müzik türü sınıflandırması için en uygun yaklaşımlar ortaya konmuştur. Ayrıca, özellikle klasik müzik üzerine yapılan deneysel çalışma, hem Müzik Bilgisi (MIR) hem de müzikoloji alanına katkı sağlamıştır.

Özet (Çeviri)

This thesis addresses the problem of music genre classification. Accurately classifying music genres is an important research topic in both music information retrieval (MIR) systems and digital music applications. The GTZAN dataset used in this study contains audio recordings of ten different genres. The audio data is segmented into specific segments (30, 15, 10, 5, 3, and 1 second), and same features (MFCC, spectral centroid, spectral rolloff, tempo, etc.) are extracted for each segment. Features were extracted using audio files and classified using both traditional machine learning methods (k-Nearest Neighbor, Random Forest, XGBoost) and deep learning-based methods (CNN, RNN, CRNN). Model performance was evaluated using accuracy and F1 scores. Furthermore, the effect of segment lengths on classification success was demonstrated comparatively. One of the study's unique contributions is its collection of open-source classical music data, free from copyright restrictions, and its integration into the optimal model. This allows us to analyze classical music composers and their periods based on their genre similarity distribution probabilities. New findings are presented regarding the composer-period relationship, which has been limitedly addressed in the literature. In conclusion, by comparing different data segments and algorithms, the most suitable approaches for music genre classification have been revealed. Furthermore, the experimental study, specifically on classical music, has contributed to both the field of MIR and musicology.

Benzer Tezler

  1. Tez No

    800297

    Minimal müzik tekniklerinin seçilmiş eserler üzerinde incelenmesi

    Analysis of minimal music techniques on selected works

    OSMAN ERSİN SOĞULCAKLI

    Sanatta Yeterlik

    Türkçe

    Türkçe

    2023

    MüzikDokuz Eylül Üniversitesi

    Müzik Ana Sanat Dalı

    PROF. EBRU GÜNER CANBEY

  2. Tez No

    954411

    Çok kanallı ve eş zamanlı olmayan Türk müziği koro prodüksiyonu için seçilmiş üç boyutlu kayıt tekniklerinin karşılaştırmalı analizi

    A comparative analysis of selected three-dimensional recording techniques for multichannel and non-simultaneous Turkish music choir production

    HÜSEYİN YÜCEBAĞ

    Doktora

    Türkçe

    Türkçe

    2025

    MüzikAnkara Müzik ve Güzel Sanatlar Üniversitesi

    Müzikoloji Ana Bilim Dalı

    PROF. DR. ABDURRAHMAN TARİKCİ

  3. Tez No

    350583

    Perceptual audio source separation by subspace learning

    Altuzay öğrenme ile algısal ses kaynak ayrıştırma

    SERAP KIRBIZ

    Doktora

    İngilizce

    İngilizce

    2013

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLGE GÜNSEL

  4. Tez No

    809473

    Android malware detection using audio and image data transformation

    Ses ve görüntü dönüşümü kullanilarak android kötücül yazilim tespiti

    OĞUZ EMRE KURAL

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    Hesaplamalı Bilimler Ana Bilim Dalı

    PROF. DR. ERDAL KILIÇ

  5. Tez No

    180414

    İçerik tabanlı sorgu ve tarama için yapısal ve anlamsal ses içerik analizi

    Structural and semantic analysis of audio content for content-based querying and browsing

    MUSTAFA SERT

    Doktora

    Türkçe

    Türkçe

    2006

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Elektronik ve Bilgisayar Eğitimi Ana Bilim Dalı (disiplinlerarası)

    PROF.DR. BUYURMAN BAYKAL

Geri Dön