Automatiserad genreklassificering av gitarrstämmor

Sammanfattning: Ända sedan de första systemen för att automatisera processen att genreklassificeramusikstycken presenterades i början av 2000-talet, har en mängd olika tillvägagångssätt och tekniker framförts. De flesta av dessa system använder hela låtens musikarrangemang, men det har publicerats arbeten som undersöker ifall individuella instrumentstämmor innehåller tillräckligt med information för att klassificera genrer. Iföreliggande arbete presenteras ett sådant tillvägagångssätt, med syfte att undersökaifall gitarrstämmorna i musikstycken innehåller tillräckligt med information för attklassificera genrer. Maskininlärningsmetoden Support Vector Machines används föratt finna de optimala gränserna mellan olika musikgenrer genom att lära sig från träningsdata. Modellens noggrannhet utvärderas sedan med hjälp av testdata. När detgäller tränings- och testdata används en del av GTZAN-datasetet. GTZAN-datasetetär ett vanligt förekommande dataset inom musikgenreklassificering och består av 10genrer med 100 musikstycken i varje genre. För denna studie är endast stycken sominnehåller gitarr av intresse, varav endast en del av datasetet används. Gitarrstämmorna separeras sedan från varje musikstycke. För varje insamlad gitarrstämma extraheras och används en uppsättning särdrag för att beskriva de signifikanta egenskaperna hos de genrer som skall klassificeras. Genom att använda de extraheradesärdragen uppnås en noggrannhetsgrad på 96,46% för gitarrstämmorna. Som referens tillämpas samma process på hela arrangemanget av samma musikstycken, somuppnår en noggrannhetsgrad på 93,22%. Resultatet av denna studie visar att gitarrstämmorna i musikstycken innehåller tillräckligt med information för att klassificerastyckets genre.