Skip to content

Studio della deviazione percettiva di campioni audio restaurati digitalmente

Cenni sull’utilizzo di reti neurali

Alla luce delle conclusioni raggiunte tramite il Multidimensional Scaling e della tipologia di relazioni tra le caratteristiche qualitative e quantitative dei campioni audio, si suggerisce l’impiego di una rete neurale per lo sviluppo di un’indagine ulteriore. La rete neurale [Lazzerini, 2010] è un sistema di elaborazione dei dati, oggi molto usato in ambito statistico, che imita il sistema nervoso biologico (meccanismi come la percezione delle immagini o la comprensione del linguaggio) ed è composta di unità (neuroni) di ricezione (input), elaborazione intermedia (hidden) e output.

Ognuna di esse si attiva se il segnale che riceve supera una certa soglia prestabilita, trasmettendo i dati alle successive tramite connessioni dotate di pesi variabili, detti sinaptici. Esse vengono utilizzate per il clustering, l’approssimazione di funzioni, la predizione temporale, l’elaborazione e il riconoscimento di immagini e in generale per l’ottimizzazione di processi. Senza addentrarsi nella teoria delle reti neurali e del loro funzionamento matematico, per le quali si rimanda all’ottimo testo [Floreano-Mattiussi,2002], preme sottolineare le qualità a favore di un loro utilizzo nel campo della valutazione del restauro.

La caratteristica principale della rete neurale è di essere una black box, ovvero una scatola nera “magica” che, se utilizzata con criterio, fornisce dei risultati, ma della quale non si conoscono i meccanismi matematici interni. In un certo senso “bisogna fidarsi” delle ipotesi di partenza e dei risultati ottenuti, ma questo è un concetto proprio di molte analisi statistiche e che vale anche per l’MDS, se pur più legato alle scelte personali del ricercatore. La rete “impara” a fornire risposte appropriate agli stimoli di ingresso modificando le caratteristiche delle connessioni sinaptiche (tra unità) tramite delle regole di apprendimento. Queste ultime vengono “insegnate” letteralmente alla rete dall’operatore tramite la somministrazione di dati in entrata.

Si chiamano regole, ma sono concettualmente più dei “comportamenti reattivi” basati su algoritmi più semplici di quanto si possa immaginare. L’utilizzo che si ipotizza nel campo del restauro è il seguente: istruire una rete neurale con input quantitativi e ottenere degli output qualitativi o viceversa. Questo può essere interessante nel momento in cui si individua un processo specifico di restauro digitale e si vuole capire la reazione di un ascoltatore. La rete istruita adeguatamente riceverà in ingresso valori relativi a caratteri quantitativi e attiverà in uscita i neuroni corrispondenti alle qualità qualitative stimolate. Nel concetto inverso il campione audio potrebbe essere il file “vincitore” di un’analisi statistica soggettiva (la versione più “gradita” di un restauro) e se ne vogliono conoscere le caratteristiche salienti quantitative. In input si avranno i dati raccolti dal pubblico (profondità, brillantezza, gradimento, etc...) e in output le caratteristiche tecniche (ad esempio le features scelte in questa tesi).

La rete neurale attiverà solo quelle che rappresentano maggiormente quell’audio. Per ottenere un risultato del genere, tra le tante tipologie di reti, ne servirebbe una Multilayer Perceptron , o MLP ad apprendimento supervisionato. Multilayer perchè multistrato: neuroni input, neuroni nascosti (uno o più “fogli”) ed output di risposta. La rete si ipotizza di tipo feed-forward, ovvero ogni neurone è collegato a tutti quelli dello strato successivo ma non ai suoi “vicini”, con i quali condivide solo la soglia di attivazione. Ciò è coerente con il concetto insito nei descrittori audio: sono tutti diversi e indipendenti tra loro, ma insieme influenzano il risultato finale del restauro (in alternativa si possono comunque considerare tutte le connessioni possibili con un collegamento skip-forward). Potrebbe poi, inizialmente, avere un solo strato hidden per permettere calcoli più veloci e basarsi su un algoritmo di backpropagation. La propagazione “all’indietro” è solitamente veloce nella fase di apprendimento ed ha ottime capacità di generalizzazione di un processo. E’ molto stabile e resistente agli errori e proprio per questo consigliata in casi dove i dati di input possano essere affetti da Le motivazioni a favore di un’utilizzo delle Reti neurali per lo studio del problema del restauro sono preponderanti rispetto ai possibili ostacoli. Si ritiene opportuno sottolineare la grande possibilità che esse offrono nella considerazione delle interazioni vicendevoli dei parametri, siano essi oggettivi che soggettivi. Mentre un MDS utilizza la geometria analitica per creare delle mappe concettuali statiche a partire da distanze numeriche, la RN applica un procedimento totalmente diverso, che sfrutta la stessa fitta rete di relazioni vicendevoli, per creare una struttura che possa rispondere a quesiti futuri: la musica ha per sua stessa natura necessità di essere analizzata tenendo conto della grande interazione delle sue caratteristiche sul risultato auditivo.

Questo brano è tratto dalla tesi:

Studio della deviazione percettiva di campioni audio restaurati digitalmente

CONSULTA INTEGRALMENTE QUESTA TESI

La consultazione è esclusivamente in formato digitale .PDF

Acquista

Informazioni tesi

  Autore: Sonia Cenceschi
  Tipo: Laurea liv.II (specialistica)
  Anno: 2011-12
  Università: Conservatorio G. Verdi - Como
  Facoltà: Musica Elettronica e Tecnologie Audio
  Corso: Discipline Musicali
  Relatore: Giorgio Klauer
  Lingua: Italiano
  Num. pagine: 156

DUBBI? Contattaci

Contatta la redazione a
[email protected]

Ci trovi su Skype (redazione_tesi)
dalle 9:00 alle 13:00

Oppure vieni a trovarci su

Parole chiave

statistica
musica
analisi multivariata
musica elettronica
mds
multidimensional scaling
restauro audio
restauro digitale
audio restoration
pulizia audio

Non hai trovato quello che cercavi?


Abbiamo più di 45.000 Tesi di Laurea: cerca nel nostro database

Oppure consulta la sezione dedicata ad appunti universitari selezionati e pubblicati dalla nostra redazione

Ottimizza la tua ricerca:

  • individua con precisione le parole chiave specifiche della tua ricerca
  • elimina i termini non significativi (aggettivi, articoli, avverbi...)
  • se non hai risultati amplia la ricerca con termini via via più generici (ad esempio da "anziano oncologico" a "paziente oncologico")
  • utilizza la ricerca avanzata
  • utilizza gli operatori booleani (and, or, "")

Idee per la tesi?

Scopri le migliori tesi scelte da noi sugli argomenti recenti


Come si scrive una tesi di laurea?


A quale cattedra chiedere la tesi? Quale sarà il docente più disponibile? Quale l'argomento più interessante per me? ...e quale quello più interessante per il mondo del lavoro?

Scarica gratuitamente la nostra guida "Come si scrive una tesi di laurea" e iscriviti alla newsletter per ricevere consigli e materiale utile.


La tesi l'ho già scritta,
ora cosa ne faccio?


La tua tesi ti ha aiutato ad ottenere quel sudato titolo di studio, ma può darti molto di più: ti differenzia dai tuoi colleghi universitari, mostra i tuoi interessi ed è un lavoro di ricerca unico, che può essere utile anche ad altri.

Il nostro consiglio è di non sprecare tutto questo lavoro:

È ora di pubblicare la tesi