Erkennung von Musik und Emotionen - Die kombinierten Funktionen - Nalini, N. J.;Palanivel, S.
39,90 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
payback
0 °P sammeln
  • Broschiertes Buch

Die Musik-Emotionserkennung (MER) spielt eine wichtige Rolle bei der Interaktion zwischen Mensch und Maschine und bei der digitalen Unterhaltung. Die Erkennung von Emotionen, die durch einen bestimmten Musiktitel vermittelt werden, ist eine anspruchsvolle Aufgabe, die bei der Suche nach Musikinformationen große Aufmerksamkeit erregt hat. Es wurden verschiedene Anstrengungen unternommen, um die Emotionen von Musik zu erkennen. Neben den regulären Merkmalen, die in MER verwendet werden, wird nach neuen Merkmalen zur Erkennung von Musikemotionen gesucht. Das Restphasenmerkmal ist ein…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
Die Musik-Emotionserkennung (MER) spielt eine wichtige Rolle bei der Interaktion zwischen Mensch und Maschine und bei der digitalen Unterhaltung. Die Erkennung von Emotionen, die durch einen bestimmten Musiktitel vermittelt werden, ist eine anspruchsvolle Aufgabe, die bei der Suche nach Musikinformationen große Aufmerksamkeit erregt hat. Es wurden verschiedene Anstrengungen unternommen, um die Emotionen von Musik zu erkennen. Neben den regulären Merkmalen, die in MER verwendet werden, wird nach neuen Merkmalen zur Erkennung von Musikemotionen gesucht. Das Restphasenmerkmal ist ein Erregungsquellenmerkmal, das in dieser Arbeit verwendet wird, um emotionsspezifische Informationen im Musiksignal auszunutzen. In dieser Arbeit kategorisiert MER die Emotionen in fünf Klassen: Wut, Angst, glücklich, neutral und traurig. Die Extraktion und Klassifizierung von Merkmalen spielt bei MER eine wichtige Rolle, damit sie die Musik gut repräsentieren und die Berechnung effizient durchgeführt werden kann. MFCC ist das bekannte Klangfarbenmerkmal, das mit Restmerkmalen kombiniert und mit Musterklassifizierungstechniken wie dem autoassoziativen neuronalen Netz, der Support Vector Machine und dem neuronalen Netz mit radialer Basisfunktion verwendet wird. Die Leistung der Methode wurde anhand der gleichen Fehlerrate und der Erkennungsrate gemessen.
Autorenporträt
N. J. Nalini, hat im Jahr 2015 an der Annamalai Universität promoviert (Informatik und Ingenieurwesen). Seit 2000 arbeitet sie als Dozentin an der Abteilung für Informatik und Ingenieurwesen der Annamalai Universität, Tamilnadu, Indien. Interessengebiet: Sprachverarbeitung, Musterklassifizierung, neuronale Netze.