Está en la página 1de 11

Generacin

con

los

de

msica

modelos

de

Markov
En este artculo investigamos si un
computador
puede
componer
msica que es tan agradable para el
oyente humano promedio como
msica compuesta por un ser
humano con experiencia moderada.
En nuestro sistema, la msica se
compone separando el proceso de
composicin en pasos, como la
progresin de acordes, la curva
meldica,
cadencia
y
as
sucesivamente, segn lo propuesto
por Hogberg.
Para cada uno de estos pasos, se
calcula parmetros para autmatas
probabilstico de datos de msica, a
continuacin,
utilizar
estos
autmatas
probabilstico
para
generar nuevas composiciones.
Nuestro sistema, Superwillow, es
una modificacin y extensin del
sistema de composicin Willow.
Willow es un sistema de msicacomposicin basada en reglas que
funciona en la premisa de que el
proceso de composicin puede ser
modelado por las operaciones de los
rboles
sobre
los
rboles
clasificados
usados
como
representacin
msica.
En
SuperWillow, msica simblico (ms
especficamente,
MusicXML,
ver
http: // www.musicxml.org/) se
utiliza para representar la msica
compuesta parcial obtenida despus
de cada uno de los pasos de
composicin.
Adems,
de
estilo
extensible
lenguaje y Document Object Model,

en lugar de los transductores de


rboles de arriba hacia
abajo
clasificados, como en el caso de
sauce, se utilizan para realizar cada
una de las etapas de composicin.
Del mismo modo que un artista
escucha a otros artistas y estilos
que influyen en sus composiciones,
nuestro sistema aprende a partir de
composiciones de entrada y genera
composiciones de salida en el
mismo estilo. Esto es similar en
espritu al enfoque oculta modelo de
Markov (HMM) utilizado para la
clasificacin de la msica popular.
Armonizacin de dos voces se
puede
conseguir
mediante
la
composicin de acordes de una
meloda dada, o mediante la
composicin de la meloda para una
determinada secuencia de acordes,
como en Willow.
Utilizamos los HMM para armonizar
los rboles de msica de dos
instrumentos y la prediccin sufijo
para modelar la meloda y el ritmo.
Tambin se divide el proceso de
composicin en varios pasos para
mantener el espacio de estados
manejable.
Evaluamos nuestro sistema de
generacin de msica (disponible
para
su
descarga
en
http://superwillow.sourceforge.net)
con una prueba de Turing parcial. En
una encuesta, preguntamos a los
encuestados para identificar la
composicin humana a partir de dos
composiciones, uno compuesto por
un ser humano y uno generado por
nuestro sistema.

Nosotros
obtuvimos
resultados
prometedores: 38 por ciento de los
encuestados
en
la
encuesta
atribuyeron msica compuesta por
nuestro sistema de computador a
un compositor humano.
Implementacin
La construccin de autmatas
probabilstico para nuestro sistema
de
msica
requiere
filtracin,
extraccin, y anlisis de los datos de
msica. Un filtro se utiliza para
volver a mover las piezas musicales
que SuperWillow no puede analizar,
tal como una pieza con un cambio
de comps.

Durante la extraccin, los datos de


msica se ha transpuesto a la clave
de
C,
preservando
el tipo de escala. A continuacin,
una lista de acordes de anuncios y
duracin de las notas se obtienen a
partir de los datos de msica.
El
componente
analizador
de
SuperWillow crea objetos de anlisis
que
incluyen
Las cadenas de Markov (HMM) y
MCs. Despus de analizar los datos
de msica, los objetos de anlisis se
agrupan en estilos. Mediante el uso
de estos anlisis de objetos, el
sistema
genera
o
imita
composiciones en un estilo dado.
Autmata y modelos de markov
MCs se utilizan en SuperWillow para
modelar la duracin de acordes,
progresiones de acordes, y la
progresin del ritmo. MCs se utilizan
para modelar una secuencia de
eventos mediante el uso de los

estados y las probabilidades de


transicin entre estados.
Un MC se adhiere a la primera orden
supuesto de Markov, que establece
que:

P(q t qt 1, qt 2,. ,, q 1, )=P(q t HYPERLINK http://palito.es/


Donde q1,..., qt es un conjunto de
estados. As, en un MC, la
probabilidad de pasar a exponer qt,
en el tiempo t, depende slo del
estado, al tiempo (t-1).
Utilizamos MCs homogneos que
tienen probabilidades de transicin
independientes del tiempo. As, la
probabilidad de pasar a un estado
siguiente, en cualquier momento,
solo depende del estado actual.
Las probabilidades de transicin de
MCs se estiman mediante el clculo
de la estimacin de verosimilitud
utilizando la frecuencia o conteos
empricos.
En contraste con MCs, MCs de orden
superior tienen una longitud de
memoria ms grande que uno. Ms
precisamente, una orden TH-L MC
opera bajo la suposicin de que

Esto
da
lugar
a
mltiples
probabilidades de transicin entre
estados qt1 y qt. La complicacin
introducida por orden superior MCs
puede eliminarse mediante el
aumento del nmero de estados y la
adicin de una historia de los
estados.
Para transformar una orden L-TH MC
a una primera orden MC, el espacio
de estados Q se sustituye por

Li=1 Qi

donde

Qi es el conjunto

de secuencias
longitud i.

de

estados

de
q0 el estado de inicio es la

Al hacer esto, es posible convertir


un orden superior MC a un
equivalente de primer orden MC.
autmatas prediccin de sufijos
(PSA) 5,6 son equivalentes a la
orden mezclada MCs. MCS-orden
mezclada permitir transiciones de
varias longitudes de memoria,
mientras que todas las transiciones
de orden superior MCs tienen la
misma longitud de la memoria. Esta
flexibilidad
de
longitudes
de
memoria
evita
el
crecimiento
exponencial asociado con MCs de
orden superior.
PSAs representan memoria el uso
de etiquetas de estado de una
manera similar a la primera orden
MCs obtiene a partir de la
traduccin de orden superior MCs a
su equivalente de primer orden
MCs. Un PSA es una tupla de cuatro
( ,Q , , p ) donde:

es el alfabeto de entrada finito ;

El

espacio

de

estados, es un conjunto finito


de cadenas de longitud finita
con

Q;

: Qx Q

Es la funcin de

transicin de estado; y

p: Qx [0,1]

Es

la

siguiente distribucin smbolo


de probabilidad.
Las siguientes restricciones
se deben cumplir:

cadena vaca

;y

El entrenamiento de un L-PSA (PSA


una con una longitud mxima de
memoria
de
L)
se
consigue
mediante el uso de la funcin de
transicin

Cada estado necesita a todos sus


prefijos para permitir que el Estado
sea alcanzable en la PSA.Estos
prefijos heredan sus probabilidades
de transicin ms largo de su sufijo
adecuado en el espacio de estados.
La construccin de t implica
encontrar el estado de destino para
cada Estado de la fuente y el
smbolo de transicin.
El estado de destino de una
transicin es el sufijo ms largo de
la cadena obtenida concatenando el
Estado de la fuente y el smbolo de
transicin, que est tambin en el
espacio de estados. HMMs se usan
para modelar la relacin entre una
oculta y una secuencia observada.
Un HMM discretos es un MC con una
distribucin de probabilidad discreta
en cada estado. Estas distribuciones
de probabilidad discretas definidas
probabilidades de emitir un smbolo
del alfabeto especfico en un estado
oculto dado.
As, los estados de la MC son los
estados ocultos. Un HMM discreta es
una tupla de cinco ( ,Q , a , b , ):

Es un alfabeto finito de
smbolos visibles;

Es un conjunto finito de

estados ocultos;

a :Qx Q [0,1]

Es un mapeo

que define la probabilidad de


transiciones entre estados
ocultos;

b :Qx [0,1]

Es un mapeo

que define la probabilidad de


emisin de cada smbolo
visible en un estado oculto
dado, tambin llamado una
matriz de confusin; y

: Q [0,1]

Es un mapeo

que define la probabilidad


inicial de los estados ocultos.
Las siguientes
deben cumplir:

restricciones

se

Algoritmo LearnPSA .el LearnPSA


produce un rbol prediccin sufijo
que luego se convierte a un PSA. El
diseo del algoritmo fue motivada
por el (PAC) modelo de aprendizaje,
probablemente
aproximadamente
correcta. Este algoritmo busca todas
las cuerdas con una significacin
estadstica
(tambin
llamados
motivos), teniendo en cuenta ciertos
parmetros de entrada para las
secuencias de entrenamiento. Estos
parmetros son la longitud mxima
de una secuencia, la probabilidad

mnima de una secuencia que se


produce
en
los
datos
de
entrenamiento, y un factor por el
que la probabilidad condicional de la
secuencia debe ser ms grande que
la de sus sufijos.
La Figura 1 muestra el PSA
resultante que figuran las dos
secuencias de entrenamiento: (c, d,
e, c, d, c, d, e, c, d) y (d, e, d, e, c, d,
c, d , e, c). Tenga en cuenta que el
nodo de solamente se aade
despus de la finalizacin del
algoritmo LearnPSA. A pesar de que
no es estadsticamente significativa,
es necesario para completar el rbol
construido porque es el padre de la
CDE y EDE. La corriente continua
nodos y CE se aaden a la PSA para
hacer nodos DCD y el DPI
alcanzable. Los sufijos de la CE y DC
no se aade al rbol original, ya que
tienen la misma distribucin de
probabilidad que sus padres c. El
padre c siempre es seguido por d, si
su predecesor es e o d.

Conversin
de
un
rbol
de
prediccin sufijo a un PSA se logra
mediante la adicin de todos los
prefijos que faltan para el espacio
de
estados
y
mediante
la
construccin de la
En el caso en el que la secuencia de
estado oculto y secuencia de
observacin estn disponibles como
datos
de
entrenamiento,
los
recuentos empricos se pueden

utilizar para calcular los parmetros


del modelo. La tabla 1 muestra las
secuencias ocultas y observadas
utilizadas
para
calcular
los
parmetros del HMM en la Figura 2.
La secuencia de estado
puede ser usado para

oculto

transformacin de una cadena, para


aceptar
la
cadena
dada.
El
autmata descrito antes no inclua
estados finales, ya que slo
modelados cadenas de una longitud
fija, lo que implica que sus
distribuciones se normalizaron sobre
cadenas con la misma longitud. La
introduccin de estados finales
normaliza
la
distribucin
de
probabilidad de cadenas generadas
sobre todas las longitudes.
Determinar las probabilidades de
transicin de la MC subyacente. As:

Figura 2. Un modelo oculto de


Markov
con
la
distribucin
probabilstica discreta en cada
estado est representada como un
histograma.
Hace que las transiciones del PSA
de primer orden. Figura 3 muestra el
PSA
en
la
Figura
1
con
distribuciones
de
probabilidad
asociadas. Las distribuciones fc, fd,
y, Fe estn representados por las
filas de la matriz de confusin.

La matriz de confusin, b, tambin


es entrenado utilizando nmero de
reproducciones para todo q

nosotros tenemos que:

As

Estados finales o de aceptacin en


un autmata requieren que el
autmata de estar en uno de estos
estados
despus
de
la

De primer orden HMM consisten en


un primer orden MC con una
distribucin
de
probabilidad

asociada a cada estado de la MC. En


trminos ms generales, un HMMorden mezclada es una orden
mezclada MC con una distribucin
de probabilidad asociada a cada
estado de la MC. En lugar de utilizar
una orden mezclada MC, como la
base de la orden mezclada-HMM, se
utiliza un PSA PSA porque son
equivalentes a-orden mezclada MCs.
Cada estado del PSA utilizado en un
HMM-orden mezclada dada est
asociada con una distribucin de
probabilidad la definicin de sus
probabilidades de emisin. Esta
distribucin de probabilidad es la
misma para todos los estados de la
PSA que tienen el mismo ltimo
smbolo
en
sus
respectivas
etiquetas de estado.
La naturaleza de orden mixto de un
PSA se mantiene en las etiquetas de
estado, en vez de las transiciones
como es el caso para la orden
mezclada MCs.

Esta propiedad y sumando las duraciones


de acordes que son los mismos y que se
siguen unos a otros. El anlisis de la
progresin de acordes se aplica a la voz
de acompaamiento. Los conjuntos de
entrenamiento, que son listas de nmeros
romanos, se utilizan para calcular los
parmetros de un MC mediante el uso de
cuentas de la frecuencia. Estos nmeros
romanos representan el lugar de cada
llave de la raz en la escala.
Los anlisis de las tiendas de
acompaamiento de acordes cada
singular como su clave raz o
asociada
nmero romano y el tipo. Los
nmeros romanos se generan como
la progresin de acordes. Estos
nmeros romanos o claves raz son
posteriormente asignados un tipo
sobre la base de los datos

almacenados por
acompaamiento.

el

anlisis

de

El anlisis de la progresin ritmo se


aplica al acompaamiento y voz
principal.
Una
vez
ms,
los
parmetros de la MC utilizados para
modelar la progresin ritmo, se
calculan mediante el uso de cuentas
de la frecuencia. Los restos y
acordes desconocidos se excluyen
de los datos de entrenamiento. Esta
exclusin posiblemente divide el
conjunto de entrenamiento en
mltiples
conjuntos
de
entrenamiento, pero slo el primero
y el ltimo sistema incluye un
comienzo y estado final porque aqu
es donde habran sido si el conjunto
de entrenamiento no se dividieron.
El alfabeto de la MC etiquetas de los
estados por la duracin asociada
con cada nota.
El anlisis de arco meldico calcula
los parmetros de un HMM de
primera, ms alto, o mixto orden
usando recuentos empricos para
modelar el arco meldico. La
secuencia se describe mediante
nmeros romanos representan el
acompaamiento, mientras que la
secuencia oculta se calcula a partir
de la meloda.

El
alfabeto
oculto
es
una
combinacin del ndice de la nota de
meloda
en
el
escalar y su relacin con la nota
anterior, aunque no est muy oculta
porque las notas de la meloda
estn disponibles. La relacin a la
nota anterior, tambin conocido
como el contorno, se representa por
un signo ms, menos, o igual signo,
dependiendo de si la nota actual es

mayor, menor, o las transiciones de


estado ocultas de la HMM estn
representados por una autmatas
probabilstico, mientras que la
matriz de confusin se describe por
un transductor probabilstico.
Podemos
utilizar
Carmel
para
algunos de nuestros clculos porque
HMMs se pueden convertir a los
transductores
probabilsticos
equivalentes. SuperWillow permite
al usuario elegir el orden y la
naturaleza
mixta
de
la
MCs
utilizado, as como la longitud de la
composicin a ser generado. Como
suele ser el caso cuando se utilizan
modelos de Markov de orden
superior, escasez de datos de
formacin podra ser problemtico.
Se determin experimentalmente
que si todas las secuencias de notas
razonables se dan probabilidad
distinta de cero al suavizar, la
msica
generada
no
es
necesariamente de una calidad
superior.

acordes
requiere
los
nmeros
romanos a representar acordes
reales. Estos acordes se extraen de
los datos de msica por el anlisis
de acompaamiento. El usuario
especifica qu voz es el plomo y que
se se aplica el anlisis de duracin
acorde acompaamiento. a la voz
de
acompaamiento.
Los
parmetros de la MC, que se utiliza
para modelar el acorde duraciones
Se calculan mediante el uso de
conjuntos
de
entrenamiento
contadores. La frecuencia son
simplemente listas de duraciones.
Estas
duraciones
se
calculan
mediante la agrupacin de igual a la
nota anterior la secuencia oculta de
la pieza de msica en la figura 4 es
{= 4, + 2, + 4, -1, + 3, -1} porque f
es el cuarto de tono en el C escala
mayor.

Anlisis de la msica
Despus de extraer la informacin
relevante de cada archivo MusicXML
utilizado como datos, la informacin
extrada se analiza para recuperar
los parmetros requeridos por las
operaciones XML. El ritmo, la escala
y tipo de comps se recuperan sin
rodeos. La duracin de acordes,
progresiones de acordes, y la
progresin
ritmo,
estn
todos
representados por la primera,
superior, las o-orden mezclada MCs.
El arco meldico es descrito por un
HMM de primera, superior, la oorden mezclada. Los acordes de la
progresin de acordes y el arco
meldico estn representados por
nmeros
romanos.
Generando

Cada nota de la meloda se hace


coincidir con un acompaamiento
de
acordes
en
la
secuencia
observada. El acorde que la voz de
acompaamiento estaba jugando,
cuando la nota de la meloda son
en primer lugar, es elegido para ser
el
acorde
correspondiente.
La
secuencia observada de la pieza de
msica en la figura 4 es {IV, IV, IV,
V, V, VI}. Una vez que se analizan
todas las piezas musicales, que se
combinan en objetos de anlisis que
representan el estilo de un artista o
gnero. La agrupacin de las piezas
de msica, que se utiliza como
datos, se deja al usuario final.

Generacin de msica
Despus
de
analizar
las
composiciones, los objetos de
anlisis se utilizan para generar
nuevas composiciones o imitar la
msica que se utiliza como datos de
entrenamiento. Generacin no se
logra mediante el clculo de la
secuencia ms probable de notas,
sino
ms
bien
mediante
un
muestreo de las distribuciones
obtenidas a partir del anlisis. En
primer
lugar,
un
estilo
de
generacin se elige aleatoriamente
o especificado por el usuario. A
continuacin, el tempo, comps,
escala
y
los
instrumentos
respectivos se eligen al azar de los
que se encuentran en el estilo
seleccionado.
Los MCs duracin de acordes y el
ritmo de progresin se utilizan para
generar una secuencia de valor de
la nota que resume a una duracin
especificada. Este proceso se logra
mediante la ampliacin del espacio
de estado. Adems del espacio de
estado PSA original, que incluye un
valor de duracin izquierda, que es
la duracin especificada menos la
duracin de los valores de las notas
sumadas en la secuencia generada.
La secuencia se genera as que al
final de la secuencia generada, el
valor a la izquierda duracin es igual
a cero.
Carmel es un paquete transductor
de estados finitos. Transductores,
que se generalizan los autmatas
con entrada y de salida smbolos en
las transiciones, 8 operan mediante
la produccin de smbolos de salida
como smbolos de entrada se
consumen. Carmel se utiliza para
tomar
muestras
de
las

distribuciones
creadas
por
el
anlisis de las composiciones se
utilizan
como
datos.
Ritmo
generacin, como se describe,
utiliza un autmata probabilstico
que se canaliza a travs de Carmel.
Progresin de acordes utiliza un
transductor
probabilstico
para
transformar una cadena de entrada
de la longitud de la progresin de
acordes necesario.
El arco meldico utiliza la
decodificacin de canal ruidoso
como se describe en el tutorial en el
sitio web del Carmel (ver
http://www.isi.edu/licensedsw/carmel/). Sobreajuste de los
datos de msica, pero no fue posible
reunir conjuntos de datos ms
grandes debido a limitaciones de
tiempo y los lmites impuestos a la
msica aceptados como datos por
SuperWillow.
Limitaciones de la composicin
Se
pidi
a
los
compositores
humanos para componer piezas con
dos instrumentos, uno de los
acordes Tocar y la otra una meloda,
de ms o menos ocho medidas de
longitud. Esto no incluye los
usuarios vuelo notaporque sus
composiciones fueron seleccionados
sobre la base de estos criterios. Las
composiciones se mantienen cortos
porque la msica generada por los
modelos de Markov no tienen una
estructura en voladizo. La falta de
voladizo
estructura,
incluyendo
frases y su ordenamiento, es ms
notable para las composiciones ms
largas. Las limitaciones impuestas a
las composiciones creadas por los
compositores humanos fueron los
siguientes:

La signatura de tiempo debe


ser constante a lo largo de
una composicin;
las notas de un acorde deben
sonaron al mismo tiempo y no
arpegiadas;
ambos instrumentos deben
jugar sin ningn tipo de
pruebas;
las composiciones debe
concluir con una cadencia;
notas no deben sonar de una
medida a otra; y
slo duraciones de las notas
de su conjunto a un
dieciseisavo se deben utilizar,
y duraciones tales como
trillizos no se deben utilizar.
Evaluacin
Imitacin estilo puede ser
considerado como un proceso
de inteligencia artificial, y por
lo tanto una prueba de Turing
parcial se puede aplicar. Se
realiz una encuesta en la
que
se
pidi
a
los
encuestados para seleccionar
la
composicin
que
se
compone de un compositor
humano, con un solo estando
compuesto
por
un
ser
humano y el otro por un
ordenador.
Tambin
nos
preguntamos
en
que
el
demandado
ocup
tres
composiciones,
desde
preferida
a
la
menos
preferida.
Las
tres
composiciones consistan en
una composicin compuesta
por un ser humano y dos
composiciones generados por
el sistema, uno que est
compuesto el uso ms alto y
el otro de orden mixto MCs y
HMM.
Para
asegurar
la
imparcialidad,
los
compositores humanos se les

dio las mismas restricciones


que el sistema informtico.
Las composiciones de la
encuesta
Nuestra evaluacin consisti
en dos encuestas cada uno
representando
un
estilo
diferente.
Los
dos
estilos utilizan la msica de
un
compositor
diferente
humana
(o compositores)
como datos. El primer estilo,
Burger, consisti en cuatro
composiciones
de
Eduard
Burger, quien tiene 10 aos
de experiencia de tocar la
guitarra y ocho aos de
experiencia
en
la
composicin, prefiriendo el
estilo de metal. El segundo
estilo, derretido, constaba de
dos composiciones de John
Charles Dalton, que tiene el
grado de teora musical y
ocho de la Royal School of
Music, grado flauta ocho, y
clsica de grado guitarra de
seis, y una composicin de
cada
uno
de
Affron
y
MindAtrophy, que son dos los
usuarios de la composicin
musical de vuelo de software
en
lnea
Nota
(ver
http://www.noteflight.com/),
con
experiencia
musical
desconocida.
El uso de este tipo de
pequeos conjuntos de datos
para inferir estilos de msica
podra ser visto como porque
representan el mismo estilo
de msica. De esta manera,
se elimina el sesgo de estilo.
Las composiciones generadas
para el estilo de Burger
consistieron
en
cinco
composiciones
para
cada
(Ms alto y se mezcl orden)
modelo de Markov de la

longitud de memoria de hasta


10. Por desgracia, para el
estilo fundida que slo se
poda generar orden superior
hasta
una
longitud
de
memoria de dos y orden
mezclada hasta una longitud
de memoria de cinco aos,
debido a la diseminacin de
la datos de msica.
Resultados
La encuesta fue alojado en
una pgina web y completado
por 263 encuestados, que
consiste principalmente de
personal y estudiantes de la
Universidad de Stellenbosch y
sus respectivos amigos y
colegas. La primera pregunta
de la encuesta se cre como
una prueba de Turing parcial
para descubrir si un ser
humano
podra
distinguir
entre
una
composicin
generada
por nuestro sistema y una
composicin compuesta por
un humano. La Tabla 2
muestra que el 38 por ciento
de los encuestados hizo una
eleccin
incorrecta.
La
siguiente pregunta de la
encuesta pregunt a los
encuestados que clasificaran
tres composiciones dadas en
orden ritmo y pausa, slo
puede generar composiciones
con dos voces, y coloca
demasiadas restricciones en
los datos de entrenamiento.
Un sistema futuro va a
abordar estas cuestiones.
Adems,
todas
las
composiciones eran en do
mayor con cuatro cuartos
latidos
por
medida.
Varias
composiciones
se
generaron en cada estilo, de
la que se eligieron tres

composiciones. Una de las


composiciones seleccionadas,
generado utilizando
MCSorden mezclada y HMMs, se
utiliz
una
de
las
composiciones humanos, de
los que se gener, con el
propsito de llevar a cabo la
prueba de Turing. La cuestin
clasificacin constaba de dos
composiciones seleccionadas
de mezclado y de orden
superior
y
otra
composicin humana de la
que
se
generaron.
Las
composiciones generados se
colocan
contra
las
composiciones
utilizadas
como entrada de preferencia.
Los resultados se dan en la
Figura 5a. Como se muestra
en la Figura 5b, el 59 por
ciento de los encuestados
indicaron su preferencia por
una o ambas de las dos
composiciones
informticos
dada
ms
de
una
composicin
humana.
Es
necesario una investigacin a
fondo de la similitud entre la
msica generada y los datos
de
entrenamiento.
Una
discusin detallada de los
resultados de la evaluacin se
puede encontrar en otros
lugares.

Figura
5.
Histogramas
que
representan
el
porcentaje
de
encuestados que prefiere (a) una
composicin especfica y (b) al
menos una de las composiciones de
ordenador ms de la composicin
humana.
Conclusin
Los datos del estudio mostr que las
composiciones
humanos
siguen
siendo preferidos, sino tambin que
72 por ciento de los encuestados, o
bien no poda distinguir entre una
composicin
humana
y
el

ordenador, o una composicin


preferida ordenador a travs de una
composicin humana. Dividiendo el
proceso de generacin de la msica
en
varias
operaciones
reduce la potencia de espacio de
estado
y
de
procesamiento
necesaria para cada etapa de
generacin. Desafortunadamente, el
hecho de que los pasos de
generacin no tienen entre s en
cuenta los resultados en los intentos
fallidos
de
composicin,
por
ejemplo, cuando la progresin ritmo
es incapaz de generar valores de las
notas que se ajusten a las
duraciones de acordes generados.
Hemos establecido que los HMM son
muy adecuadas para modelar la
relacin entre una meloda y los
acordes de acompaamiento. Por
desgracia, el beneficio de la orden
mezclada ms de orden superior no
fue indicada por los resultados de la
encuesta. Como era de esperar, nos
dimos cuenta de que la orden
mezclada fue capaz de producir
composiciones de una longitud de
memoria
mucho
mayor,
en
comparacin con los de orden
superior.

También podría gustarte