Descripción artículos aportes de investigación.

Lenguaje de programación

Andrés David Briceño Rivera 30000067780

Universidad de san buenaventura

Bogotá Colombia

Junio/2021

1) Bach 2.0 - generating classical music using recurrent neural networks

Bach 2.0: generación de música clásica utilizando redes neuronales recurrentes

https://reader.elsevier.com/reader/sd/pii/S1877050919313444?token=E7664E4B9F72886E9648444FC96B8B7ECBF4F6E47093114AE0A6

1F6CA1673E9A3AA73FDCB4C0C4D9FE3AC3C7239EEE78&originRegion=us-east-1&originCreation=20210611225617

La música en general y en este caso en específico la música clásica es considerada una forma de

lenguaje para expresar los sentimiento más allá de las palabras, mostrando características de esta

como el tono, timbre, color, textura, etc. , buscando hallar una relación o equivalencia entre las

palabras es decir entre la construcciones gramaticales y construcciones musicales; se examinaron

distintos método de notación musical (ABC, NWCTXT, XML) como sus falencias y ventajas en el

objetivo de analizar y determinar el estilo de un único compositor, mostrándonos alternativas de

notación y su integración con los softwares actuales.

La literatura científica es escasa y prematura en el análisis del rendimiento de las redes neuronales

de tipo LSTM en las creaciones musicales. Por esta razón se analizó el comportamiento de las

redes neuronales al aprender acordes y luego acordes como melodía.

Basados en composiciones de Johann Sebastián Bach y un esbozo de su estructura musical los

autores proponen un nuevo tipo de red neuronal recurrente, para producir música polifónica,

técnicas de inteligencia musical que fueron consideradas de última generación en el momento,

centrándose en el formato de archivo binario MIDI, mientras analizan simultáneamente las

capacidades de los (RNN). Una red neuronal recurrente es una clase de red neuronal artificial

donde se forman conexiones entre nodos, estas pueden usar su “memoria)” para procesar

secuencias de entradas. Mostrándonos que sí es factible emplear un RNN para síntesis musical al

estilo Bach; pero que por el peso de la red neuronal puede impedir por completo que la misma siga

entrenándose así misma.

En este artículo se logran definir las funciones que se buscan implementar, como la arquitectura

propuesta la cual es principalmente desarrollada en Python y Funciones de Tensor Flow; buscando

hacer un correcto mapeo de la nota musical al vocabulario, para construir realmente el vocabulario.

Todos los datos de entrada se analizan y todas las palabras resultantes se almacenan en un

diccionario y la entrada alimenta al RNN que contiene el reemplazo de cada palabra con su índice

correspondiente en el vocabulario.

En conclusión, nos da una visión general para predecir realmente factor de repetición y secuencia

de las composiciones musicales, y se determina que es un método candidato y muy prometedor

para síntesis, en este caso de música clásica.

 2) Estimation of a recursive link-based logit model and link flows in a sensor equipped

network

- Estimación de un modelo logit recursivo basado en enlaces y flujos de enlaces en

una red equipada con sensores

https://www.sciencedirect.com/science/article/pii/S0191261520303854

Este artículo está enfocado en examinar el modelo Logit (RL) el cual observa la "ruta" de un

individuo describe las medidas de un conjunto de sensores de proximidad espacialmente fijos que

pueden identificar de forma única a las personas, con Wi-Fi, RFID - o sensores Bluetooth.

Se enfocaron en los peatones en un contexto urbano o de eventos identificando a individuos

durante su trayectoria esto también permite formular un método probabilístico, que se puede

utilizar para estimar el flujos de enlaces en una red en función de las observaciones. Este estudio

se probó con un conjunto de datos reales, recopilados en un evento musical holandés.

Basados en los modelos de elección discreta utilizados desde hace años para describir todo tipo de

movilidad humana, nace el modelo RL el cual puede adoptar una gran cantidad de fuentes de datos,

como trazas de GPS, trazas de Bluetooth, encuestas en línea o fuera de línea, trazas de Wi-Fi,

RFID y datos de teléfonos de redes móviles. Teniendo en cuenta que cada tipo de datos tiene sus

características específicas en cuanto a precisión, utilizando fuentes de datos de ubicación y fuentes

de datos de proximidad se logró identificar los patrones que puede cumplir una persona y como

esto aumenta la probabilidad de toparse con sensores próximos y así lograr una correcta

reconstrucción de trayectorias.
Existe muy poca literatura sobre cómo estimar los parámetros de un modelo de elección de ruta

discreta con datos de proximidad. Este artículo permite entender la descripción y aplicación de un

método de estimación que aprovecha los datos de ubicación, lo que se puede utilizar para derivar

flujos de enlaces y divisiones de rutas a partir de un conjunto de secuencias de observación de

sensores el texto. muestra las diferencias técnicas entre los modelos de elección, la forma de

representa de la trayectoria y describe cómo se representan las observaciones de individuos que

viajan a través de la red en términos de observaciones de sensores, también describe un método de

estimación de utilización de enlaces probabilísticos este cálculo de probabilidad es el elemento

clave del método de estimación del modelo de elección, analiza la complejidad computacional del

método de estimación del modelo y la aplicabilidad del modelo en diferentes contextos. Y en

desarrollo nos habla de la manera como con el surgimiento de las nuevas tecnologías digitales, la

estimación se desplazó más hacia el uso de observaciones de comportamiento de sensores tratando

procesamiento que puede hacer una distinción muy clara entre dos tipos de fuentes de datos:

fuentes de datos de ubicación y fuentes de datos de proximidad.

3) Computers and musical style, the computer music and digital audio series, volume

6: David cope

- Computadoras y estilo musical, la música por computadora y la serie de audio

digital, volumen 6: David cope

https://www.sciencedirect.com/science/article/pii/000437029590011X
David Cope presenta un sistema para crear música a partir de patrones tonales y rítmicos basándose

en la idea de la generalización de estilos, a lo que él llama firmas, estas firmas están presentes en

cada estilo, es una coincidencia de patrones, se pueden generar nuevas frases a partir del reciclaje

de los estilos y expresa que la música puede entenderse con algoritmos.

Este articulo nos habla del sistema de Inteligencia Musical (EMI) que está definido con un paquete

de código que genera composiciones estilísticas, a través de la imitación y combinación de otros

estilos, por medio de una biblioteca de plantillas de estilos la cual permite, al final obtener un

producto nuevo lo que recombina música existente en nuevas sucesiones lógicas.

Se explica su teoría donde habla de separar por partes un estilo buscar lo que es común a la creación

que se pretende y finalmente recombinar obteniendo una nueva obra.

Cada estilo tiene reglas para crear réplicas de sí mismo, distintas pero muy relacionadas Para

obtener un algoritmo de reconocimiento de patrones el programa invita al usuario a aplicar

patrones. Cope afirma que los objetos generales del estilo, a los que llama firmas, se pueden

combinar y luego evolucionar, usa un sistema al que llama SPEAC, (declaración, preparación,

extensión, antecedente, consecuencia).

 4) “Ancient instruments Sound/Timbre Reconstruction Application”

Aplicación de la reconstrucción del sonido / Timbre de instrumentos antiguos.

https://www.sciencedirect.com/science/article/pii/S187705091000044X

Este proyecto tiene como objetivo la creación de una aplicación “digital” por medio de la cual se

puedan reconstruir los sonidos perdidos de nuestras culturas, teniendo como punto de partida los

hallazgos arqueológicos sobre el instrumento, como fragmentos de excavaciones, descripciones

escritas, dibujos en urnas antiguas, etc.

Siendo un apoyo para científicos de las ciencias humanas, ciencias de las cuales la tecnología se

olvida, y será de gran valor para los guardas del patrimonio cultural.

La aplicación desarrollada dará paso a la reconstrucción de instrumentos antiguos y a aplicar estos

sonidos a nuestros instrumentos modernos por medio de la adaptación MIDI la cual será programa

con los nuevos/ antiguos sonidos.

Para el logro del objetivo propuesto se utiliza un conjunto de ecuaciones y algoritmos que

describen la estructura física del instrumento antiguo para generar las fuentes físicas de sonido. La

zonificación y metodización de datos son dos aplicaciones destinadas a convertir datos e

información provenientes de entornos científicos en señales audibles (melodías, formas de onda,

etc.)
Nos muestra como el modelado intensivo por computadora de sonidos musicales es un punto clave

para generar el sonido perdido; logrando así una gran capacidad de restauración de síntesis, pero

a su vez requiriendo una gran capacidad de procesamientos matemáticas (ecuaciones diferenciales

de acoplado a osciladores) los cuales deben resolverse. El procesamiento también depende de la

calidad del archivo de audio que se desee obtener.

Y, en conclusión, Nos habla de cómo la aplicación “ASTRA” permitirá recrear el sonido de

instrumentos que anteriormente habrían sido demasiado costosos o difíciles de fabricar

manualmente, y se traerán sonidos nuevamente a la vida.