Bu çalışmada, klasik makine öğrenme yöntemleri farklı kültürlere ait farklı türdeki müziklerden oluşmuş veri tabanları üzerinde duygu tanıması yapmak için kullanılmışlardır. Bu veri tabanlarında bulunan müziklerden öznitelik çıkarmak için çalışmalarda yaygın olarak kullanılan araçlar tercih edilmiştir. Çıkarılan bütün özniteliklere korelasyon tabanlı öznitelik seçme yöntemi uygulanmıştır. Makine öğrenmesi yöntemleri olarak Bayes Ağları, Sıralı Minimal Optimizasyon, Lojistik Regresyon ve Karar Ağaçları kullanılmıştır. Öznitelik seçim işlemi sonrasında kalan özniteliklere Bayes Ağları yöntemi uygulandığında, Türkçe Duygusal Müzik Veri Tabanı için %94,35, Bi-Modal Veri Tabanı için %79,62 ve Soundtrack Veri Tabanı için ise %75,45 tanıma oranı elde edilmiş ve karşılaştırılan sınıflandırıcılardan daha iyi sonuç alınmıştır. Daha sonra, araçlardan çıkarılan öznitelikler bir araya getirilmiş ve yine seçim işlemi yapılmıştır. Bu işlemden sonra ise, sırasıyla bu veritabanları için %95,96, %80,24 ve %82,72 tanıma oranları elde edilmiştir.
In this study, classic machine learning methods were used to make sensational recognition on the databases consisting of different kinds of music of different cultures. The tools that are widely used in the studies are preferred to get out of the music found in these databases. The method of selection is based on the correlation of all subjects. Mechanical learning methods have been used by Bayes Networks, sequential Minimum Optimization, Logistics Regression and Decision Tree. When the Bayes Networks method is applied to the remaining properties after the selection process, 94.35% for the Turkish Emotional Music Database, 79.62% for the Bi-Modal Database, and 75.45% for the Soundtrack Database, the recognition rate has been obtained and better results have been obtained than compared classifiers. After that, the properties removed from the vehicles were gathered and the election process was again made. After this process, 95.96, 80.24 and 82.72 per cent recognition rates were obtained for these databases respectively.
Alan : Mühendislik
Dergi Türü : Ulusal
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|