DE102006014507B4

DE102006014507B4 - Verfahren und Vorrichtung zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen

Info

Publication number: DE102006014507B4
Application number: DE200610014507
Authority: DE
Inventors: Matthias Eichner; Matthias Wolff; Rüdiger Hoffmann; Ulrich Kordon; Gunter Ziegenhals
Original assignee: Technische Universitaet Dresden
Current assignee: Technische Universitaet Dresden
Priority date: 2006-03-19
Filing date: 2006-03-19
Publication date: 2009-05-07
Anticipated expiration: 2026-03-20
Also published as: DE102006014507A1

Abstract

Verfahren zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen, aufweisend folgende Schritte:
– Durchführung einer Trainingsphase (17), in der eine Aufzeichnung (18) mindestens eines Solomusikstückes mittels mindestens eines Referenzinstruments (24) gleicher Instrumentengruppen erfolgt, wobei die Aufzeichnung (18) für ein Training (19) eines Folgenklassifikators zur Ausbildung einer Qualitätsklasse, die von Qualitätseigenschaften der Referenzinstrumente (24) gebildet wird, dient, und eine nachfolgende
– Durchführung einer Anwendungsphase (20), in der die Aufzeichnung (18) von gleichen oder anderen Solomusikstücken mittels eines zu klassifizierenden Instruments (241) aus der gleichen Instrumentengruppe erfolgt, wobei nachfolgend eine Bewertung (21) des Signals mit dem trainierten Folgenklassifikator durchgeführt und final eine Einordnung (22) des zu klassifizierenden Instruments (241) in die von den Referenzinstrumenten (24) gebildeten Qualitätsklasse vorgesehen wird, wobei der Folgenklassifikator die Summe der programmtechnischen Mittel zur Klassifikation und Beurteilung des zu klassifizierenden Instruments (241) in einer Rechnereinheit (26) darstellt,
dadurch gekennzeichnet,
dass in der Trainingsphase...

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen,
wobei das Verfahren folgende Schritte aufweist:

– Durchführung einer Trainingsphase, in der eine Aufzeichnung mindestens eines Solomusikstückes mittels mindestens eines Referenzinstruments gleicher Instrumentengruppen erfolgt, wobei die Aufzeichnung für ein Training eines Folgenklassifikators zur Ausbildung einer Qualitätsklasse, die von Qualitätseigenschaften der Referenzinstrumente gebildet wird, dient, und eine nachfolgende
– Durchführung einer Anwendungsphase, in der die Aufzeichnung von gleichen oder anderen Solomusikstücken mittels eines zu klassifizierenden Instruments aus der gleichen Instrumentengruppe erfolgt, wobei nachfolgend eine Bewertung des Signals mit dem trainierten Folgenklassifikator durchgeführt und final eine Einordnung des zu klassifizierenden Instruments in die von den Referenzinstrumenten gebildeten Qualitätsklasse vorgesehen wird, wobei der Folgenklassifikator die Summe der programmtechnischen Mittel zur Klassifikation und Beurteilung des zu klassifizierenden Instruments in einer Rechnereinheit darstellt.

Die Erfindung ist auf folgende Anwendungsgebiete ausgerichtet:

• Identifizierung von Instrumenten, wobei geprüft werden soll, ob ein aufgezeichnetes Musikstück mit einem bestimmten Instrument gespielt wurde, insbesondere zum Analysieren historischer Aufnahmen.
• Qualitätsbeurteilung eines Instruments, wobei eine automatisierte Zuordnung eines zu prüfenden Instruments zu einer Kategorie erreicht werden soll, wobei die herkömmliche Qualitätsbeurteilung in der Regel nur durch aufwändige perzeptive Tests möglich ist.

Es ist ein Verfahren zur Klassifikation von Musikinstrumenten in der Druckschrift von Valenzuela, M.: Untersuchungen und Berechnungsverfahren zur Klangqualität von Klaviertönen, Diss. TU München, 1998 beschrieben, das auf einer Aufzeichnung und einer Analyse von Einzeltönen basiert. Mechanische Hilfseinrichtungen ermöglichen dabei eine reproduzierbare Tonerzeugung oder Erfassung typischer akustischer Eigenschaften des zu bewertenden Instruments. Auf der Basis dieser Einzeltöne werden zum Teil psychoakustisch motivierte Maßzahlen berechnet, die einen Vergleich und somit eine Klassifikation der Instrumente ermöglichen.
Ein anderes Verfahren ist in der Druckschrift von Poli, de G., Prandoni, P.: Sonological models for timbre characterization. Journal of New Acoustic Research 26 (1997), S. 170–197 beschrieben, bei dem der Schwerpunkt der Analyse auf die Einschwingvorgänge während des Anspiels eines Tones gelegt wird, um eine qualitative Beschreibung des Instruments zu erhalten.
Weitere Verfahren zur Klassifikation sind in den Druckschriften Backus, J.: Input impedance curves for the reed woodwind instruments. J. Acoust. Soc. Am. 56(1974), S. 1266–1279 und Backus, J.: Input impedance curves for the brass instruments. J. Acoust. Soc. Am. 60(1976), S. 470–480 beschrieben, in denen die Systemanalyse für Streich-, Zupf- und Blasinstrumente zur Anwendung kommt. Dabei werden die Instrumente definiert angeregt, z. B. am Steg bei Streichinstrumenten, und entweder mit einem Impedanzmesskopf die Eingangsadmittanz aufgezeichnet oder der abgestrahlte Schall analysiert, um eine Beschreibung des Instruments zu erhalten.
Ein Problem besteht darin, dass die Qualität eines Musikinstruments sich nur unzureichend durch die Analyse von Einzeltönen beurteilen lässt, weil die Klangqualität durch ein komplexes Zusammenspiel von vielen Einflussfaktoren während des Spiels geprägt wird.
Durch die mechanische Erzeugung von Einzeltönen für die Bestimmung der psychoakustisch motivierten Maßzahlen besteht eine große Diskrepanz zwischen einem Einsatzszenario des Instruments, z. B. bei einem Konzert, und einem Messszenario. Außerdem ist die Systemanalyse jeweils nur für eine bestimmte Instrumentengruppe anwendbar.
Beide Verfahren, die Systemanalyse und das Anspiel von Einzeltönen, liefern keine ausreichende Differenzierung zwischen den Instrumenten gleicher Bauart, obwohl Musiker Unterschiede hören können.
Die beiden Verfahren ermöglichen auch nur eine Klassifikation unter Laborbedingungen.
Des Weiteren ist ein Verfahren zur Ermittlung akustischer Merkmale von Schallsignalen in der Druckschrift DE 102 54 612 A1 beschrieben, die das Vorliegen oder Nichtvorliegen einer Eigenschaft des Schallsignals oder Schallerzeugers anzeigen. Dabei erfolgt eine separate Bearbeitung zweier Gruppen von Schallsignalen in folgenden Schritten:

1) Erfassen der Schallsignale und Überführen in computerlesbare Audio-Dateien oder Übernahme eines vorab aufgenommenen Schallsignals in Form einer Audiodatei,
2) Erzeugen eines Frequenzspektrums jedes Schallsignals,
3) Erzeugung von Prädiktoren anhand der Spektren beider Gruppen auf der Basis der Energieanteile in gewählten Frequenzbändern, wobei dies jeweils geschieht für a) die Gesamtspektren und/oder b) die tonhaften Anteile der Spektren,
4) Erzeugung von abgeleiteten Prädiktoren durch Produktbildung und Relationenbildung aus den Prädiktoren,
5) Ermittlung der für die zu untersuchende Eigenschaft des Schallerzeugers relevanten akustischen Merkmale durch logistische Regression zwischen den beiden Gruppen mit wenigstens einzelnen der unter Schritten 4) und 5) erzeugten Prädiktoren und abgeleiteten Prädiktoren unter Gewinnung von Regressionskoeffizienten für einzelne Prädiktoren und abgeleitete Prädiktoren, die ein Maß für die Relevanz des jeweiligen Merkmals darstellen,

Das Hauptproblem besteht darin, dass je Schallsignal nur ein mittleres Spektrum berechnet und für die Erzeugung der Prädiktoren verwendet wird. Damit können nur statische Eigenschaften des Schallerzeugers erfasst werden. Eigenschaften, die durch die zeitliche Abfolge von Ereignissen im Frequenzspektrum charakterisierbar sind, werden damit nicht erfasst. Für das Erzeugen der Prädiktoren werden Schallsignale von erzeugten Einzeltönen verwendet. Typische Eigenschaften der Instrumente, welche sich erst beim Spiel von Solomusikstücken ausprägen, sind mit diesem Verfahren nicht detektierbar. Des Weiteren sind für jedes zu unterscheidende Merkmal im Schallsignal wenigstens zwei Pro- und zwei Contra-Beispiele zum Erzeugen des Prädiktors für dieses Merkmal notwendig.
Ein Verfahren und Vorrichtungen zum Erzeugen einer Kennung für ein Audiosignal, zum Aufbauen einer Instrumentendatenbank sowie zum Bestimmen der Art des Instruments sind in der Druckschrift DE 101 57 454 B4 beschrieben, wobei die Kennzeichnung von Audiosignalen dem Ziel dienen soll, eine Instrumentendatenbank aufzubauen, die anschließend zur Bestimmung der Art der Instrumente dient. Dabei geht es immer um die Bestimmung des Instrumententyps, also eines Klaviers, einer Geige, einer Trompete usw. Für die einzelnen Instrumente werden Merkmalsätze – Polynomkoeffizienten, Amplitudenhistogramme – aus dem diskretisierten Zeitsignal abgeleitet, die als Referenz zur Bestimmung der Ähnlichkeit einer zu beurteilenden Aufzeichnung dienen. Wesentlicher Bestandteil ist die Erzeugung der Kennung bzw. der Merkmale für ein Audiosignal.
Ein Problem besteht darin, dass Instrumente desselben Typs, also der gleichen Instrumentengruppe, nicht unterschieden und bewertet werden können, da der verwendete Klassifikationsansatz, basierend auf Referenzmustern, nicht leistungsfähig genug ist. Außerdem wird eine Kennung aus der Amplituden-Zeit-Darstellung abgeleitet.
Ein weiteres Verfahren zur Synthese von Musik mit einem zugehörigen Wavetable-Klangsynthesesystem ist in der Druckschrift DE 10 2004 025 025 A1 beschrieben. Das Klangsynthesesystem umfasst eine Instrumentendatenbank, ein Analysemodul, einen Speicher, ein Beurteilungsmodul und ein Synthesemodul. Die Instrumentendatenbank wird zum Speichern einer ersten vorbestimmten Anzahl von Musikinstrumenten verwendet. Das Analysemodul wird zum Analysieren einer eingegebenen Wavetable-Musik verwendet, um erforderliche Daten einer zweiten vorbestimmten Anzahl von Musikinstrumenten zu erzeugen. Der Speicher hat eine vorbestimmte Kapazität zum Speichern der erforderlichen Daten von Musikinstrumenten, um die Wavetable-Musik zu synthetisieren. Das Beurteilungsmodul wird verwendet zum Beurteilen, ob die Gesamtmenge von Daten der zweiten vorbestimmten Anzahl von Musikinstrumenten die vorbestimmte Kapazität überschreitet. Das Synthesemodul wird zum Synthetisieren eines digitalen Musiksignals gemäß den im Speicher gespeicherten Instrumentendaten eingesetzt.
Ein Problem besteht darin, dass sich das Verfahren mit der Synthese von Musik beschäftigt und auf erbgespeicherte Zeitsignale zurückgreift. Es wird zur Klassifikation bzw. Beurteilung von Instrumenten Signaltabellen (Wavetables) eingesetzt.
Ein anderes Verfahren zur Unterscheidung von Instrumententypen – Klaviere oder Gitarren – ist in der Druckschrift B. Kostek, A. Czyzewski: Representing Musical Instruments Sounds for Their Automatic Classification, J. Audio eng. Soc., Vol. 49, No. 9, 2001, S.768–785, beschrieben, bei dem verschiedene Merkmale hinsichtlich ihrer Leistungsfähigkeit untersucht werden. Als Klassifikator dient ein neuronales Netz, mit dem Instrumente gleicher Instrumentengruppen nicht klassifiziert werden können.
Ein Verfahren zur Musiksynthese ist in der Druckschrift EP 1 274 069 A2 beschrieben, bei dem ein Verfahren zur automatischen Fortführung eines angespielten Musikstücks angegeben wird. Dabei sind Anlernsequenzen von Musikdaten vorgesehen, die während einer Anlernphase erworben werden, wobei es Musik in Echtzeitfortführung einer Eingangssequenz von Musikdaten erzeugt. Das Verfahren ist mit einer Fortführungsphase versehen, das folgende Schritte aufweist:

– Erfassung des Auftretens eines Endes der momentanen Eingangssequenz der Musikdaten und
– Auslösung zur Erzeugung der genannten Fortführung über das genannte erfasste Auftreten des Endes der momentanen Eingangssequenz der Musikdaten hinaus.

Ein Problem besteht darin, dass Instrumente gleicher Instrumentengruppen nicht beurteilt und klassifiziert werden können.
Ein Verfahren zur Analyse von Musik ist in der Druckschrift WO 02/47064 A1 beschrieben, das das Ziel angibt, eine symbolische Beschreibung des Musikstücks in Form einer MIDI-Datei zu erhalten. Dabei besteht das Verfahren zur Analyse von Di gitalklängen, die Klanginformationen von Musikinstrumenten nutzen, aus folgenden Schritten:

– Erzeugen und Speichern von Klanginformationen verschiedener Musikinstrumente, d. h. Musikinstrumenten verschiedener Instrumentengruppen,
– Auswählen der Klanginformationen eines speziellen Instruments, das konkret gespielt wird, aus den gespeicherten Klanginformationen der verschiedenen Musikinstrumente,
– Aufnehmen der Digitalklang-Signale,
– Zerlegen der Digitalklang-Signale und Frequenzkompanenten innerhalb von Einheiten von Fenstern,
– Vergleichen der Frequenzkomponenten der Digitalklang-Signale mit den Frequenzkomponenten der ausgewählten Klanginformationen des speziellen Instruments und Analysieren der Frequenzkomponenten der Digitalklang-Signale, um zu erfassen die Monofon-Pitch-Informationen der Digitalklang-Signale, und
– Ausgabe der erfassten Monofon-Pitch-Informationen.

Ein Problem besteht darin, dass mit dem Verfahren eine Realisierung der Klassifikation von Instrumenten der gleichen Instrumentengruppe nicht möglich ist.
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren und eine Vorrichtung zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen anzugeben, die derart geeignet ausgebildet sind, dass eine ausreichende Differenzierung zwischen den Instrumenten gleicher Bauart gewährleistet werden kann.
Die Aufgabe wird durch die Merkmale der Patentansprüche 1, 4 und 13 gelöst.
Das Verfahren zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen weist folgende Schritte auf:

– Durchführung einer Trainingsphase, in der eine Aufzeichnung mindestens eines Solomusikstückes mittels mindestens eines Referenzinstruments gleicher Instrumentengruppen erfolgt, wobei die Aufzeichnung für ein Training eines Folgenklassifikators zur Ausbildung einer Qualitätsklasse, die von Qualitätseigenschaften der Referenzinstrumente gebildet wird, dient, und eine nachfolgende
– Durchführung einer Anwendungsphase, in der die Aufzeichnung von gleichen oder anderen Solomusikstücken mittels eines zu klassifizierenden Instruments aus der gleichen Instrumentengruppe erfolgt, wobei nachfolgend eine Bewertung des Signals mit dem trainierten Folgenklassifikator durchgeführt und final eine Einordnung des zu klassifizierenden Instruments in die von den Referenzinstrumenten gebildeten Qualitätsklasse vorgesehen wird, wobei der Folgenklassifikator die Summe der programmtechnischen Mittel zur Klassifikation und Beurteilunug des zu klassifizierenden Instruments in einer Rechnereinheit darstellt,

_i

Die Trainingsphase kann dabei aus folgenden Schritten bestehen:

1. Aufnahme von Anspielen der Referenzinstrumente der gleichen Instrumentengruppe,
2. Analog-Digital-Wandlung der Aufnahmen mittels eines Analog-Digital-Wandlers,
3. Berechnung der Hüllkurve des mel-skalierten Betragsspektrum aller 10 ms innerhalb einer Analyse mit einer Analyselänge von 25 ms in einer Funktionseinheit zur Analysedurchführung in einer Rechnereinheit,
4. Anwendung einer Hauptkomponentenanalyse (engl. Principle-Component-Analysis – PCA –) zur Dekorrelation und Dimensionsreduktion des in Schritt 3. durch die Berechnung der Hüllkurven erzeugten Merkmalvektors x in einer Funktionseinheit zur Merkmalstransformation,
5. Anlegen eines linearen Hidden-Markov-Modells mit einer vorgegebenen Anzahl von Zuständen je Referenzinstrument in einer Funktionseinheit zum Modelltraining,
6. Initialisierung der Hidden-Markov-Modelle durch gleichmäßiges Aufteilen der in Schritt 4. erhaltenen transformierten (sekundären) Merkmalvektoren auf die Anzahl der vorgegebenen Zustände des zum jeweiligen Referenzinstrument gehörenden Hidden-Markov-Modells und Berechnung der Gauß-Verteilungsdichtefunktion N_i(μ_i, Σ_i) ∊ {N} als Modellparameter in der Funktionseinheit zum Modelltraining,
7. Iterativer Aufbau je eines Hidden-Markov-Modells für je ein Referenzinstrument nach folgendem Schema innerhalb der Funktionseinheit zum Modelltraining: a. Für jede Merkmalvektorfolge aus Schritt 4. und dem dieser Merkmalvektorfolge zugehörigen Hidden-Markov-Modell aus der vorigen Iteration bzw. den initialisierten Hidden-Markov-Modellen aus Schritt 6. bei Beginn der Trainingsphase in Form eines iterativen Trainings, wird durch Anwendung des bekannten Viterbi-Algorithmus der Weg berechnet, der die maximale Emissionswahrscheinlichkeit
liefert, wobei als lokales Abstandsmaß zwischen dem Merkmalvektor x und der einem Knoten v im Hidden-Markov-Modell zugeordneten Gauß-Verteilungsdichtefunktion N der Mahalano bis-Abstand als Emissionswahrscheinlichkeit
genutzt wird, wobei x den Merkmalvektor, μ den Mittelwertvektor, N(ν_i) die Gauß-Verteilungsdichtefunktion verbunden mit dem Knoten ν_i ∊ U und |X| die Länge der Merkmalvektorfolge bezeichnen. b. Verwendung der durch den gefundenen Weg erhaltenen Neuzuordnung von Merkmalvektoren zu den Zuständen des Hidden-Markov-Modells, um die Gauß-Verteilungsdichtefunktion mit N_i(μ_i, Σ_i) ∊ {N} und die Übergangswahrscheinlichkeiten der Kanten neu zu berechnen. c. Wiederholung der Schritte 7.a und 7.b solange, bis sich die Gauß-Verteilungsdichtefunktionen zwischen zwei aufeinander folgenden Iterationen nicht mehr ändern. d. Entfernung aller Kanten in den erhaltenen Hidden-Markov-Modellen, deren Wahrscheinlichkeit unter einer einstellbaren Schwelle liegt, sowie von Knoten, die dadurch auf keinem durchgehenden Pfad vom Start zum Ende des Hidden-Markov-Modells liegen. e. Teilung jeder Gauß-Verteilungsdichtefunktion der Hidden-Markov-Modelle entlang ihrer Achse der größten Streuung in zwei neue Dichtefunktionen. f. Duplizierung jedes Knotens und Zuordnung einer der in Schritt e. erzeugten Gauß-Verteilungsdichtefunktionen zu jedem der beiden daraus resultierenden Knoten, wobei die neu entstandenen. Knoten untereinander und mit den Nachbarknoten durch Kanten verbunden werden. g. Wiederholung der Schritte a. bis f. solange, bis eine bestimmte Anzahl von Knoten erreicht ist oder sich die Gauß-Verteilungsdichtefunktionen nicht weiter aufteilen lassen.

Die Anwendungsphase besteht im Wesentlichen aus folgenden Schritten:

1. Aufnahme von Anspielen der zu prüfenden und zu klassifizierenden Instrumente aus der gleichen Instrumentengruppe mittels eines Mikrofons zur Aufnahme eines vom Instrument erzeugten Schallsignals, die auf Solomusikstücken basieren,
2. Analog-Digital-Wandlung der Aufnahmen durch den Analog Digital-Wandler,
3. Berechnung der Hüllkurve des mel-skalierten Betragsspektrum aller 10 ms innerhalb einer Analyse mit einer Analyselänge von 25 ms in der Funktionseinheit zur Analysedurchführung,
4. Anwendung der Hauptkomponentenanalyse zur Dekorrelation und Dimensionsreduktion des in Schritt 3. erzeugten Merkmalvektors unter Verwendung einer in der Trainingsphase erstellten Transformationsmatrix in der Funktionseinheit zur Analysedurchführung,
5. Berechnung des Weges durch das Hidden-Markov-Modell für jedes in der Trainingsphase erstellte Hidden-Markov-Modell in der Funktionseinheit zum Modelltraining durch Anwendung des bekannten Viterbi-Algorithmus, wobei der Weg die höchste Emissionswahrscheinlichkeit
für eine in Schritt 4. erstellte Merkmalvektorfolge besitzt, wobei als lokales Abstandsmaß zwischen dem Merkmalvektor und einer Gaußverteilung der Mahalanobis-Abstand (Emissionswahrscheinlichkeit)
genutzt wird, wobei x den Merkmalvektor, μ den Mittelwertvektor, N(ν_i) die Gauß-Verteilungsdichtefunktion verbunden mit dem Knoten ν_i ∊ U und |X| die Länge der Merkmalvektorfolge bezeichnen, und
6. Auswahl eines Modells m* aus den erhaltenen Bewertungen, das die größte Emissionswahrscheinlichkeit für die Beobachtung als Erkennungsresultat für das zu prüfende und zu klassifizierende Instrument liefert:
wobei L_m die Menge der möglichen Pfade durch das Hidden-Markov-Modell mit der höchsten Bewertung darstellt.

Die Vorrichtung zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen besteht bei Durchführung des vorgenannten Verfahrens gemäß dem Kennzeichenteil des Patentanspruchs 4 aus folgenden Teilen:

– einer Vorrichtung zur Erfassung und Digitalisierung des vom Instrument abgegebenen akustischen Signals,
– einer Rechnereinheit zur Klassifikation und Bewertung und
– einer der Recheneinheit nachgeschalteten Anzeige für die Ausgabe des Ergebnisses.

Die Vorrichtung zur Erfassung und Digitalisierung des vom Instrument abgegebenen akustischen Signals kann mindestens ein Mikrofon zur Aufnahme eines von einem Instrument erzeugten Schallsignals und mindestens einen zugehörigen Analog-Digital-Wandler zur Wandlung der analogen elektrischen Schallsignale in digitale Signale umfassen.
Dabei kann Rechnereinheit einen digitalen Eingang einer Soundkarte bezüglich der Vorrichtung zur Erfassung und Digitalisierung des vom Instrument abgegebenen akustischen Signals aufweisen.
Im Wesentlichen kann die Rechnereinheit zur Klassifikation und Bewertung – in Form des programmtechnische Mittel darstellenden Folgenklassifikators – eine Funktionseinheit zur Analysedurchführung, eine Funktionseinheit zur Durchführung von Merkmalstransformationen, eine Funktionseinheit zur Bewertung und nachfolgend eine die Qualitätsklasse enthaltende Funktionseinheit zur Entscheidungsdurchführung, wobei parallel zur Verbindung zwischen der Funktionseinheit zur Durchführung von Merkmalstransformationen und der Funktionsein heit zur Bewertung eine Funktionseinheit zur Ausbildung einer Merkmalsstatistik und ein nachgeordneter Modellspeicher, der ausgangsseitig in mehreren Verbindungen an die Funktionseinheit zur Bewertung geführt ist, geschaltet sind, umfassen.
Zwischen der Vorrichtung zur Erfassung und Digitalisierung des vom Instrument abgegebenen akustischen Signals und der Rechnereinheit ist ein Signalquellenumschalter, der auf den digitalen Eingang einer Soundkarte geführt ist, angeordnet, wobei eine Umschaltmöglichkeit zu einem digitalen Signalspeicher vorgesehen ist.
Die Funktionseinheit zur Ausbildung einer Merkmalsstatistik stellt einen Speicher für eine Transformationsmatrix der Hauptkomponentenanalyse dar.
Der Modellspeicher stellt einen Speicher für die Hidden-Markov-Modelle der Referenzinstrumente dar.
Zwischen dem Speicher für die Transformationsmatrix der Hauptkomponentenanalyse und dem Modellspeicher kann wahlweise ein externer Datenspeicher für die während der Trainingsphase erstellte Transformationsmatrix und für Hidden-Markov-Modelle angeschlossen sein.
In der Rechnereinheit, die den Folgenklassifikator enthält, können folgende Vorgänge ablaufen:

– Berechnung der Hüllkurve des mel-skalierten Betragsspektrum aller 10 ms innerhalb einer Analyse mit einer Analyselänge von 25 ms in der Funktionseinheit zur Analysedurchführung,
– Anwendung der Hauptkomponentenanalyse zur Dekorrelation und Dimensionsreduktion des in Schritt 3. erzeugten Merkmalvektors unter Verwendung der in der Trainingsphase erstellten Transformationsmatrix in der Funktionseinheit zur Analysedurchführung,
– Berechnung des Weges durch das Hidden-Markov-Modell für jedes in der Trainingsphase erstellte Hidden-Markov-Modell aus dem Speicher für die Hidden-Markov-Modelle der Referenzinstrumente unter Anwendung des bekannten Viterbi-Algorithmus, wobei der Weg die höchste Emissionswahrscheinlichkeit
für die erstellte Merkmalvektorfolge zur Bewertung der Merkmalvektorfolge mit jedem der in dem Speicher für die Transformationsmatrix der Hauptkomponentenanalyse besitzt, wobei als lokales Abstandsmaß zwischen dem Merkmalvektor und einer Gauß-Verteilungsdichtefunktion der Mahalanobis-Abstand als Emissionswahrscheinlichkeit:
genutzt wird, wobei x den Merkmalvektor, μ den Mittelwertvektor, N(ν_i) die Gauß-Verteilungsdichtefunktion verbunden mit dem Knoten ν_i ∊ U und |X| die Länge der Merkmalvektorfolge bezeichnen, und
– Auswahl (12) eines Modell m* aus den erhaltenen Bewertungen, das die größte Emissionswahrscheinlichkeit für die Beobachtung als Erkennungsresultat für das zu prüfende und zu klassifizierende Instrument liefert:
wobei L_m die Menge der möglichen Pfade durch das Hidden-Markov-Modell mit der höchsten Bewertung darstellt.

Bei der Verwendung der vorgenannten Vorrichtung zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen unter Einsatz des vorgenannten Verfahrens werden gemäß dem Kennzeichenteil des Patentanspruchs 14

• zur Analyse eines Musikinstrumentes aus der gleichen Instrumentengruppe Solomusikstücke und
• zur Einordnung des zu klassifizierenden Musikinstruments Algorithmen einer Folgenklassifikation

Das entwickelte Verfahren basiert auf der Analyse von Tonfolgen, insbesondere von Solomusikstücken unter Verwendung von Algorithmen der Folgenklassifikation. Als Eingangsinformation dienen aufgezeichnete Signale, die durch Anspiel des zu untersuchenden Musikinstruments erzeugt werden, wobei ein Anspiel als eine Tonfolge, insbesondere ein Solomusikstück mit einer Spiellänge von etwa zwanzig bis dreißig Sekunden definiert sein kann.
Die Erfindung wird anhand eines Ausführungsbeispiels mittels mehrerer Zeichnungen erläutert:
Es zeigen:
1 eine schematisch einfache Darstellung des erfindungsgemäßen Verfahrens zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen anhand von Solomusikstücken in einer Trainingsphase und einer Anwendungsphase,
2 eine schematische Darstellung der Zustande eines Hidden-Markov-Modells in 2a und der Aufspaltung der Gauß-Verteilungsdichtefunktion in 2b,
3 eine Darstellung des Verfahrens zum Training der Referenzmodelle und
4 eine schematische Darstellung einer Vorrichtung zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen.
In 1 ist in einer schematisch einfachen Darstellung das erfindungsgemäße Verfahren zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen gezeigt, die folgende Schritte aufweist:

– Durchführung einer Trainingsphase 17, in der eine Aufzeichnung 18 mindestens eines Solomusikstückes mittels mindestens eines Referenzinstruments 24 der gleichen Instrumentengruppe erfolgt, wobei die Aufzeichnung 18 für ein Training 19 eines Folgenklassifikators zur Ausbildung einer Qualitätsklasse, die von Qualitätseigenschaften der Referenzinstrumente 24 gebildet wird, dient, und eine nachfolgende
– Durchführung einer Anwendungsphase 20, in der die Aufzeichnung 18 von gleichen oder anderen Solomusikstücken mittels eines zu klassifizierenden Instruments 241 aus der gleichen Instrumentengruppe erfolgt, wobei nachfolgend eine Bewertung 21 des Signals mit dem trainierten Folgenklassifikator durchgeführt und final eine Einordnung 22 des zu klassifizierenden Instruments 241 in die von den Referenzinstrumenten 24 gebildeten Qualitätsklasse vorgesehen wird, wobei der Folgenklassifikator die Summe der programmtechnischen Mittel zur Klassifikation und Beurteilunug des zu klassifizierenden Instruments 241 in einer Rechnereinheit 26 darstellt.

Erfindungsgemäß wird in der Trainingsphase 17 für jede zu beurteilende Instrumentengruppe durch die Aufzeichnung 18 ein Anlernvorgang mit einer repräsentativen Anzahl I von Referenzinstrumenten 24 durchgeführt, wobei in der Trainingsphase 17, wie in 2 gezeigt ist, akustische Modelle in Form von Hidden-Markov-Modellen (HMM) 23 für jedes Referenzinstrument 24 in einer Trainingsstichprobe erstellt werden. In 2a ist ein Hidden-Markov-Modell 23 dargestellt, das eine Menge V von Knoten (oder Zuständen) v1, v2, v3 und eine Menge E E ⊆ V × V gerichteter Kanten e12, e23 zwischen den Knoten v1, v2, v3 besitzt, denen Übergangswahrscheinlichkeiten zugeordnet sind. Jedem Knoten v1, v2, v3 ist eine mehrdimensionale Gauß-Verteilungs-dichtefunktion N1, N2, N3, wie in 2b gezeigt ist, mit je N_i(μ_i, Σ_i) ∊ {N} zugeordnet. Während der Trainingsphase 17 werden die Anzahl V der Knoten v1, v2, v3, deren Verknüpfung durch Kanten e12, e23, die Übergangswahrscheinlichkeiten und die den einzelnen Knoten v1, v2, v3 zugeordneten Verteilungsdichtefunktionen N1, N2, N3 bestimmt. Die erhaltenen Hidden-Markov-Modelle 23 stellen Referenzmodelle für die erfindungsgemäße Vorrichtung 27 zur Klassifikation und Beurteilung der Musikinstrumente gleicher Instrumentengruppen dar.
Als zu klassifizierende und zu beurteilende Instrumente 241 können z. B. klassische Gitarren eingesetzt sein.
Das Verfahren zum Training der Referenzmodelle – der Trainingsphase 17 mit dem Modelltraining – besteht aus den folgenden Schritten, wie in 3 gezeigt ist:

1. Aufnahme 14 von Anspielen der Referenzinstrumente 24 der gleichen Instrumentengruppe,
2. Analog-Digital-Wandlung 2 der Aufnahmen,
3. Berechnung der Hüllkurve des mel-skalierten Betragsspektrum aller 10 ms innerhalb einer Analyse 6 mit einer Analyselänge von 25 ms,
4. Anwendung der Hauptkomponentenanalyse zur Dekorrelation und Dimensionsreduktion des in Schritt 3. durch die Berechnung der Hüllkurven erzeugten Merkmalvektors x in einer Funktionseinheit 7 für die Merkmalstransformation nach Bestimmen der Transformationsmatrix für die Hauptkomponentenanalyse in einer dazwischen befindlichen Funktionseinheit 15 für Statistik,
5. Anlegen eines linearen Hidden-Markov-Modells 23 mit drei Zuständen v1, v2, v3 je Referenzinstrument 24,
6. Initialisierung der Hidden-Markov-Modelle 23 durch gleichmäßiges Aufteilen der in Schritt 4. erhaltenen transformierten (sekundären) Merkmalvektoren auf die drei Zustände v1 bis v3 des zum jeweiligen Referenzinstrument 24 gehrenden Hidden-Markov-Modells 23 und Berechnung der Gauß-Verteilungsdichtefunktion N1, N2, N3 mit N_i(μ_i, Σ_i) ∊ {N} als Modellparameter,
7. Iterativer Aufbau je eines Hidden-Markov-Modells 23 für je ein Referenzinstrument 24 nach folgendem Schema: a. Für jede Merkmalvektorfolge aus Schritt 4. und dem dieser Merkmalvektorfolge zugehörigen Hidden-Markov-Modell 23 aus der vorigen Iteration, bzw. den initialisierten Modellen aus Schritt 6. bei Beginn der Trainingsphase 17 in Form eines iterativen Trainings, wird durch Anwendung des Viterbi-Algorithmus der Weg berechnet, der die maximale Emissionswahrscheinlichkeit
mit Um* als Pfad durch das Hidden-Markov-Modell mit der höchsten Bewertung liefert. Als lokales Abstandsmaß zwischen dem Merkmalvektor x und der einem Knoten v im Hidden-Markov-Modell 23 zu geordneten Gauß-Verteilungsdichtefunktion N wird der Mahalanobis-Abstand in Form der Emissionswahrscheinlichkeit)
genutzt. N(ν_i) bezeichnet die Gauß-Verteilungsdichtefunktion N verbunden mit dem Knoten ν_i ∊ U, x den Merkmalvektor, μ den Mittelwertvektor und |X| als Länge der Merkmalvektorfolge. b. Die durch den gefundenen Weg erhaltene Neuzuordnung von Merkmalvektoren zu den Zuständen v des Hidden-Markov-Modells 23 wird verwendet, um die Gauß-Verteilungsdichtefunktion N mit N_i(μ_i, Σ_i) ∊ {N} und die Übergangswahrscheinlichkeiten der Kanten e neu zu berechnen. c. Schritt 7.a und Sehritt 7.b werden solange wiederholt, bis sich die Gauß-Verteilungsdichtefunktionen N zwischen zwei aufeinander folgenden Iterationen nicht mehr ändern. d. In den erhaltenen Hidden-Markov-Modellen 23 werden alle Kanten e entfernt, deren Wahrscheinlichkeit unter einer einstellbaren Schwelle liegt. Knoten v, die dadurch auf keinem durchgehenden Pfad vom Start zum Ende des Hidden-Markov-Modells liegen, werden ebenfalls entfernt. e. Jede Gauß-Verteilungsdiahtefunktion N der Hidden-Markov-Modelle 23 wird entlang ihrer Achse der größten Streuung in zwei neue Dichtefunktionen Na, Nb, wie in 2d gezeigt ist, geteilt. f. Anschließend wird jeder Knoten v1, v2, v3 dupliziert und jedem der beiden daraus resultierenden Knoten v1a, v1b, v2a, v2b, v3a, v3b eine der in Schritt e. erzeugten Verteilungsdichtefunktionen N1a, N1b, N2a, N2b, N3a, N3b zugeordnet, wie in 2d gezeigt ist. Die neu entstandenen Knoten v1a, v1b, v2a, v2b, v3a, v3b werden untereinander und mit den Nachbarknoten durch Kanten e verbunden. g. Die Schritte a. bis f. werden solange wiederholt, bis eine bestimmte Anzahl von Knoten v erreicht ist oder sich die Gauß-Verteilungsdichtefunktionen N nicht weiter aufteilen lassen.

Als besonders vorteilhaft hat sich die Wahl einer Anzahl von fünfzehn Zuständen erwiesen.
Die obigen Schritte 5. bis 7. sind in 3 in Blockdarstellung zusammengefasst, wobei in einem externen Datenspeicher 10 die Dateien vom Modellspeicher 9 und von der Funktionseinheit für die Merkmalsstatistik 8 gespeichert werden, um dann in der Anwendungsphase 20 eingesetzt zu werden.
Die der Trainingsphase 17 nachfolgende Anwendungsphase 20 besteht aus folgenden Schritten:

1. Aufnahme 14 von Anspielen der zu klassifizierenden Instrumente 241 aus der gleichen Instrumentengruppe,
2. Analog-Digital-Wandlung 2 der Aufnahmen,
3. Berechnung der Hüllkurve des mel-skalierten Betragsspektrum aller 10 ms innerhalb einer Analyse 6 mit einer Analyselänge von 25 ms,
4. Anwendung der Hauptkomponentenanalyse zur Dekorrelation und Dimensionsreduktion des in Schritt 3. erzeugten Merkmalvektors unter Verwendung einer in der Trainingsphase i erstellten Transformationsmatrix,
5. Berechnung des Weges durch das Hidden-Markov-Modell für jedes in der Trainingsphase erstellte Hidden-Markov-Modells unter Anwendung des bekannten Viterbi-Algorithmus, wobei der Weg die höchste Emissionswahrscheinlichkeit
für in Schritt 4. erstellte Merkmalvektorfolge besitzt, wobei als lokales Abstandsmaß zwischen dem Merkmalvektor und einer Gaußverteilung der Mahalanobis-Abstand (Emissionswahrscheinlichkeit):
genutzt wird, wobei x den Merkmalvektor, μ den Mittelwertvektor, N(ν_i) die Gaußverteilung verbunden mit dem Knoten ν_i ∊ U und |X| die Länge der Merkmalvektorfolge bezeichnen, und
6. Auswahl eines Modells m* aus den erhaltenen Bewertungen, das die größte Emissionswahrscheinlichkeit für die Beobachtung als Erkennungsresultat für das zu prüfende und zu klassifizierende Instrument (241) liefert:
wobei L_m die Menge der möglichen Pfade durch das Hidden-Markov-Modell mit der höchsten Bewertung darstellt.

Die in 4 dargestellte Vorrichtung 27 zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen besteht aus folgenden Teilen:

– einer Vorrichtung 25 zur Erfassung und Digitalisierung des vom Instrument 24, 241 abgegebenen akustischen Signals,
– einer Rechnereinheit 26 zur Klassifikation und Bewertung sowie Einordnung in eine Qualitätsklasse und
– einer der Rechnereinheit 26 nachgeschalteten Anzeige 13 für die Ausgabe des Ergebnisses.

Die Vorrichtung 25 zur Erfassung und Digitalisierung des vom Instrument 24, 241 abgegebenen akustischen Signals kann mindestens ein Mikrofon 1 zur Aufnahme eines von einem Instrument 24, 241 erzeugten Schallsignals und mindestens einen zu gehörigen Analog-Digital-Wandler 2 zur Wandlung der analogen elektrischen Schallsignale in digitale Signale umfassen.
Dabei kann Rechnereinheit 26 einen digitalen Eingang 5 einer Soundkarte bezüglich der Vorrichtung 25 zur Erfassung und Digitalisierung des vom Instrument 24, 241 abgegebenen akustischen Signals aufweisen.
Im Wesentlichen kann die Rechnereinheit 26 zur Klassifikation und Beurteilung mit dem programmtechnische Mittel darstellenden Folgenklassifikator eine Funktionseinheit 6 zur Analysedurchführung, eine Funktionseinheit 7 zur Durchführung von Merkmalstransformationen, eine Funktionseinheit 11 zur Bewertung und nachfolgend eine die qualitätsklasse enthaltende Funktionseinheit 12 zur Entscheidungsdurchführung, wobei parallel zur Verbindung zwischen der Funktionseinheit 7 zur Durchführung von Merkmalstransformationen und der Funktionseinheit 11 zur Bewertung eine Funktionseinheit 8 zur Ausbildung einer Merkmalsstatistik und ein nachgeordneter Modellspeicher 9, der ausgangsseitig in mehreren Verbindungen an die Funktionseinheit 11 zur Bewertung geführt ist, geschaltet ist, umfassen.
Zwischen der Vorrichtung 25 zur Erfassung und Digitalisierung des vom Instrument 24, 241 abgegebenen akustischen Signals und der Rechnereinheit 26 kann ein Signalquellenumschalter 4, der auf den digitalen Eingang 5 der Soundkarte geführt ist, angeordnet sein, wobei eine Umschaltmöglichkeit zu einem digitalen Signalspeicher 3, z. B. einer Kassette, vorgesehen sein kann.
Die Funktionseinheit 8 zur Ausbildung einer Merkmalsstatistik stellt einen Speicher für die Transformationsmatrix der Hauptkomponentenanalyse dar.
Der Modellspeicher 9 stellt einen Speicher für die Hidden-Markov-Modelle 23 der Referenzinstrumente 24 dar.
Zwischen dem Speicher 8 für die Transformationsmatrix der Hauptkomponentenanalyse und dem Modellspeicher 9 kann wahlweise ein externer Datenspeicher 10 für die während der Trainingsphase 20 erstellte Transformationsmatrix und für Hidden-Markov-Modelle 23 angeschlossen sein.
In der Rechnereinheit 26 kommt in der Anwendungsphase 20 das im Folgenden beschriebene Verfahren zum Einsatz:

1. Berechnung der Hüllkurve des mel-skalierten Betragsspektrum aller 10 ms innerhalb einer Analyse 6 mit einer Analyselänge von 25 ms,
2. Anwendung der Hauptkomponenttenanalyse zur Dekorrelation und Dimensionsreduktion des erzeugten Merkmalvektors unter Verwendung der in der Trainingsphase 17 erstellten Transformationsmatrix,
3. Für jedes in der Trainingsphase 17 erstellte Hidden-Markov-Modell 23 wird durch Anwendung des bekannten Viterbi-Algorithmus der Weg durch das Hidden-Markov-Modell 23 berechnet, der die höchste Emissionswahrscheinlichkeit
mit Um* als Pfad durch das Hidden-Markov-Modell mit der höchsten Bewertung für die erstellte Merkmalvektorfolge besitzt. Als lokales Abstandsmaß zwischen dem Merkmalvektor und einer Gauß-Verteilungsdichtefunktion wird der Mahalano bis-Abstand (Emissionswahrscheinlichkeit)
genutzt. N(μ_i) bezeichnet die Gaußverteilung verbunden mit dem Knoten μ_i ∊ U und |X| die Länge der Merkmalvektorfolge. Aus den erhaltenen Bewertungen wird ein Modell m* gewählt, das die größte Emissionswahrscheinlichkeit für die Beobachtung als Erkennungsresultat für das zu klassifizierende Instrument liefert:
wobei L_m die Menge der möglichen Pfade durch das Hidden-Markov-Modell mit der höchsten Bewertung darstellt.

Das erfindungsgemäße Verfahren ermöglicht eine wesentlich exaktere und von äußeren Einflussfaktoren unabhängige Beurteilung von Musikinstrumenten. Die Verwendung von Solomusikstücken als Grundlage der Analyse besitzt folgende zusätzliche Vorteile:

– das Anspiel kann ohne Bedenken von Berufsmusikern durchgeführt werden,
– für das erfindungsgemäße Verfahren sind lediglich aufgezeichnete Anspiele des Instruments erforderlich und
– im Gegensatz zur Systemanalyse ist das erfindungsgemäße Verfahren auf alle Instrumentengruppen anwendbar.

1: Mikrofon zur Aufnahme eines von einem Instrument erzeugten Schallsignals
2: Analog-Digital-Wandler für elektrische Schallsignale
3: Digitaler Signalspeicher (z. B. DAT-Kassette)
4: Signalquellenumschalter
5: Digitaler Eingang der Soundkarte (z. B. S/PDIF)
6: Funktionseinheit zur Analysedurchführung mit Berechnung der Hüllkurve des mel-skalierten Betragsspektrums
7: Funktionseinheit zur Merkmalstransformation
8: Funktionseinheit für eine Merkmalsstatistik
9: Modellspeicher für die Hidden-Markov-Modelle (HMM) der Referenzinstrumente
10: Externer Datenspeicher für eine während des Trainings erstellte Transfomationsmatrix und für Hidden-Markov-Modelle
11: Funktionseinheit zur Bewertung der Merkmalvektorfolge mit jedem der im Modellspeicher abgelegten Hidden-Markov-Modelle
12: Funktionseinheit zur Bewertung und Auswahl der höchsten Bewertung
13: Anzeige der Modellnummer m*, welche die höchste Bewertung erhalten hat
14: Aufnahme von Anspielen des selben Stücks auf N repräsentativen Referenzinstrumenten
15: Bestimmung der Transformationsmatrix für die Hauptkomponentenanalyse – Statistik –
16: Training je eines Hidden-Markov-Modells je Referenzinstrument – Modelltraining –
17: Trainingsphase
18: Aufzeichnung
19: Training eines Folgenklassifikators
20: Anwendungsphase
21: Bewertung
22: Einordnung
23: Hidden-Markov-Modell
24: Referenzinstrument
241: zu klassifizierendes Instrument
25: Vorrichtung zur Erfassung und Digitalisierung
26: Rechnereinheit
27: Vorrichtung zur Klassifikation und Beurteilung
I: Anzahl der Referenzinstrumente
V: Menge/Anzahl der Knoten/Zustände
v: Ein Knoten aus der Menge der Knoten V
E: Menge der Kanten
e: Eine Kante aus der Menge der Kanten E
N: Gauß-Verteilungsdichtefunktion
|X|: Länge der Merkmalvektorfolge
L_m: Menge der möglichen Pfade durch ein Hidden-Markov-Modell
x: Merkmalvektor
μ: Mittewertvektor
U_m*: Pfad durch das Hidden-Markov-Modell mit der höchsten Bewertung
m*: Hidden-Markov-Modell mit der höchsten Bewertung

Claims

Verfahren zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen, aufweisend folgende Schritte: – Durchführung einer Trainingsphase (17), in der eine Aufzeichnung (18) mindestens eines Solomusikstückes mittels mindestens eines Referenzinstruments (24) gleicher Instrumentengruppen erfolgt, wobei die Aufzeichnung (18) für ein Training (19) eines Folgenklassifikators zur Ausbildung einer Qualitätsklasse, die von Qualitätseigenschaften der Referenzinstrumente (24) gebildet wird, dient, und eine nachfolgende – Durchführung einer Anwendungsphase (20), in der die Aufzeichnung (18) von gleichen oder anderen Solomusikstücken mittels eines zu klassifizierenden Instruments (241) aus der gleichen Instrumentengruppe erfolgt, wobei nachfolgend eine Bewertung (21) des Signals mit dem trainierten Folgenklassifikator durchgeführt und final eine Einordnung (22) des zu klassifizierenden Instruments (241) in die von den Referenzinstrumenten (24) gebildeten Qualitätsklasse vorgesehen wird, wobei der Folgenklassifikator die Summe der programmtechnischen Mittel zur Klassifikation und Beurteilung des zu klassifizierenden Instruments (241) in einer Rechnereinheit (26) darstellt, dadurch gekennzeichnet, dass in der Trainingsphase (17) für die zu beurteilende Instrumentengruppe durch die Aufzeichnung (18) ein Anlernvorgang mit einer repräsentativen Anzahl (I) von Referenzinstrumenten (24) durchgeführt wird, wobei akustische Modelle in Form von Hidden-Markov-Modellen (23) für jedes Referenzinstrument (24) in ei ner Trainingsstichprobe erstellt werden, wobei ein Hidden-Markov-Modell (23) eine Menge (V) von Knoten oder Zuständen (v1, v2, v3) und eine Menge (E) gerichteter Kanten E ⊆ V × V (e12, e23) zwischen den Knoten (v1, v2, v3) besitzt, denen Übergangswahrscheinlichkeiten zugeordnet sind, wobei jedem Knoten (v1, v2, v3) eine mehrdimensionale Gauß-Verteilungsdichtefunktion (N1, N2, N3) mit je N_i(μ_i, Σ_i) ∊ {N} zugeordnet wird, und wobei während der Trainingsphase (17) die Anzahl der Knoten (v1, v2, v3), deren Verknüpfung durch Kanten (e12, e23), die Übergangswahrscheinlichkeiten und die den einzelnen Knoten (v1, v2, v3) zugeordneten Gauß-Verteilungsdichtefunktionen (N1, N2, N3) bestimmt werden und die erhaltenen Hidden-Markov-Modelle (23) Referenzmodelle für die Anwendungsphase (20) darstellen.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Trainingsphase (17) aus folgenden Schritten besteht: 1. Aufnahme (14) von Anspielen der Referenzinstrumente (24) der gleichen Instrumentengruppe, 2. Analog-Digital-Wandlung (2) der Aufnahmen, 3. Berechnung der Hüllkurve des mel-skalierten Betragsspektrum aller 10 ms innerhalb einer Analyse (6) mit einer Analyselänge von 25 ms, 4. Anwendung der Hauptkomponentenanalyse zur Dekorrelation und Dimensionsreduktion des in Schritt 3. durch die Berechnung der Hüllkurven erzeugten Merkmalvektors, 5. Anlegen eines linearen Hidden-Markov-Modells (23) mit einer vorgegebenen Anzahl von Zuständen (v1, v2, v3) je Referenzinstrument (24), 6. Initialisierung der Hidden-Markov-Modelle (23) durch gleichmäßiges Aufteilen der in Schritt 4. erhaltenen transformierten (sekundären) Merkmalvektoren auf die vorgegebene Anzahl von Zuständen (v1, v2, v3) des zum jeweiligen Referenzinstrument (24) gehörenden Hidden-Markov-Modells (23) und Berechnung der zugehörigen Gauß-Verteilungsdichtefunktion (N1, N2, N3) N_i(μ_i, Σ_i) ∊ {N} als Modellparameter, 7. Iterativer Aufbau je eines Hidden-Markov-Modells (23) für je ein Referenzinstrument (24) nach folgendem Schema: a. Für jede Merkmalvektorfolge aus Schritt 4. und dem dieser Merkmalvektorfolge zugehörigen Hidden-Markov-Modell (23) aus der vorigen Iteration bzw. den initialisierten Hidden-Markov-Modellen aus Schritt 6. bei Beginn der Trainingsphase (17) in Form eines iterativen Trainings, wird durch Anwendung des Viterbi-Algorithmus der Weg berechnet, der die maximale Emissionswahrscheinlichkeit
liefert, wobei als lokales Abstandsmaß zwischen dem Merkmalvektor und der einem Knoten (v) im Hidden-Markov-Modell (23) zugeordneten Gauß-Verteilungsdichtefunktion (N) der Mahalanobis-Abstand (Emissionswahrscheinlichkeit)
genutzt wird, wobei (N1, N2, N3) die Gauß-Verteilungsdichtefunktion verbunden mit dem Knoten ν_i ∊ U, x den Merkmalvektor, μ den Mittelwertvektor und |X| die Länge der Merkmalvektorfolge bezeichnen. b. Verwendung der durch den gefundenen Weg erhaltenen Neuzuordnung von Merkmalvektoren zu den Zuständen (v1, v2, v3) des Hidden-Markov-Modells (23), um die Gauß-Verteilungsdichtefunktion (N1, N2, N3) mit N_i(μ_i, Σ_i) ∊ {N} und die Übergangswahrscheinlichkeiten der Kanten (e) neu zu berechnen. c. Wiederholung der Schritte 7.a und 7.b solange, bis sich die Gauß-Verteilungsdichtefunktionen (N1, N2, N3) zwischen zwei aufeinander folgenden Iterationen nicht mehr ändern. d. Entfernung aller Kanten (e) in den erhaltenen Hidden-Markov-Modellen (23), deren Wahrscheinlichkeit unter einer einstellbaren Schwelle liegt, sowie von Knoten (v1, v2, v3), die dadurch auf keinem durchgehenden Pfad vom Start zum Ende des Hidden-Markov-Modells (23) liegen. e. Teilung jeder Gauß-Verteilungsdichtefunktion (N1, N2, N3) der Hidden-Markov-Modelle (23) entlang ihrer Achse der größten Streuung in zwei neue Dichtefunktionen (Na, Nb). f. Duplizierung jedes Knotens (v1, v2, v3) und Zuordnung einer der in Schritt e. erzeugten Gauß-Verteilungsdichtefunktionen (N1a, N1b, N2a, N2b, N3a, N3b) zu jedem der beiden daraus resultierenden Knoten (v1a, v1b, v2a, v2b, v3a, v3b), wobei die neu entstandenen Knoten (v1a, v1b, v2a, v2b, v3a, v3b) untereinander und mit den Nachbarknoten durch Kanten (e) verbunden werden. g. Wiederholung der Schritte a. bis f. solange, bis eine bestimmte Anzahl von Knoten (v) erreicht ist oder sich die Gauß-Verteilungsdichtefunktionen (N) nicht weiter aufteilen lassen.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Anwendungsphase (20) aus folgenden Schritten besteht: 1. Aufnahme (14) von Anspielen der zu klassifizierenden Instrumente (241) aus der gleichen Instrumentengruppe mittels eines Mikrofons (1), 2. Analog-Digital-Wandlung der Aufnahmen mittels eines Analog-Digital-Wandlers (2), 3. Berechnung der Hüllkurve des mel-skalierten Betragsspektrum aller 10 ms innerhalb einer Analyse (6) mit einer Analyselänge von 25 ms, 4. Anwendung der Hauptkomponentenanalyse zur Dekorrelation und Dimensionsreduktion des erzeugten Merkmalvektors unter Verwendung einer in der Trainingsphase (17) erstellten Transformationsmatrix, 5. Berechnung des Weges durch das Hidden-Markov-Modell (23) für jedes in der Trainingsphase (17) erstellte Hidden-Markov-Modell (23) unter Anwendung des Viterbi-Algorithmus, wobei der Weg die höchste Emissionswahrscheirilichkeit
für eine erstellte Merkmalvektorfolge besitzt, wobei als lokales Abstandsmaß zwischen dem Merkmalvektor und einer Gaußverteilung der Mahalanobis-Abstand (Emissionswahrscheinlichkeit)
genutzt wird, wobei N(ν_i) die Gaußverteilung verbunden mit dem Knoten ν_i ∊ U, x den Merkmalvektor, μ den Mittelwertvektor und |X| die Länge der Merkmalvektorfolge bezeichnen, und 6. Auswahl eines Modells m* aus den erhaltenen Bewertungen, das die größte Emissionswahrscheinlichkeit für die Beobachtung als Erkennungsresultat für das zu klassifizierende Instrument (241) liefert:
Vorrichtung zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen nach dem Verfahren gemäß Anspruch 1 bis 3, dadurch gekennzeichnet, dass sie aus folgenden Teilen besteht: – einer Vorrichtung (25) zur Erfassung und Digitalisierung des vom Instrument (24, 241) abgegebenen akustischen Signals, – einer Rechnereinheit (26) zur Klassifikation und Bewertung sowie Einordnung in eine Qualitätsklasse und – einer der Rechnereinheit (26) nachgeschalteten Anzeige (13) für die Ausgabe des Ergebnisses.
Vorrichtung nach Anspruch 4, dadurch gekennzeichnet, dass die Vorrichtung (25) zur Erfassung und Digitalisierung des vom Instrument (24, 241) abgegebenen akustischen Signals mindestens ein Mikrofon (1) zur Aufnahme eines von einem Instrument (24, 241) erzeugten Schallsignals und mindestens einen zugehörigen Analog-Digital-Wandler (2) zur Wandlung der analogen elektrischen Schallsignale in digitale Signale umfasst.
Vorrichtung nach Anspruch 4, dadurch gekennzeichnet, dass die Rechnereinheit (26) einen digitalen Eingang (5) einer Soundkarte bezüglich der Vorrichtung (25) zur Erfassung und Digitalisierung des vom Instrument (24, 241) abgegebenen akustischen Signals aufweist.
Vorrichtung nach Anspruch 4 bis 6, dadurch gekennzeichnet, dass die Rechnereinheit (26) zur Klassifikation und Bewertung mit einem programmtechnische Mittel umfassenden Folgenklassifikator eine Funktionseinheit (6) zur Analysedurchführung, eine Funktionseinheit (7) zur Durchführung von Merkmalstransformationen, eine Funktionseinheit (11) zur Bewertung und nachfolgend eine die Qualitätsklasse enthaltende Funktionseinheit (12) zur Entscheidungsdurchführung, wobei parallel zur Verbindung zwischen der Funktionseinheit (7) zur Durchführung von Merkmalstransformationen und der Funktionseinheit (11) zur Bewertung eine Funktionseinheit (8) zur Ausbildung einer Merkmalsstatistik und ein nachgeordneter Modellspeicher (9), der ausgangsseitig in mehreren Verbindungen an die Funktionseinheit (11) zur Bewertung geführt ist, geschaltet ist, umfasst.
Vorrichtung nach Anspruch 4, dadurch gekennzeichnet, dass zwischen der Vorrichtung (25) zur Erfassung und Digitalisierung des vom Instrument (24, 241) abgegebenen akustischen Signals und der Rechnereinheit (26) ein Signalquellenumschalter (4), der auf den digitalen Eingang (5) der Soundkarte geführt ist, angeordnet ist, wobei eine Umschaltmöglichkeit zu einem digitalen Signalspeicher (3) vorgesehen ist.
Vorrichtung nach Anspruch 7, dadurch gekennzeichnet, dass die Funktionseinheit (8) zur Ausbildung einer Merkmalsstatistik einen Speicher für die Transformationsmatrix der Hauptkomponentenanalyse darstellt.
Vorrichtung nach Anspruch 7, dadurch gekennzeichnet, dass der Modellspeicher (9) einen Speicher für die Hidden-Markov-Modelle (23) der Referenzinstrumente (24) darstellt.
Vorrichtung nach Anspruch 7, dadurch gekennzeichnet, dass zwischen dem Speicher (8) für die Transformationsmatrix der Hauptkomponentenanalyse und dem Modellspeicher (9) wahlweise ein externer Datenspeicher (10) für während der Trainingsphase (20) erstellte Transformationsmatrix und Hidden-Markov-Modelle (23) angeschlossen ist.
Vorrichtung nach Anspruch 4 bis 11, dadurch gekennzeichnet, dass in der Rechnereinheit (26) in der Anwendungsphase (20) zur Klassifikation des zu prüfenden Instruments (241) folgende Vorgänge verlaufen: – Berechnung der Hüllkurve des mel-skalierten Betragsspektrum aller 10 ms innerhalb einer Analyse (6) mit einer Analyselänge von 25 ms, – Anwendung der Hauptkomponentenanalyse zur Dekorrelation und Dimensionsreduktion des erzeugten Merkmalvektors unter Verwendung einer in der Trainingsphase (17) erstellten Transformationsmatrix, – Berechnung des Weges durch das Hidden-Markov-Modell (23) für jedes in der Trainingsphase (17) erstellte Hidden-Markov-Modell (23) unter Anwendung des Viterbi-Algorithmus, wobei der Weg die höchste Emissionswahrscheinlichkeit für die erstellte Merkmalvektorfolge
besitzt, wobei als lokales Abstandsmaß zwischen dem Merkmalvektor und einer Gauß verteilung der Mahalanobis-Abstand (Emissionswahrscheinlichkeit)
genutzt wird, wobei x den Merkmalvektor, μ den Mittelwertvektor, N(ν_i) die Gaußverteilung verbunden mit dem Knoten ν_i ∊ U und |X| die Länge der Merkmalvektorfolge bezeichnen, und – Auswahl eines Modell m* aus den erhaltenen Bewertungen, das die größte Emissionswahrscheinlichkeit für die Beobachtung als Erkennungsresultat für das zu klassifizierende Instrument (241) liefert:
Verwendung der Vorrichtung zur Klassifikation und Beurteilung von Musikinstrumenten gleicher Instrumentengruppen nach den Ansprüche 4 bis 12 und entsprechend dem Verfahren nach Anspruch 1 bis 3, dadurch gekennzeichnet, dass – zur Analyse eines Musikinstrumentes aus der gleichen Instrumentengruppe Solomusikstücke und – zur Einordnung des zu klassifizierenden Musikinstruments Algorithmen einer Folgenklassifikation vorgesehen werden.