@MASTERSTHESIS\{IMM2007-05243,
    author       = "T. A. Lisberg",
    title        = "Signalbehandling til lyds{\o}gning",
    year         = "2007",
    school       = "Informatics and Mathematical Modelling, Technical University of Denmark, {DTU}",
    address      = "Richard Petersens Plads, Building 321, {DK-}2800 Kgs. Lyngby",
    type         = "",
    note         = "Supervised by Assoc. Professor Jan Larsen, {IMM,} {DTU}.",
    url          = "http://www2.compute.dtu.dk/pubdb/pubs/5243-full.html",
    abstract     = "Denne afhandling omhandler klassifikation af musiksignaler. Der unders{\o}ges hvorvidt det er muligt, at benytte en rytmisk feature, baseret p{\aa} trommesignalet fra et polyfonisk musiksignal, til at klassificere det p{\aa}g{\ae}ldende musiksignal efter tilh{\o}rende musikgenre.

Der unders{\o}ges to metoder til, at udf{\o}re blind separation af kildesignaler fra et enkeltkanals polyfonisk musiksignal, hvor der er specielt fokus p{\aa} at kunne separere trommesignalet fra det oprindelige signal.

Der unders{\o}ges ogs{\aa} to metoder til automatisk identifikation af de separerede kildekomponenter der tilh{\o}rer trommesignalet.

Der udtr{\ae}kkes korttidslige features fra trommesignalet, hvor der benyttes en Multivariabel autoregressiv model, til at integrere de korttidslige features op p{\aa} en l{\ae}ngere tidsskala. De korttidslige features, der unders{\o}ges i dette projekt best{\aa}r af s{\aa}kaldte {MPEG-}7 features og Mel Cepstrale koefficienter. Der unders{\o}ges ogs{\aa} en kernel model til tidslig feature integration.

Der udf{\o}res en r{\ae}kke fors{\o}g, hvor de introducerede metoder til separation af kildesignaler, testes for at finde ud af hvilken metode giver den bedste kvalitet for de separerede trommesignaler.

Derefter benyttes trommesignalet til at udtr{\ae}kke features fra og der unders{\o}ges hvor velegnede disse features er til at klassificere musiksignaler efter musikgenre. Af de to metoder der benyttes til separation af kildesignaler, fremkommer de bedste resultater, ved at benytte en perceptionelt v{\ae}gtet ikke-negativ faktorisering (PWNMF). Der findes ogs{\aa} frem til en forholdsvis robust metode til at identificere de kildekomponenter, der tilh{\o}rer et trommesignal.

Til at unders{\o}ge klassifikationsperformance benyttes to musikdatabaser hvor den ene danner basis for de udf{\o}rte tests. De features der giver bedst resultater benyttes derefter p{\aa} den st{\o}rre database.

Der er ogs{\aa} i projekt-forl{\o}bet blevet implementeret en Windows applikation, der demonstrerer nogle af de introducerede metoder i praksis. Applikationen er i stand til at anbefale brugeren musik ud fra valgte eksempler."
}