صاحبه شعبانی درویشانه بری - ارشد نرم افزار،دانشگاه آزاد واحد علوم تحقیقات

از آنجاییکه ژانر موسیقی، رایجترین روش مورد استفاده برای مدیریت پایگاه های داده موسیقی دیجیتال است تشخیص ژانر موسیقی وظیفهای مهم است که از سوی انجمن تحقیقاتی بازیابی اطلاعات موسیقی از سال ۲۰۰۲ انجام شده است. در این راستا، یک سیستم کلاسبندی ژانر موسیقی خودکار، بر اساس یک استراتژی انتخاب ویژگی محلی به وسیله الگوریتم جستجوی هارمونی خود تطبیقی که در نهایت با دستهبند ماشین بردار پشتیبان به تشخیص و کلاسبندی ژانر موسیقی می-پردازد، مورد ارزیابی قرارگرفته است.هدف از انتخاب ویژگی، انتخاب مهمترین و مرتبطترین ویژگیهایی است که موجب تسهیل کلاس بندی میشوند و این کار با استفاده از الگوریتمهای انتخاب زیرمجموعه انجام میشود. هدف این پژوهش مقایسه حداقل یک الگوریتم دیگر با الگوریتم SAHS است برای دستیابی به نتیجه بهتر که برای این منظور از الگوریتم ازدحام ذرات که از دسته الگوریتمهای فرا اکتشافی است و مانند SAHS به انتخاب ویژگیها میپردازد، استفاده شده است. در این الگوریتم جوابهایی تصادفی تولید میگردد که به آنها ذره گفته میشود، هر ذره ویژگیهایی را انتخاب میکند سپس در تابع هدف گذاشته و میزان خطا را مییابد. همچنین با استفاده از قطعهبندی سیگنال، سیگنال موسیقی به بخشهای کوچکی در حوزه زمان تقسیم میگردد، سپس ویژگیهای موسیقی(مانند شدت، گام، رنگ صدا، تونالیته و ریتم) استخراج شد. نتایج نشان داد که PSO در مقایسه با SAHS قویتر و بهتر عمل کرده است.

ژانر موسیقی، الگوریتم جستجوی هارمونی خود تطبیقی (SAHS)، الگوریتم بهینه سازی ازدحام ذرات (PSO)