I. OBJETIVOS
Fazer um estudo sobre os métodos de estimação de pitch(frequência fundamental) e onset(início de
uma nota) para aplicações de TMA(Transcrição Musical Automática) usando técnicas de Processa-
mento de Sinais.
Estudar formas de representação de harmonias musicais em um espaço vetorial.
II. METODOLOGIA
O próximo passo para o estudo das técnicas de detecção de Pitch para TMA envolve fazer uma
limpeza, ou tratamento das frequências estimadas pelo vetor de frequências obtido no trabalho
anterior. Foi proposto estudar a ferramenta Modelo Escondido de Markov (HMM) e, dadas as
condições, para ver a viabilidade de uma abordagem probabilística.
É esperado que tal modelo traga mais confiabilidade uma vez que o mesmo baseia-se na análise
de amostras anteriores, para se calcular a probabilidade da amostra atual pertencer, ou não, a um
determinado estado. Esta parte do trabalho é correlato com o estudo das representações harmônicas
num espaço vetorial. O novo participante do grupo de Sons, Luis (nosso mestre), lançou a pólvora
do Markov na fogueira na reunião de apresentação dos trabalhos em andamento desenvolvidos pelo
grupo.
Referências
[1] J. D. Jianping Zeng * and C. Wu. A new distance measure for hidden markov models. Expert
Systems with Applications, 37:1550–1555, 2010.
[2] B. JUANG and L. R. Rabiner. A probabilistic distance measure for hidden markov models. ATT
Technical Journal, 64(2):391–408, 1985.
[3] M. Mohammad and W. H. Tranter. Comparing distance measures for hidden markov models. 2006.
[4] M. Müller. Fundamentals of Music Processing. Springer, Germany, 2015.
RELATÓRIO Nº 3 1
Relatório Quinzenal BioChaves
bullet.png
[5] L. R. Rabiner. A tutorial on hidden markov models and selected applications in speech recognition.
Proceedings of the IEEE, 77(2):257–286, 1989.
[6] S. V. Vaseghi. Advanced Digital Signal Processing and Noise Reduction. John Wiley Sons, Londo,
England, 2006.
2 RELATÓRIO Nº 3