Türk müziği enstrümanlarının öznitelik vektörlerinin çıkarılması ve yapay sinir ağları kullanılarak sınıflandırılması

Bu tezin esas amacı, çeşitli Türk Müziği enstrümanlarının tını karakteristiğinin sayısal ortamda analizi ile bu enstrümanların birbirinden ayırt edilmesinin ve sınıflandırılmasının sağlanmasıdır. Zaman zaman insan kulağı için bile bir hayli zor olan bu ayırt etme işleminin yüksek başarımlı olarak gerçekleştirilmesi hedeflenmiştir. Yapılacak sınıflandırmanın birkaç açıdan fayda sağlayabileceği düşünülmüştür: - Sınıflandırma işlemi, her bir enstrümanın diğer enstrümanlarla olan ilişkisini belirleme üzerinden yapıldığı için farklı bir enstrümanın ses kaydından da o enstrümanın yapısal özellikleri hakkında çıkarım yapılması sağlanabilir. - Tek enstrümanlı eser kayıtlarının (taksim vb.) makam teorisi açısından sayısal veriler ışığında daha net bir şekilde incelenmesi mümkün kılınabilir. - Ayrıca birden fazla enstrümanlı kayıtlar için de hem hangi enstrümanların kayıtta yer aldığını tespit etmek hem de her enstrümanın çaldığı notaları ayrı ayrı belirleyebilmek adına başlangıç niteliğinde bir çalışma ve esin kaynağı olması ümit edilmiştir. Tezin ilk bölümünde Türk ve Batı Müziğinde kullanılan ses sistemleri hakkında bilgi verilmiş, aradaki notasyon farkları izah edilmeye çalışılmıştır. İkinci bölümünde ise kayıt ortamının özellikleri anlatılmış ve kaydı alınan Türk Müziği enstrümanlarının kısa tarihçesi ile tanıtımı yapılmıştır. Kayıtlar, İstanbul Teknik Üniversitesi Konservatuarı Müzik Teknolojileri Bölümünde bulunan ses kayıt stüdyosunda, her enstrüman için uygun mikrofonlama tekniği belirlendikten sonra alınmıştır. Aynı ortam şartları altında, her enstrüman için kromatik olarak bir oktavlık ses sahasındaki bütün nota değerlerinin ses kaydının alınmasının ardından sınıflandırma yapabilmek amacıyla, temelde iki adımdan oluşan bir metod izlenmiştir. İlk olarak, alınan ses kayıtları belli matematiksel yöntemler kullanılarak enstrümanların akustik özelliklerini yansıtacak nitelikte verilere dönüştürülmüş ve ardından içerisinde öğrenme algoritmaları içeren çeşitli yapay sinir ağları tarafından sınıflandırılması sağlanmıştır. Bu aşamalar için kullanılan matematiksel yöntemler hakkında, tezin üçüncü ve dördüncü bölümlerinde genel bir bilgi verilmiş olup, beşinci ve altıncı bölümlerde ise uygulama sonuçları gösterilmiştir. Öznitelik vektörlerini elde etme yöntemi olarak Kepstrum, Hızlı Fourier Dönüşümü (HFD), Otoregresif Model (AR), zaman domenindeki istatistiksel parametreler (ZDİP) ve Ayrık Dalgacık Dönüşümü (ADD) denenmiş olup, elde edilen veriler Çok Katmanlı İleri Beslemeli Yapay Sinir Ağında giriş vektörü olarak kullanılmıştır. Öznitelik vektörünün tarzına göre YSA'da, geriye yayılım yöntemlerinden (Backpropagation ya da BP) Levenberg-Marquardt (L-M) veya Gradyan İniş (Gİ) yaklaşımları ele alınmıştır. Giriş vektörünün boyutu küçüldüğünde, çalışma hızının artması sebebiyle Levenberg-Marquardt yöntemi tercih edilirken, büyük giriş vektörüne sahip YSA'da ise Gİ yöntemi kullanılmıştır. Daha açık bir deyişle, Kepstrum ve HFD ile elde edilen veriler için Gİ, zaman domeni istatistiksel parametreleri, AR ve ADD modelle elde edilen veriler için hem Gİ hem de L-M yöntemleri kullanılmış elde edilen sonuçların başarı yüzdeleri karşılaştırılmıştır. Genelde, çok katmanlı ileri beslemeli ağ uygulamalarında giriş sayısının iki katından daha fazla gizli tabaka kullanılması önerilmesine rağmen bu tez kapsamında yapılan analizde giriş sayısı oldukça fazla olduğu ve böyle bir programı çalıştırabilmek için bir hayli büyük işlemci kapasitesi gerektireceğinden, ağın gizli katmanında 40'ar adet nöron kullanılmasına karar verilmiştir. Çıkış tabakasında ise biri enstrümanı sınıflandırmaya biri de nota değerlerini tanımaya çalışan iki adet nöron vardır. Çalışma esnasında 6 adet Türk Müziği enstrümanı (Ud, kanun, 3 telli klasik kemençe, bağlama, ney ve tanbur) için rast, zirgüle, neva ve gerdaniye perdeleri olmak üzere 4 ayrı frekans değerinde ses kayıtları alınmış, yukarıda belirtilen yöntemler ayrı ayrı uygulanarak öznitelik vektörleri çıkartılmış, ardından çok katmanlı ileri beslemeli geri yayılımlı yapay sinir ağları kullanılarak bu enstrümanlar sınıflandırılmaya çalışılmıştır. Yapılan analizler göstermiştir ki en başarılı sınıflandırma, HFD ile öznitelik vektörlerinin çıkarılarak bu vektörlerin Gradyan İniş algoritması yardımıyla geri yayılım yapan YSA'na giriş olarak verilmesi sonucu elde edilmiştir. Aynı öğrenme metoduna sahip YSA'na Kepstrum analizinden elde edilen verilerin giriş vektörü olarak uygulanması, nota tahmin işleminde ayrık dalgacık dönüşümünden daha başarılı olurken, enstrüman tespiti konusunda ADD'nin biraz gerisinde kalmıştır. HFD'den sonra ikinci sırada başarılı performansın bu iki yaklaşım ile elde edildiği söylenebilir. Denemesi yapılan beş metoddan biri olan, Otoregresif (AR) model için YSA'da Levenberg Marquardt yöntemi daha iyi sonuç vermiştir. En az başarıma ulaşılan yöntem ise ortalama değer, standart sapma, çarpıklık ve basıklık gibi sinyalin zaman domenindeki istatistiksel paremetrelerini ihtiva eden öznitelik vektörlerinin işlenmesi ile olmuştur. Bu giriş vektörü için YSA'da L-M yöntemini kullanmanın, Gİ'ye göre daha başarılı olduğu gözlenmiştir. Ve son olarak, elde edilen bu bilgiler ışığında oluşturulan karşılaştırma çizelgeleri, tezin sonuç bölümünde verilmiştir.