Das Ziel dieses Papers ist eine Veranschaulichung der Verwendungsmöglichkeiten von Markov Models und Hidden Markov Models in der algorithmischen Komposition. Zu diesem Zweck werden die jeweiligen Modelle sowohl erklärt als auch mit Anwendungsbeispielen aus der Forschung verdeutlicht. Es wird versucht, durch besonders interessante Fälle Denkanstöße für den zukünftigen Gebrauch solcher Modelle in der Komposition zu bieten.
Inhaltsverzeichnis
1 Einleitung
2 Markov Model
2.1 Stilkopie
2.2 Komposition ohne Korpus
2.3 Herausforderungen des MMs in der Komposition
3 Hidden Markov Model
3.1 3 Probleme des HMM
3.2 Jazz-Improvisationen aus Motiven
3.3 Kontrapunktische Ergänzung
3.4 Hierarchische Modelle
3.5 Stilerkennung
4 Fazit
Zielsetzung & Themen
Diese Seminararbeit untersucht die Anwendungsbereiche von Markov Models (MM) und Hidden Markov Models (HMM) im Bereich der algorithmischen Komposition. Das primäre Ziel ist es, die Funktionsweise dieser stochastischen Modelle zu erläutern und ihre Wirksamkeit anhand von Forschungsbeispielen zu demonstrieren, um Denkanstöße für zukünftige computergestützte Kompositionsprozesse zu geben.
- Grundlagen von Markov-Ketten und stochastischen Systemen
- Methoden der Stilkopie und Komposition ohne Korpus
- Funktionsweise und algorithmische Herausforderungen von Hidden Markov Models
- Integration von musikalischen Regeln (z.B. Kontrapunktik) in stochastische Modelle
- Hierarchische Modellierung und Stilerkennung in der Musik
Auszug aus dem Buch
2.1 Stilkopie
Eine der häufigsten Anwendungen einfacher MM in algorithmischer Komposition ist die Stilkopie. Dabei wird ein MM an einer Vielzahl von Stücken einer fest abgegrenzten Stilrichtung trainiert. Dieses Material nennt man Korpus. Zum Training werden ein oder mehrere Parameter festgelegt, wie Tonhöhe, Tondauer oder Lautstärke. Alle möglichen Zusammensetzungen dieser Parameter (auch Symbole genannt) bilden die Menge der states. Beim Training werden die relativen Häufigkeiten zweier aufeinanderfolgender Symbole im Korpus analysiert und bilden nun die transition matrix. Der IDV wird häufig durch die Anfangssymbole der Stücke bei selbem Verfahren bestimmt.
Eine sehr simple Anwendung ist diese Stilkopie des Liedes Happy Birthday:
Abb. 2.3: Erste Strophe des Liedes „Happy Birthday“ [10]
Man lege als Parameter die Tonhöhe innerhalb einer Oktave fest. Dadurch entstehen die states c, d, e, f, g, a, h. Nun werden die absoluten Häufigkeiten jedes Paares zweier aufeinanderfolgender states bestimmt, also von c auf c, von c auf d usw., wie gesehen in Abb. 2.4. In den letzten zwei Schritten transponiert man die Häufigkeiten in eine Matrix und berechnet relative Häufigkeiten daraus. Der Ton c ist der erste, also wird er auch in allen von diesem MM generierten Kompositionen zu Beginn stehen. Der IDV enthält also an der Stelle von c eine 1, der Rest ist mit Nullen gefüllt.
Zusammenfassung der Kapitel
1 Einleitung: Dieses Kapitel führt in das historische Interesse an computergenerierter Musik ein und skizziert die Entwicklung von Markov-Modellen von ersten linguistischen Ansätzen hin zu frühen musikalischen Experimenten wie der „Illiac Suite“.
2 Markov Model: Es werden die formalen Grundlagen von Markov-Modellen sowie deren Anwendung in der algorithmischen Komposition behandelt, wobei insbesondere die Stilkopie und Ansätze zur Komposition ohne festes Korpus erläutert werden.
3 Hidden Markov Model: Dieses Kapitel erläutert die Erweiterung zum Hidden Markov Model, stellt die drei zentralen HMM-Algorithmen vor und diskutiert praktische Anwendungen wie Jazz-Improvisation, kontrapunktische Ergänzung und Stilerkennung.
4 Fazit: Die Arbeit schließt mit einer kritischen Reflexion über den Trade-off zwischen Modellordnung und Rechenaufwand sowie den Herausforderungen, die komplexe musikalische Parameter für die stochastische Modellierung darstellen.
Schlüsselwörter
Markov Model, Hidden Markov Model, algorithmische Komposition, stochastische Prozesse, Stilkopie, transition matrix, Viterbi Algorithmus, Kontrapunktik, Musikinformatik, Kompositionsalgorithmen, Korpusanalyse, Musiktheorie, Zustandswahrscheinlichkeit, harmonische Funktionen, stochastische Ketten
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit dem Einsatz mathematischer Modelle, speziell Markov-Modellen und Hidden Markov Models, um Musik automatisiert zu generieren oder zu analysieren.
Was sind die zentralen Themenfelder?
Die zentralen Felder sind die stochastische Modellierung von Musikstrukturen, die Anwendung von Trainingskorpora, der Umgang mit kontrapunktischen Regeln und die rechnergestützte Stilerkennung.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die Veranschaulichung der Verwendungsmöglichkeiten von MM und HMM in der algorithmischen Komposition durch die Erklärung der theoretischen Modelle und deren Verdeutlichung anhand wissenschaftlicher Anwendungsbeispiele.
Welche wissenschaftlichen Methoden werden verwendet?
Es werden formale Methoden der Stochastik wie Markov-Ketten, Transitionmatrizen sowie spezifische HMM-Algorithmen wie der Forward-, Viterbi- und Baum-Welch-Algorithmus zur Modellierung von Musikdaten genutzt.
Was wird im Hauptteil behandelt?
Im Hauptteil werden zunächst einfache Markov-Modelle formal eingeführt, gefolgt von einer detaillierten Analyse von Hidden Markov Models und deren Anwendungsmöglichkeiten, unter anderem in der Jazz-Improvisation und bei der harmonischen Ergänzung von Sopranstimmen.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich durch Begriffe wie algorithmische Komposition, stochastische Ketten, Stilkopie, Transitionmatrizen und Hidden Markov Models beschreiben.
Wie unterscheidet sich ein HMM von einem klassischen Markov-Modell?
Beim klassischen Markov-Modell sind die Zustände (states) direkt beobachtbar, während bei einem Hidden Markov Model die Zustände verborgen sind und nur durch emittierte Symbole (output symbols) auf die zugrunde liegenden Zustände geschlossen werden kann.
Warum sind Markov-Modelle hoher Ordnung in der Komposition problematisch?
Höhere Ordnungen führen zu einer exponentiellen Steigerung der Komplexität der Transitionsmatrix und einem erhöhten Rechenaufwand; zudem steigt die Gefahr, dass das Modell lediglich das Trainingskorpus reproduziert, anstatt neue, kreative Strukturen zu erzeugen.
- Citar trabajo
- Niko Nowak (Autor), 2018, Markov Models in algorithmischer Komposition, Múnich, GRIN Verlag, https://www.grin.com/document/458651
