Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/53936 |
Resumo: | O uso de Inteligência Computacional para geração de peças musicais está presente na literatura desde os momentos iniciais deste campo de pesquisa. Desde então, a arte algorítmica vem acompanhando os avanços tecnológicos na área e, por ser um problema que pode ser abordado sob várias óticas, diversas abordagens estão presentes na literatura com o intuito da emulação do processo artístico por computadores. Dentre os campos explorados para geração de peças musicais, os Algoritmos Genéticos e as Redes Neurais possuem significativa presença e, conforme as Redes Geradoras Adversárias (GANs) ganharam popularidade, aplicações para geração de arte começaram a emergir. Este trabalho propõe uma arquitetura composta por um algoritmo genético cuja população inicial é alimentada por redes geradoras adversárias (GANs) especializadas em gerar melodias para determinadas funções harmônicas. A função de fitness do algoritmo genético é um somatório ponderado de métodos heurísticos de avaliação de qualidade, onde os pesos de cada função são atribuídos pelo usuário, antes da requisição da melodia. Uma estratégia de aumento de dados para o treinamento da GAN foi proposta e validada experimentalmente. Outro experimento realizado foi uma comparação entre a qualidade das melodias geradas pela arquitetura proposta, uma GAN e uma rede LSTM onde obteve-se evidências estatisticamente significativas de que a arquitetura proposta possui melhor qualidade, de acordo com as métricas escolhidas para o trabalho. Experimentou-se também o efeito da utilização da resposta do Discriminador da GAN integrado à função de fitness do algoritmo genético e obteve-se indícios estatisticamente significativos de que esta abordagem possui melhor qualidade, em comparação com a utilização da função de fitness sem a avaliação do Discriminador. |
id |
UFMG_368a6c4e6c11d433520be2299e82292b |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/53936 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Frederico Gadelha Guimarãeshttp://lattes.cnpq.br/2472681535872194Frederico Gualberto Ferreira CoelhoCristiano Leite de CastroRenato Tinóshttp://lattes.cnpq.br/9347950890051402Matheus Bitarães de Novaes2023-05-25T18:27:45Z2023-05-25T18:27:45Z2023-03-28http://hdl.handle.net/1843/53936O uso de Inteligência Computacional para geração de peças musicais está presente na literatura desde os momentos iniciais deste campo de pesquisa. Desde então, a arte algorítmica vem acompanhando os avanços tecnológicos na área e, por ser um problema que pode ser abordado sob várias óticas, diversas abordagens estão presentes na literatura com o intuito da emulação do processo artístico por computadores. Dentre os campos explorados para geração de peças musicais, os Algoritmos Genéticos e as Redes Neurais possuem significativa presença e, conforme as Redes Geradoras Adversárias (GANs) ganharam popularidade, aplicações para geração de arte começaram a emergir. Este trabalho propõe uma arquitetura composta por um algoritmo genético cuja população inicial é alimentada por redes geradoras adversárias (GANs) especializadas em gerar melodias para determinadas funções harmônicas. A função de fitness do algoritmo genético é um somatório ponderado de métodos heurísticos de avaliação de qualidade, onde os pesos de cada função são atribuídos pelo usuário, antes da requisição da melodia. Uma estratégia de aumento de dados para o treinamento da GAN foi proposta e validada experimentalmente. Outro experimento realizado foi uma comparação entre a qualidade das melodias geradas pela arquitetura proposta, uma GAN e uma rede LSTM onde obteve-se evidências estatisticamente significativas de que a arquitetura proposta possui melhor qualidade, de acordo com as métricas escolhidas para o trabalho. Experimentou-se também o efeito da utilização da resposta do Discriminador da GAN integrado à função de fitness do algoritmo genético e obteve-se indícios estatisticamente significativos de que esta abordagem possui melhor qualidade, em comparação com a utilização da função de fitness sem a avaliação do Discriminador.The application of Computation Intelligence for musical pieces generation is present in literature since the early moments of this research field. Since then, algorithmic art has been following the technological advances in the field and, since it is a subject that can be approached by many sides, there are a diverse set of approaches in literature to emulation of the artistic process by computers. Among the research field explored for computational musical pieces generation, Genetic Algorithms and Neural Networks have significant presence and, as GANs have become more widely used, there has been an increase in the use of them for creating art. This work proposes an architecture composed of a genetic algorithm whose initial population is fed by generative adversarial networks (GANs) specialized in generating melodies for certain harmonic functions. The fitness function of the genetic algorithm is a weighted sum of heuristic methods for evaluating quality, where the weights of each function are assigned by the user, before requesting the melody. A data augmentation statregy for the GAN training data was proposed and experimentally validated. Another experiment performed was a comparison between the quality of the melodies generated by the proposed architecture, a GAN and an LSTM network. The effects of utilizing the Discriminator’s evaluation on the fitness function of the generic algorithm were also experimented in a third experiment. The statistical comparison give evidences that this approach enhances melody quality in comparisson with using the fitness function without Discriminator’s evaluation.porUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia ElétricaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICAEngenharia elétricaInteligência computacionalRedes neurais (Computação)Algoritmos genéticosMúsicaInteligência computacionalRedes geradoras adversáriasGANsRedes neuraisAlgoritmos genéticosMúsicaMúsica algorítmicaComposição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticosAlgorithmic musical composition using generative adversarial networks and genetic algorithmsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALdissertacao_mestrado_matheus_bitaraes_final.pdfdissertacao_mestrado_matheus_bitaraes_final.pdfComposição Musical Algorítmica Utilizando Redes Geradoras Adversárias e Algoritmos Genéticosapplication/pdf5096159https://repositorio.ufmg.br/bitstream/1843/53936/3/dissertacao_mestrado_matheus_bitaraes_final.pdfa24b3dd54954c68612dd15e6e6c87de7MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/53936/4/license.txtcda590c95a0b51b4d15f60c9642ca272MD541843/539362023-05-25 15:27:46.132oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-05-25T18:27:46Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos |
dc.title.alternative.pt_BR.fl_str_mv |
Algorithmic musical composition using generative adversarial networks and genetic algorithms |
title |
Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos |
spellingShingle |
Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos Matheus Bitarães de Novaes Inteligência computacional Redes geradoras adversárias GANs Redes neurais Algoritmos genéticos Música Música algorítmica Engenharia elétrica Inteligência computacional Redes neurais (Computação) Algoritmos genéticos Música |
title_short |
Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos |
title_full |
Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos |
title_fullStr |
Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos |
title_full_unstemmed |
Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos |
title_sort |
Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos |
author |
Matheus Bitarães de Novaes |
author_facet |
Matheus Bitarães de Novaes |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Frederico Gadelha Guimarães |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/2472681535872194 |
dc.contributor.advisor-co1.fl_str_mv |
Frederico Gualberto Ferreira Coelho |
dc.contributor.referee1.fl_str_mv |
Cristiano Leite de Castro |
dc.contributor.referee2.fl_str_mv |
Renato Tinós |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/9347950890051402 |
dc.contributor.author.fl_str_mv |
Matheus Bitarães de Novaes |
contributor_str_mv |
Frederico Gadelha Guimarães Frederico Gualberto Ferreira Coelho Cristiano Leite de Castro Renato Tinós |
dc.subject.por.fl_str_mv |
Inteligência computacional Redes geradoras adversárias GANs Redes neurais Algoritmos genéticos Música Música algorítmica |
topic |
Inteligência computacional Redes geradoras adversárias GANs Redes neurais Algoritmos genéticos Música Música algorítmica Engenharia elétrica Inteligência computacional Redes neurais (Computação) Algoritmos genéticos Música |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia elétrica Inteligência computacional Redes neurais (Computação) Algoritmos genéticos Música |
description |
O uso de Inteligência Computacional para geração de peças musicais está presente na literatura desde os momentos iniciais deste campo de pesquisa. Desde então, a arte algorítmica vem acompanhando os avanços tecnológicos na área e, por ser um problema que pode ser abordado sob várias óticas, diversas abordagens estão presentes na literatura com o intuito da emulação do processo artístico por computadores. Dentre os campos explorados para geração de peças musicais, os Algoritmos Genéticos e as Redes Neurais possuem significativa presença e, conforme as Redes Geradoras Adversárias (GANs) ganharam popularidade, aplicações para geração de arte começaram a emergir. Este trabalho propõe uma arquitetura composta por um algoritmo genético cuja população inicial é alimentada por redes geradoras adversárias (GANs) especializadas em gerar melodias para determinadas funções harmônicas. A função de fitness do algoritmo genético é um somatório ponderado de métodos heurísticos de avaliação de qualidade, onde os pesos de cada função são atribuídos pelo usuário, antes da requisição da melodia. Uma estratégia de aumento de dados para o treinamento da GAN foi proposta e validada experimentalmente. Outro experimento realizado foi uma comparação entre a qualidade das melodias geradas pela arquitetura proposta, uma GAN e uma rede LSTM onde obteve-se evidências estatisticamente significativas de que a arquitetura proposta possui melhor qualidade, de acordo com as métricas escolhidas para o trabalho. Experimentou-se também o efeito da utilização da resposta do Discriminador da GAN integrado à função de fitness do algoritmo genético e obteve-se indícios estatisticamente significativos de que esta abordagem possui melhor qualidade, em comparação com a utilização da função de fitness sem a avaliação do Discriminador. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-05-25T18:27:45Z |
dc.date.available.fl_str_mv |
2023-05-25T18:27:45Z |
dc.date.issued.fl_str_mv |
2023-03-28 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/53936 |
url |
http://hdl.handle.net/1843/53936 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/53936/3/dissertacao_mestrado_matheus_bitaraes_final.pdf https://repositorio.ufmg.br/bitstream/1843/53936/4/license.txt |
bitstream.checksum.fl_str_mv |
a24b3dd54954c68612dd15e6e6c87de7 cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589234555092992 |