Är M.I.A. pop, elektronisk eller hip-hop?

Att få ditt digitala bibliotek organiserat kan vara en mardröm - och det hjälper inte att vissa skivbolag glömmer att lägga genre taggar till MP3-filer helt och hållet.

Nu har datavetenskapare i Taiwan utformat ett neuralt nätverksprogram som automatiskt kan klassificera datoriserade musikfiler baserat på deras takt och takt.

Datoriserad kritiker

Chang-Biau Yang i National Sun Yat-sen University spelar musikfilen till sitt neurala nätverk, som analyserar takt och tempo med två huvudmetoder för att klassificera musik - Ellis och Dixon-metoderna - namnges för sina uppfinnare. Programmet producerar sedan en allmän musikalisk genre.

I den här inledande inlärningsfasen korrigerar forskarna missorna och matar träffarna tillbaka till det neurala nätverket, så att det bygger upp en ljudprofil av hur olika musikfiler låter i olika genrer. När det neurala nätverket har utbildats kan det sedan klassificera en hel samling musikfiler.

Nästa steg är att använda Ellis- och Dixon-metoderna för att ytterligare bekräfta genren för varje neuralt klassificerad grupp av musikfiler. Dessa metoder använder olika signalbehandlingsmetoder för att lyssna på musikfilen och för att bestämma positionen av toppar som motsvarar musikspelet. De kan användas för att uppskatta tempo- och beatmönster.

Det taiwanesiska laget har testat sin inställning på en samling av flera hundra ballroom dance musikfiler. Deras system har klassificerat olika musikstilar, som cha-cha-cha, jive, quickstep och tango, med varierande grad av framgång. Yang föreslår att vidareutbildning av neuralt nätverk med klassiska, jazz- och popmusikfiler gör det möjligt att klassificera mer olika musiksamlingar automatiskt.