کنفرانس بین المللی فناوری اطلاعات و دانش

English

صفحه اصلی / یازدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

ارائه مدل یادگیری ماشین برای پیش‌بینی سری‌زمانی باینری از دیدگاه مسئله‌های دسته‌بندی با کاربرد در پیش‌بینی نت‌های موسیقی

نویسندگان :

نیلوفر ع��دلخانی¹ حسام عمرانپور²

1- دانشگاه صنعتی نوشیروانی بابل 2- دانشگاه صنعتی نوشیروانی بابل

کلمات کلیدی :

پیش‌بینی نت‌های موسیقی، حافظه کوتاه-بلند مدت، سری‌زمانی باینری، ماشین بردار پشتیبان، K نزدیکترین همسایه

چکیده :

سری زمانی باینری مجموعه اعداد صفر و یک است که با الگویی پشت سرهم در طی یک مدت زمان مشخص چیده شده‌اند. در این مقاله مدلی برای پیش‌بینی سری‌های زمانی باینری ارائه شده است. مدل پیشنهادی روی مجموعه داده‌های موسیقی پیاده‌سازی و آزمایش شده است. هدف این است که ادامه نت‌های یک موسیقی را با توجه به نت‌های قسمتی از آن پیش‌بینی یا تولید کرد. موسیقی را می‌توان یک سری زمانی دانست زیرا داده‌های آن در طی یک زمانی مشخص ثبت می‌شوند. به این سری‌های زمانی میتوان از دیدگاه باینری نگاه کرد و آنها را به فرم سری زمانی باینری تبدیل کرد. برای پیش‌بینی سری‌های زمانی باینری، از 2 الگوریتم‌ دسته‌بندی که شامل الگوریتم‌های ماشین بردار پشتیبان(SVM) با کرنل‌های مختلف و K نزدیک‌ترین همسایه (KNN) با Kهای متفاوت می‌باشد و 2 الگوریتم رگرسیون که شامل رگرسیون بردار پشتیبان (SVR) با کرنل‌های متفاوت و شبکه عصبی بازگشتی حافظه کوتاه-بلند مدت (LSTM) می‌باشد، استفاده شده است. با مقایسه دقت‌های بدست آمده نتیجه گرفته شد که دقت الگوریتم‌های دسته‌بندی برای پیش‌بینی سری های زمانی باینری از رگرسیون بیشتر است.