haku: @keyword PCA / yhteensä: 24
hakutulos-lista
viite: 5 / 24
« edellinen | seuraava »
Tekijä:Ramaseshan, Ajay
Työn nimi:Application of multiway methods for dimensinality reduction to music
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2013
Sivut:86 s. + liitt. 5      Kieli:   eng
Koulu/Laitos/Osasto:Perustieteiden korkeakoulu
Oppiaine:Tietokoneverkot   (T-110)
Valvoja:Simula, Olli
Ohjaaja:Corona, Francesco ; Miche, Yoan
Elektroninen julkaisu: http://urn.fi/URN:NBN:fi:aalto-201407052298
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  8728   | Arkisto
Avainsanat:Mel spectrogram
MDS
MLSCA
MPCA
music collection
MIR
PCA
Tiivistelmä (eng): This thesis can be placed in the broader field of Music Information Retrieval (MIR).
MIR refers to a huge set of strategies, software and tools through which computers can analyse and predict interesting patterns from audio data.
It is a diverse and multidisciplinary field, encompassing fields like signal processing, machine learning, and musicology and music theory, to name a few.

Methods of dimensionality reduction are widely used in data mining and machine learning.
These help in reducing the complexity of the classification/clustering algorithms etc., used to process the data.
They also help in studying some useful statistical properties of the dataset.
In this Master's Thesis, a personalized music collection is taken and audio features are extracted from the songs, by using the Mel spectrogram.

A music tensor is built from these features.
Then, two approaches to unfold the tensor and convert it into a 2-way data matrix are studied.
After unfolding the tensor, dimensionality reduction techniques like Principal Components Analysis (PCA) and classic metric Multidimensional Scaling (MDS) are applied.
Unfolding the tensor and performing either MDS or PCA is equivalent to performing Multiway Principal Component Analysis (MPCA).
A third method Multilevel Simultaneous Component Analysis (MLSCA), which builds a composite model for each song is also applied.

The number of components to retain is obtained by hold-out validation.
The fitness of each of these models were evaluated with the T2 and Q statistic, and compared with each other.
The aim of this thesis is to produce a dimensionality reduction which can be used for further MIR tasks like better clustering of data with respect to e.g. artists / genres.
ED:2014-01-07
INSSI tietueen numero: 48301
+ lisää koriin
« edellinen | seuraava »
INSSI