Дисертації з теми "Music Performance Classification Data processing"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Ознайомтеся з топ-49 дисертацій для дослідження на тему "Music Performance Classification Data processing".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Переглядайте дисертації для різних дисциплін та оформлюйте правильно вашу бібліографію.
McKay, Cory. "Automatic genre classification of MIDI recordings." Thesis, McGill University, 2004. http://digitool.Library.McGill.CA:80/R/?func=dbin-jump-full&object_id=81503.
Повний текст джерелаFiebrink, Rebecca. "An exploration of feature selection as a tool for optimizing musical genre classification /." Thesis, McGill University, 2006. http://digitool.Library.McGill.CA:80/R/?func=dbin-jump-full&object_id=99372.
Повний текст джерелаPhillips, Rhonda D. "A Probabilistic Classification Algorithm With Soft Classification Output." Diss., Virginia Tech, 2009. http://hdl.handle.net/10919/26701.
Повний текст джерелаPh. D.
Sanden, Christopher, and University of Lethbridge Faculty of Arts and Science. "An empirical evaluation of computational and perceptual multi-label genre classification on music / Christopher Sanden." Thesis, Lethbridge, Alta. : University of Lethbridge, Dept. of Mathematics and Computer Science, c2010, 2010. http://hdl.handle.net/10133/2602.
Повний текст джерелаviii, 87 leaves ; 29 cm
Klinkradt, Bradley Hugh. "An investigation into the application of the IEEE 1394 high performance serial bus to sound installation contro." Thesis, Rhodes University, 2003. http://hdl.handle.net/10962/d1004899.
Повний текст джерелаKMBT_363
Adobe Acrobat 9.54 Paper Capture Plug-in
Jürgensen, Frauke. "Accidentals in the mid-fifteenth century : a computer-aided study of the Buxheim organ book and its concordances." Thesis, McGill University, 2005. http://digitool.Library.McGill.CA:80/R/?func=dbin-jump-full&object_id=85921.
Повний текст джерелаLaurier, Cyril François. "Automatic Classification of musical mood by content-based analysis." Doctoral thesis, Universitat Pompeu Fabra, 2011. http://hdl.handle.net/10803/51582.
Повний текст джерелаEn esta tesis, nos centramos en la clasificación automática de música a partir de la detección de la emoción que comunica. Primero, estudiamos cómo los miembros de una red social utilizan etiquetas y palabras clave para describir la música y las emociones que evoca, y encontramos un modelo para representar los estados de ánimo. Luego, proponemos un método de clasificación automática de emociones. Analizamos las contribuciones de descriptores de audio y cómo sus valores están relacionados con los estados de ánimo. Proponemos también una versión multimodal de nuestro algoritmo, usando las letras de canciones. Finalmente, después de estudiar la relación entre el estado de ánimo y el género musical, presentamos un método usando la clasificación automática por género. A modo de recapitulación conceptual y algorítmica, proponemos una técnica de extracción de reglas para entender como los algoritmos de aprendizaje automático predicen la emoción evocada por la música
Kästel, Arne Morten, and Christian Vestergaard. "Comparing performance of K-Means and DBSCAN on customer support queries." Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-260252.
Повний текст джерелаI kundtjänst förekommer det ofta upprepningar av frågor samt sådana frågor som inte kräver unika svar. I syfte att öka produktiviteten i kundtjänst funktionens arbete att besvara dessa frågor undersöks metoder för att automatisera en del av arbetet. Vi undersöker olika metoder för klusteranalys, applicerat på existerande korpusar innehållande texter så väl som frågor. Klusteranalysen genomförs i syfte att identifiera dokument som är semantiskt lika, vilket i ett automatiskt system för frågebevarelse skulle kunna användas för att besvara en ny fråga med ett existerande svar. En jämförelse mellan hur K-means och densitetsbaserad metod presterar på tre olika korpusar vars dokumentrepresentationer genererats med BERT genomförs. Vidare diskuteras den digitala transformationsprocessen, varför företag misslyckas avseende implementation samt även möjligheterna för en ny mer iterativ modell.
Shafer, Seth. "Recent Approaches to Real-Time Notation." Thesis, University of North Texas, 2017. https://digital.library.unt.edu/ark:/67531/metadc984210/.
Повний текст джерелаBayle, Yann. "Apprentissage automatique de caractéristiques audio : application à la génération de listes de lecture thématiques." Thesis, Bordeaux, 2018. http://www.theses.fr/2018BORD0087/document.
Повний текст джерелаThis doctoral dissertation presents, discusses and proposes tools for the automatic information retrieval in big musical databases.The main application is the supervised classification of musical themes to generate thematic playlists.The first chapter introduces the different contexts and concepts around big musical databases and their consumption.The second chapter focuses on the description of existing music databases as part of academic experiments in audio analysis.This chapter notably introduces issues concerning the variety and unequal proportions of the themes contained in a database, which remain complex to take into account in supervised classification.The third chapter explains the importance of extracting and developing relevant audio features in order to better describe the content of music tracks in these databases.This chapter explains several psychoacoustic phenomena and uses sound signal processing techniques to compute audio features.New methods of aggregating local audio features are proposed to improve song classification.The fourth chapter describes the use of the extracted audio features in order to sort the songs by themes and thus to allow the musical recommendations and the automatic generation of homogeneous thematic playlists.This part involves the use of machine learning algorithms to perform music classification tasks.The contributions of this dissertation are summarized in the fifth chapter which also proposes research perspectives in machine learning and extraction of multi-scale audio features
Reuschel, Petra. "Jahresbericht 2018 zur kooperativen IT-Versorgung." Technische Universität Dresden, 2018. https://tud.qucosa.de/id/qucosa%3A38357.
Повний текст джерелаZhang, Hang. "Distributed Support Vector Machine With Graphics Processing Units." ScholarWorks@UNO, 2009. http://scholarworks.uno.edu/td/991.
Повний текст джерелаTröger, Ralph. "Supply Chain Event Management – Bedarf, Systemarchitektur und Nutzen aus Perspektive fokaler Unternehmen der Modeindustrie." Doctoral thesis, Universitätsbibliothek Leipzig, 2014. http://nbn-resolving.de/urn:nbn:de:bsz:15-qucosa-155014.
Повний текст джерелаJi, Yuanzhen. "Handling Tradeoffs between Performance and Query-Result Quality in Data Stream Processing." Doctoral thesis, 2017. https://tud.qucosa.de/id/qucosa%3A29851.
Повний текст джерела"Source separation and analysis of piano music signals." Thesis, 2010. http://library.cuhk.edu.hk/record=b6075249.
Повний текст джерелаWhat makes a good piano performance? An expressive piano performance owes its emotive power to the performer's skills in shaping the music with nuances. For the purpose of performance analysis, nuance can be defined as any subtle manipulation of sound parameters including attack, timing, pitch, loudness and timbre. A major obstacle to a systematic computational analysis of musical nuances is that it is often difficult to uncover relevant sound parameters from the complex audio signal of a piano music performance. A piano piece invariably involves simultaneous striking of multiple keys, and it is not obvious how one may extract the parameters of individual keys from the combined mixed signal. This problem of parameter extraction can be formulated as a source separation problem. Our research goal is to extract individual tones (frequencies, amplitudes and phases) from a mixture of piano tones.
Szeto, Wai Man.
Adviser: Wong Kim Hong.
Source: Dissertation Abstracts International, Volume: 73-03, Section: B, page: .
Thesis (Ph.D.)--Chinese University of Hong Kong, 2010.
Includes bibliographical references (leaves 120-128).
Electronic reproduction. Hong Kong : Chinese University of Hong Kong, [2012] System requirements: Adobe Acrobat Reader. Available via World Wide Web.
Electronic reproduction. [Ann Arbor, MI] : ProQuest Information and Learning, [201-] System requirements: Adobe Acrobat Reader. Available via World Wide Web.
Abstract also in Chinese.
"ZIH-Info." Saechsische Landesbibliothek- Staats- und Universitaetsbibliothek Dresden, 2017. http://nbn-resolving.de/urn:nbn:de:bsz:14-qucosa-170470.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2018. https://tud.qucosa.de/id/qucosa%3A31361.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2021. https://tud.qucosa.de/id/qucosa%3A74902.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2020. https://tud.qucosa.de/id/qucosa%3A73102.
Повний текст джерела"Jahresbericht 2012 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2016. https://tud.qucosa.de/id/qucosa%3A26142.
Повний текст джерела"Jahresbericht 2013 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2017. https://tud.qucosa.de/id/qucosa%3A30580.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2014. https://tud.qucosa.de/id/qucosa%3A27488.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2015. https://tud.qucosa.de/id/qucosa%3A27801.
Повний текст джерела"Jahresbericht 2015 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2017. https://tud.qucosa.de/id/qucosa%3A30648.
Повний текст джерела"Jahresbericht 2016 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2020. https://tud.qucosa.de/id/qucosa%3A38354.
Повний текст джерела"Jahresbericht 2017 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2020. https://tud.qucosa.de/id/qucosa%3A38356.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26277.
Повний текст джерела"Jahresbericht ... zur kooperativen DV-Versorgung / Technische Universität Dresden." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26927.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2009. https://tud.qucosa.de/id/qucosa%3A25959.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2010. https://tud.qucosa.de/id/qucosa%3A25980.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2012. https://tud.qucosa.de/id/qucosa%3A26103.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2007. https://tud.qucosa.de/id/qucosa%3A26965.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2008. https://tud.qucosa.de/id/qucosa%3A26980.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2011. https://tud.qucosa.de/id/qucosa%3A27037.
Повний текст джерела"ZIH-Info." Technische Universität Dresden, 2016. https://tud.qucosa.de/id/qucosa%3A29466.
Повний текст джерела"Jahresbericht 2003 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26947.
Повний текст джерела"Jahresbericht 2004 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26948.
Повний текст джерела"Jahresbericht 2005 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26949.
Повний текст джерела"Jahresbericht 2006 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26950.
Повний текст джерела"Jahresbericht 2007 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26951.
Повний текст джерела"Jahresbericht 2008 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26952.
Повний текст джерела"Jahresbericht 2009 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26953.
Повний текст джерела"Jahresbericht 2010 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26954.
Повний текст джерела"Jahresbericht 2011 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2013. https://tud.qucosa.de/id/qucosa%3A26955.
Повний текст джерела"Jahresbericht ... zur kooperativen IT-Versorgung / Technische Universität Dresden." Technische Universität Dresden, 2020. https://tud.qucosa.de/id/qucosa%3A38369.
Повний текст джерела"Jahresbericht / DIU, Dresden International University." Dresden International University, 2013. http://nbn-resolving.de/urn:nbn:de:bsz:14-qucosa-107598.
Повний текст джерелаMuwawa, Jean Nestor Dahj. "Data mining and predictive analytics application on cellular networks to monitor and optimize quality of service and customer experience." Diss., 2018. http://hdl.handle.net/10500/25875.
Повний текст джерелаCellular networks have evolved and are still evolving, from traditional GSM (Global System for Mobile Communication) Circuit switched which only supported voice services and extremely low data rate, to LTE all Packet networks accommodating high speed data used for various service applications such as video streaming, video conferencing, heavy torrent download; and for say in a near future the roll-out of the Fifth generation (5G) cellular networks, intended to support complex technologies such as IoT (Internet of Things), High Definition video streaming and projected to cater massive amount of data. With high demand on network services and easy access to mobile phones, billions of transactions are performed by subscribers. The transactions appear in the form of SMSs, Handovers, voice calls, web browsing activities, video and audio streaming, heavy downloads and uploads. Nevertheless, the stormy growth in data traffic and the high requirements of new services introduce bigger challenges to Mobile Network Operators (NMOs) in analysing the big data traffic flowing in the network. Therefore, Quality of Service (QoS) and Quality of Experience (QoE) turn in to a challenge. Inefficiency in mining, analysing data and applying predictive intelligence on network traffic can produce high rate of unhappy customers or subscribers, loss on revenue and negative services’ perspective. Researchers and Service Providers are investing in Data mining, Machine Learning and AI (Artificial Intelligence) methods to manage services and experience. This research study focuses on the application models of Data Mining and Machine Learning covering network traffic, in the objective to arm Mobile Network Operators with full view of performance branches (Services, Device, Subscribers). The purpose is to optimize and minimize the time to detect service and subscriber patterns behaviour. Different data mining techniques and predictive algorithms will be applied on cellular network datasets to uncover different data usage patterns using specific Key Performance Indicators (KPIs) and Key Quality Indicators (KQI). The following tools will be used to develop the concept: R-Studio for Machine Learning, Apache Spark, SparkSQL for data processing and clicData for Visualization.
Electrical and Mining Engineering
M. Tech (Electrical Engineering)
"ZIH-Info." Technische Universität Dresden, 2006. https://tud.qucosa.de/id/qucosa%3A25917.
Повний текст джерела"Jahresbericht 2014 zur kooperativen DV-Versorgung." Technische Universität Dresden, 2017. https://tud.qucosa.de/id/qucosa%3A30579.
Повний текст джерела