Por favor, use este identificador para citar o enlazar este ítem: http://dspace.udla.edu.ec/handle/33000/10879
Tipo de material : bachelorThesis
Título : Clasificación sonora de instrumentos andinos a través de machine learning
Autor : Bonilla Ambrossi, Aníbal Fernando
Tutor : Cabezas Yánez, Paúl Adrián
Palabras clave : INSTRUMENTOS MUSICALES;MÚSICA LATINOAMERICANA;SONIDO-MEDICIÓN;GRABACIÓN DE SONIDO
Fecha de publicación : 2019
Editorial : Quito: Universidad de las Américas, 2019
Citación : Bonilla Ambrossi, A. F. (2019). Clasificación sonora de instrumentos andinos a través de machine learning (Tesis de pregrado). Universidad de las Américas, Quito.
Resumen : El objetivo planteado en el actual documento es proponer una metodología para clasificar sonidos andinos a través de una herramienta que desarrolle Machine Learning. Para la investigación realizada se desarrolló una base de datos mediante un software llamado NN-XT Sampler, el cual tiene la función de samplear sonidos que permitan editar y diseñar audios con los requerimientos óptimos para un entrenamiento de aprendizaje automático con la herramienta llamada Wekinator. Para el desarrollo de la validación del programa se pretende clasificar sonidos a través de varias muestras de entrenamiento y unas pocas para la respectiva prueba o evaluación de la precisión en los clasificadores que posee el software Wekinator mediante una técnica estadística de validación cruzada. Finalmente, los resultados dieron que para la clasificación de instrumentos de viento andinos cumpliendo dos clases de analogías detalladas en el documento existen tres de cinco clasificadores que tienen un porcentaje de precisión superiores al 84 por ciento, siendo estos los de Árbol de decisión, AdaBost y SVM, superando a los algoritmos de K-Neigbor y Naive Boyes.
Descripción : The objective that I propose in the real document is propose a Methodology to Classify Andean sounds through a tool that develops Machine Learning. For the realized investigation, it developed a data base through a software called NNXT Sampler which function is allowed edit and design sounds with good quality for the Machine Learning processing. The development process for the validation program starts with various training samplers and test samplers. These samplers used two phases of the investigation. The first phase is the training process and the second is the testing of the program using a software called Wekinator. Finally, the results show that three of the five classifiers have superior 84 percent of precision. These classifiers are the Tree Decision, AdaBost and SVM, exceeding the K-Neigbor and Naïve Boyes algorithms.
URI : http://dspace.udla.edu.ec/handle/33000/10879
Aparece en las colecciones: Ingeniería de Sonido y Acústica

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
UDLA-EC-TISA-2019-09.pdf4,13 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons