Key-Finding by Artificial Neural Networks That Learn About Key Profiles

    loading  Checking for direct PDF access through Ovid

Abstract

We explore the ability of a very simple artificial neural network, a perceptron, to assert the musical key of novel stimuli. First, perceptrons are trained to associate standardized key profiles (taken from 1 of 3 different sources) to different musical keys. After training, we measured perceptron accuracy in asserting musical keys for 296 novel stimuli. Depending upon which key profiles were used during training, perceptrons can perform as well as established key-finding algorithms on this task. Further analyses indicate that perceptrons generate higher activity in a unit representing a selected key and much lower activities in the units representing the competing keys that are not selected than does a traditional algorithm. Finally, we examined the internal structure of trained perceptrons and discovered that they, unlike traditional algorithms, assign very different weights to different components of a key profile. Perceptrons learn that some profile components are more important for specifying musical key than are others. These differential weights could be incorporated into traditional algorithms that do not themselves employ artificial neural networks.

Nous explorons ici la capacité d’un très simple réseau neural artificiel, un perceptron, à affirmer la clé musicale de nouveaux stimuli. Premièrement, les perceptrons sont formés pour associer des profils de clés standardisés (prélevés parmi une à trois différentes sources) avec différentes clés musicales. Une fois la formation achevée, nous avons mesuré l’exactitude avec laquelle les perceptrons affirmaient les clés musicales pour 296 nouveaux stimuli. Selon les profils clés utilisés pendant la formation, les perceptrons peuvent produire les mêmes résultats que les algorithmes de sélection de clés lors de cette tâche. Des analyses plus poussées indiquent que les perceptrons génèrent plus d’activité dans une unité qui représente une clé sélectionnée et beaucoup moins d’activité dans les unités qui représentent les clés concurrentes qui n’ont pas été sélectionnées, comparativement à un algorithme traditionnel. Finalement, nous avons examiné la structure interne des perceptrons formés et découvert qu’ils, contrairement aux algorithmes traditionnels, attribuaient de très différents poids aux différentes composantes d’un profil-clé. Les perceptrons apprennent que certaines composantes de profil sont plus importantes dans la spécification de clés musicales que d’autres. Ces poids différentiels pourraient être incorporés dans des algorithmes traditionnels qui eux-mêmes n’emploient pas de réseaux neuraux artificiels.

    loading  Loading Related Articles