Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/53936
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Frederico Gadelha Guimarães | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/2472681535872194 | pt_BR |
dc.contributor.advisor-co1 | Frederico Gualberto Ferreira Coelho | pt_BR |
dc.contributor.referee1 | Cristiano Leite de Castro | pt_BR |
dc.contributor.referee2 | Renato Tinós | pt_BR |
dc.creator | Matheus Bitarães de Novaes | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/9347950890051402 | pt_BR |
dc.date.accessioned | 2023-05-25T18:27:45Z | - |
dc.date.available | 2023-05-25T18:27:45Z | - |
dc.date.issued | 2023-03-28 | - |
dc.identifier.uri | http://hdl.handle.net/1843/53936 | - |
dc.description.abstract | The application of Computation Intelligence for musical pieces generation is present in literature since the early moments of this research field. Since then, algorithmic art has been following the technological advances in the field and, since it is a subject that can be approached by many sides, there are a diverse set of approaches in literature to emulation of the artistic process by computers. Among the research field explored for computational musical pieces generation, Genetic Algorithms and Neural Networks have significant presence and, as GANs have become more widely used, there has been an increase in the use of them for creating art. This work proposes an architecture composed of a genetic algorithm whose initial population is fed by generative adversarial networks (GANs) specialized in generating melodies for certain harmonic functions. The fitness function of the genetic algorithm is a weighted sum of heuristic methods for evaluating quality, where the weights of each function are assigned by the user, before requesting the melody. A data augmentation statregy for the GAN training data was proposed and experimentally validated. Another experiment performed was a comparison between the quality of the melodies generated by the proposed architecture, a GAN and an LSTM network. The effects of utilizing the Discriminator’s evaluation on the fitness function of the generic algorithm were also experimented in a third experiment. The statistical comparison give evidences that this approach enhances melody quality in comparisson with using the fitness function without Discriminator’s evaluation. | pt_BR |
dc.description.resumo | O uso de Inteligência Computacional para geração de peças musicais está presente na literatura desde os momentos iniciais deste campo de pesquisa. Desde então, a arte algorítmica vem acompanhando os avanços tecnológicos na área e, por ser um problema que pode ser abordado sob várias óticas, diversas abordagens estão presentes na literatura com o intuito da emulação do processo artístico por computadores. Dentre os campos explorados para geração de peças musicais, os Algoritmos Genéticos e as Redes Neurais possuem significativa presença e, conforme as Redes Geradoras Adversárias (GANs) ganharam popularidade, aplicações para geração de arte começaram a emergir. Este trabalho propõe uma arquitetura composta por um algoritmo genético cuja população inicial é alimentada por redes geradoras adversárias (GANs) especializadas em gerar melodias para determinadas funções harmônicas. A função de fitness do algoritmo genético é um somatório ponderado de métodos heurísticos de avaliação de qualidade, onde os pesos de cada função são atribuídos pelo usuário, antes da requisição da melodia. Uma estratégia de aumento de dados para o treinamento da GAN foi proposta e validada experimentalmente. Outro experimento realizado foi uma comparação entre a qualidade das melodias geradas pela arquitetura proposta, uma GAN e uma rede LSTM onde obteve-se evidências estatisticamente significativas de que a arquitetura proposta possui melhor qualidade, de acordo com as métricas escolhidas para o trabalho. Experimentou-se também o efeito da utilização da resposta do Discriminador da GAN integrado à função de fitness do algoritmo genético e obteve-se indícios estatisticamente significativos de que esta abordagem possui melhor qualidade, em comparação com a utilização da função de fitness sem a avaliação do Discriminador. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Engenharia Elétrica | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Inteligência computacional | pt_BR |
dc.subject | Redes geradoras adversárias | pt_BR |
dc.subject | GANs | pt_BR |
dc.subject | Redes neurais | pt_BR |
dc.subject | Algoritmos genéticos | pt_BR |
dc.subject | Música | pt_BR |
dc.subject | Música algorítmica | pt_BR |
dc.subject.other | Engenharia elétrica | pt_BR |
dc.subject.other | Inteligência computacional | pt_BR |
dc.subject.other | Redes neurais (Computação) | pt_BR |
dc.subject.other | Algoritmos genéticos | pt_BR |
dc.subject.other | Música | pt_BR |
dc.title | Composição musical algorítmica utilizando redes geradoras adversárias e algoritmos genéticos | pt_BR |
dc.title.alternative | Algorithmic musical composition using generative adversarial networks and genetic algorithms | pt_BR |
dc.type | Dissertação | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
dissertacao_mestrado_matheus_bitaraes_final.pdf | Composição Musical Algorítmica Utilizando Redes Geradoras Adversárias e Algoritmos Genéticos | 4.98 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.