Connectionist approach to improvisation using fingering pattern association

Abstract

PARMAKLAMA EŞLEMESİ ÎLE DO?AÇLAMA STİLİNİN Ö?RENİLMESİ Tezimiz algoritmik kompozisyonu yeni bir açıdan değerlendirmektedir. Uygulamamız gitar üzerinde caz doğaçlamasının öğrenilmesidir. Caz doğaçlaması gruptaki diğer müzisyenlerin kurduğu armonik zemin ve bu zeminin üzerine doğaçlamacının o an yarattığı melodidir. Bu doğaçlama, başka bir açıdan da bir parmaklamalar dizisidir. Parmaklama, bir müziğin enstrüman üzerinde seslendirilmesi için parmakların ne şekilde kullanılacağıdır. Telli enstrümanlarda bir ses birden fazla değişik parmaklama ile gerçekleştirilebilir. Doğaçlamacının fiziksel özellikleri ve enstrümanının fiziksel yapısı zaman içinde doğaçlamacının parmaklama stilini oluşturur. Parmaklama stili ise doğaçlamacının müzik stilinde belirleyici rol oynar. Parmaklama dizilerini öğrenmek, doğaçlamacının müzik stilini öğrenmektir. Bu çalışmada, zaman-gecikmeli yapay sinir ağına parmaklama dizisi eşlemesi öğretildi. Bu sinir ağının öğrenme kümesini, doğaçlamacının parmaklamaları oluşturdu. Sisteme deneme safhasında başlangıç parmaklamalar dizisi vererek bu diziyi takip eden parmaklamalar ürettirildi. Daha sonra bu parmaklamalar seslere görüntülendi. Sonuç olarak caz müziğine uygun dört ölçülük özgün melodiler elde edildi.

IV CONNECTIONIST APPROACH TO IMPROVISATION USING FINGERING PATTERN ASSOCIATION This thesis brings a new approach to algorithmic composition. The domain of this study is blues jazz improvisation. Jazz improvisation is generally considered as an improvised melody over a chordal background formed by other performers in the group. Improvisation can also be considered as a sequence of fingerings which are the arrangement of the fingers of the performer to realize a meFodic sequence with the instrument. In string instruments different fingering sequences may correspond to same melody. In improvisation both the melody and the corresponding fingering are created in real time. Fingerings style of an improvisor is subjective to his musical characteristics of the improvisor. A time-delay neural network that generalizes from fingering sequence examples is proposed. The network is trained with the fingering sequences of an improvisor-guitarist. In the testing phase an initial fingering sequence was fed to the network and let it generate successive fingerings. Then these outputs were mapped to musical domain. The network was successful in creating original melodies four measures long, similar to that of the improvisor.