Analysis and optimization of pitch change patterns in double bass performance based on weighted clustering algorithm
Notice bibliographique
Résumé
The double bass, as the instrument with the lowest timbre and the largest volume in the string section of a symphony orchestra, is the "mainstay" of the orchestra's acoustic effect, and grasping the bass performance mode in double bass performance is a problem that all double bass players need to explore in depth.A cluster-weighted multi-view kernel k-means clustering model ( CWK2M) is proposed to study the local quality differences of the bass performance score views at the cluster level.The proposed weighted multiview clustering algorithm is then compared with several multiview clustering algorithms on several real multiview data for experiments and analysis of pitch change patterns.The experimental results show that, on the whole, the proposed algorithm in this paper obtains a relatively good clustering effect on each multiview data, especially on the Sens IT dataset of bass performance scores, the performance of each metrics is significantly improved, and the precision, recall, F1 value and NMI metrics are 0.632, 0.653, 0.687, and 0.713, respectively.In addition, the algorithm of this paper is utilized for the three bass playing patterns such as TaS1, Py11 and Mla1 are further analyzed, which further validates the universality and performance effect of the improved weighted clustering algorithm proposed in this paper for the analysis of pitch change patterns in bass playing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».