Melodielernen mit neuronalen Netzen

Inhaltsangabe:Zusammenfassung:In dieser Diplomarbeit wird ein System vorgestellt, das in der Lage ist, eine praxisrelevante musikalische Problemstellung - das Variieren einer Choralmelodie - zu lösen. Dabei werden wesentliche Bestandteile des musikalischen Wissens von künstlichen neuronalen Netzen erlernt. Sobald dieses Wissen eintrainiert ist, kann das System Umspielungen zu neuen Melodien komponieren.Kern des Systems sind mehrschichtige Feedforward-Netze, die mit Beispielen aus den Choralpartiten von Johann Pachelbel (1653-1706) trainiert werden. Eine wesentliche konzeptionelle Grundlage dafür ist die Betrachtung von Umspielungsmotiven in diesen Partiten. Diese Motive werden mit Hilfe eines Abstandsmaßes klassifiziert und die Partiten dann auf einer übergeordneten Abstraktionsebene als Folgen von Motivtypen betrachtet.Das System lernt zunächst die abstrakte Folge der Motivtypen. In einem zweiten Schritt wird jedes Motiv in Abhängigkeit von seiner Zuordnung zu einem Typ mit konkreten Noten auskomponiert. Dabei lernt das Gesamtsystem nicht nur lokal gute Umspielungsmotive zu finden. Auch größere musikalische Strukturen in den Partiten werden reproduziert und erzeugt.Die Ergebnisse der vorliegenden Arbeit bieten interessante Einblicke in die musikalische Struktur von Choralvariationen und zeigen Parallelen und Unterschiede zwischen menschlichem und maschinellem Lernen auf. Die Beschränkung auf eine relativ spezielle musikalische Problemstellung führt zu Lernerfolgen, die denen eines menschlichen "Schülers" kaum nachstehen. Auf diese Weise gelingt es aber noch nicht ausreichend, allgemeinere Randbedingungen zu erfassen, mit deren Hilfe jeder einigermaßen musikalische Mensch sofort "überzeugende" von "schlechten" musikalischen Lösungen unterscheiden kann.Die musikalische Qualität der neu erzeugten Choralvariationen übertrifft die manuellen Kompositions- bzw. Improvisationsversuche des Autor meist deutlich.Inhaltsverzeichnis:Inhaltsverzeichnis:1.Einleit