Unsupervised Classification of Sub-Genres of Electronic Music

Abstract

Denne oppgaven er en studie av uovervåket maskinlæringsteknikker for klassifisering og gruppering av undersjangre av elektronisk musikk. Nye undersjangre av elektronisk musikk introduseres ofte og de fleste har lignende lydegenskaper, det er en møysommelig oppgave å oppnå et skikkelig skille mellom dem. Derfor blir det viktig å utforske verktøy og teknikker som hjelper oss å skille mellom disse sjangrene enkelt og effektivt. To tilnærminger foreslått av Barreira og Rauber har blitt brukt for gruppering av musikk. Barreiras tilnærming bruker en modellbasert klyngeteknikk ved å bruke forventningsmaksimering for Gaussiske blandingsmodeller. Mens Rauber-tilnærmingen bruker Growing Hierarchical Self Organizing Maps, som er en utvidelse av Self Organizing Maps. Dessuten trekkes lydfunksjoner på lavt nivå som matematisk viser karakteristikker til lyd ut for innmating i disse algoritmene. Oppgaven avsluttes med å reflektere over resultatene, evaluere modellene, diskutere begrensninger og foreslå fremtidige arbeider.

This thesis is a study of unsupervised machine learning techniques for the classification and clustering of sub-genres of electronic music. New sub-genres of electronic music are frequently introduced and most have similar audio characteristics, to achieve a proper distinction between them is a laborious task. Therefore, it becomes essential to explore tools and techniques that help us differentiate between these genres easily and efficiently. Two approaches suggested by Barreira and Rauber have been employed for the clustering of music. Barreira’s approach uses a model-based clustering technique by employing Expectation-Maximization for Gaussian Mixture Models. Whereas, the Rauber approach uses Growing Hierarchical Self Organizing Maps which is an extension of Self Organizing Maps. Moreover, Low-level audio features that mathematically show characteristics of audio are extracted for feeding into these algorithms. The thesis is concluded by reflecting upon the results, evaluating the models, discussing limitations, and proposing future works.