Markovin ketjut ja Markovin piilomallit algoritmisessa säveltämisessä
Tekijät
Päivämäärä
2020Tekijänoikeudet
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Tässä tutkielmassa kartoitettiin Markovin ketjujen ja Markovin piilomallien hyödyntämistä algoritmisessa säveltämisessä. Markovin ketjuja on hyödynnetty algoritmisessa säveltämisessä jo 1950-luvulta lähtien. Kirjallisuuskatsauksen tuloksena selvisi, että menetelmiä käytetään ensisijaisesti musiikkityylien jäljittelyyn. Menetelmien heikkoudeksi nähtiin niiden tuottamien sävellysten yleinen musiikillisen rakenteen puute erityisesti pidemmissä tuotoksissa. Markovin ketjujen etuna oli yksinkertainen ja tehokas toteutus. This thesis is a survey of Markov chains and Hidden Markov in algorithmic composing. The former have been used in algorithmic composing since the 1950s and the latter are derived from Markov chains. Markov chains and hidden Markov models are primarily used in imitation of musical styles. Pieces generated with the said methods lack musical structure, especially in the long-term. Markov chains' advantage was their simple and efficient implementation.
Asiasanat
Metadata
Näytä kaikki kuvailutiedotKokoelmat
- Kandidaatintutkielmat [5247]
Samankaltainen aineisto
Näytetään aineistoja, joilla on samankaltainen nimeke tai asiasanat.
-
Markov chain backward stochastic differential equations in modeling insurance policy
Hänninen, Henri (2022)Tässä tutkielmassa tarkastelemme henkivakuutuksen varantoa. Mallinnamme henkivakuutusta Markovin prosessin avulla, ja varannon määrittelyyn ja mallintamiseen käytämme Markovin ketju BSDE:itä (Markovin ketju takaperoinen ... -
Markovin ketju Monte Carlo -simulointi ja Peskunin järjestys
Parkkinen, Santeri (2019)Tämän tutkielman tavoitteena on esitellä Markovin ketju Monte Carlo -simulointi äärellisessä tila-avaruudessa ja käsitellä simulointialgoritmien vertailuun liittyvää ongelmaa. Markovin ketju Monte Carlo -simuloinnissa ... -
Statistical analysis of life sequence data
Helske, Satu (University of Jyväskylä, 2016) -
Coupled conditional backward sampling particle filter
Lee, Anthony; Singh, Sumeetpal S.; Vihola, Matti (Institute of Mathematical Statistics, 2020)The conditional particle filter (CPF) is a promising algorithm for general hidden Markov model smoothing. Empirical evidence suggests that the variant of CPF with backward sampling (CBPF) performs well even with long time ... -
Bayesian semiparametric long memory models for discretized event data
Chakraborty, Antik; Ovaskainen, Otso; Dunson, David B. (Institute of Mathematical Statistics, 2022)We introduce a new class of semiparametric latent variable models for long memory discretized event data. The proposed methodology is motivated by a study of bird vocalizations in the Amazon rain forest; the timings of ...
Ellei toisin mainittu, julkisesti saatavilla olevia JYX-metatietoja (poislukien tiivistelmät) saa vapaasti uudelleenkäyttää CC0-lisenssillä.