‫تشخیص خودکار دستگاه و گام موسیقی سنتی ایرانی مبتنی بر تکنوازی سازهای تار و‬

‫سنتور به وسیله استخراج نت هوشمند‬

‫دیرند‪3‬‬ ‫صابر عبداله زادگان‪ ،1‬شهرام جعفری‪ ، 2‬مرتضی‬

‫‪1‬دانشکده مهندسی برق و کامپیوتر دانشگاه شیراز‬

‫‪saber.abdollahzade@gmail.com‬‬

‫‪2‬دانشکده مهندسی برق و کامپیوتر دانشگاه شیراز‬

‫‪jafaris@shirazu.ac.ir‬‬

‫‪3‬موسسه فرهنگی و هنری طنین ارومیه‬

‫‪m.sepher@yahoo.com‬‬

‫چکیده‬

‫تشخیص دستگاه قطعات موسیقی سنتی ایرانی همواره برای عالقه مندان موسیقی دستگاهی و ردیف شده ی ایرانی موضوعی بسیار پیچیده و جالب بوده که به‬
‫دلیل کاربردهای فراوان آن در زمینه هایی مانند آموزش و آهنگ سازی از اهمیت بسیار باالیی برخوردار است‪ .‬این کار به واسطه صرف شنیدن یک قطعه موسیقی‬
‫کار بسیار دشواری است و فقط اساتید متبحر موسیقی و یا کسانی که سالها به این سبک موسیقی گوش داده و ساختار تمامی دستگاهها را شناخت ه اند می توانند از‬
‫عهده این کار برآیند‪ .‬همچنین برای دستیابی به این هدف فقط مطالعه ساختار و تئوری موسیقی کافی ن یست‪ .‬در این مقاله روشی خودکار و کارآمد ارائه شده است‬
‫که در آن بر پایه استخراج نت های نواخته شده و فواصل فرکانسی آنها در قطعات تکنوازی می توان دستگاه و گام یک قطعه موسیقی را مشخص کرد‪ .‬در این‬
‫پژوهش‪ ،‬از دستگاه ها و گام های موسیقی متفاوت و سازهای تار و سنتور ا ستفاده شده است و به هیج سبک نوازندگی خاص محدود نشده است‪ .‬که در پایان با‬
‫دقت ‪ % 33‬دستگاه و گام قطعات تکنوازی نواخته شده استخراج گشته است‪.‬‬

‫کلمات کلیدی‬
‫تشخیص دستگاه موسیقی‪ ،‬گام‪ ،‬استخراج نت‪ ،‬تشخیص الگو‪ ،‬فواصل فرکانسی‬

‫پاپ‪ ،‬کالسیک و ‪ ...‬از یکدیگر جدا کنند‪ ،‬همچنین استفاده از سرعت و ریتم نیز‬
‫می تواند بسیار موثر باشد[‪ .]3‬در برخی از تحقیق ها نظیر [‪ ]4‬از روش های‬
‫یادگیر مانند ‪ Support Vector Machine‬استفاده شده است که در این میان‬
‫از ویژگی هایی نظیر طیف ضرب‪ ،‬نرخ عبور از صفر‪ ،‬ضرایب فرکانسی مل بهره‬
‫گرقته شده است‪ .‬در عین حال برخی از تحقیق ها از ترکیب چندین روش استفاده‬
‫کرده اند [‪ ]5‬و [‪ .]7‬اما موسیقی ایرانی به دلیل دارا بودن گام های مختلف و اجرا‬
‫با سرعت های متفاوت در هر دستگاه موسیقی باعث شده تا نتوان از چنین‬
‫ویزگی هایی بهره برد‪ .‬از جمله فعالیت های انجام شده در زمینه موسیقی‬
‫دستگاهی ایرانی میتوان به دسته بندی خودکار گام ماهور اشاره کرد[‪ ]1‬که در‬
‫آن با استفاده از ویژگی بسامد قوی ترین هماهنگ های موجود در بیناب یک‬
‫‪ -1‬مقدمه‬
‫امروزه تشخیص و جداسازی قطعات موسیقی بر اساس سبک‪ ،‬محتوا و‬
‫نوع آن به دلیل کاربردهای فراوان به یکی از موضوعات مهم در این زمینه تبدیل‬
‫شده است که باعث شده تحقیقات فراوانی در این شاخه انجام گیرد‪ .‬موسیقی‬
‫سنتی و دستگاهی ایرانی به دلیل پیچیدگی و قواعد خاصی که دارد باعث شده‬
‫تا تحقیق چندانی در این زمینه انجام نگیرد اما موسیقی غربی به دلیل ساختار‬
‫نسبتا ساده تر خود موجب شده تا محقیقن با استفاده از ویژگی هایی نظیر تعداد‬
‫کلمات ادا شده در هر دقیقه‪ ،‬تعداد کلمات در هر سطر‪ ،‬نشانه هایی مانند‬
‫ویرگول‪ ،‬نقطه و‪ ...‬به راحتی بتوانند قطعات موسیقی را بر اساس نوع آن مانند‬

‫‪918‬‬
 ‫دستگاه سه گاه‬ ‫‪‬‬ ‫قطعه موسیقی و به وسیله یک شبکه عصبی مصنوعی‪ ،‬قطعاتی که در دستگاه‬
‫‪ ‬دستگاه ماهور (راست پنج گاه)‬ ‫ماهور هستند از سایر دستگاه ها شناسایی شده اند‪ .‬در این مقاله با استفاده از یک‬
‫اما اگر بخواهیم تعریفی از دسییتگاه در علم مهندسییی ارائه دهیم باید آن را از‬ ‫شبکه عصبی ‪ ،RBF‬سامانه ای طراحی شده است که یک سیگنال صوتی را‬
‫نظر فواصیل فرکانسی بیان کنیم‪ :‬در یک قطعه موسیقی از تمام نت ها و پرده‬ ‫دریافت می کند و در خروجی اعالم می کند که آیا دستگاه قطعه ی ورودی‬
‫های موجود در سییاز اسییتفاده نمی شییود‪ ،‬بلکه تنها نت هایی با فرکانس معین‬ ‫ماهور است یا غیر ماهور‪ .‬از مواردی که می توان در این تحقیق به آن اشاره‬
‫نواخته می شود‪.‬‬ ‫کرد‪ ،‬عدم شناسایی سایر دستگاه های موجود در موسیقی ایرانی و عدم استفاده‬
‫بنا بر مطالب گفته شیییده می توان دریافت که در قطعات موسییییقیایی‬ ‫از برخی تکنیک های نوازندگی نظیر ویبراسیون‪ ،‬تریل و گلیساندو اشاره کرد که‬
‫نواخته شییده خواص و ویزگی هایی پنهان اسییت که می توان بر اسییاس آنها‬ ‫این تکنینک ها جهت زیبا تر کردن قطعات استفاده می شود و این امر در‬
‫الگویی را برای هر کدام از دسیتگاه ها مشیخص کرد‪ .‬جهت روشین تر شیدن‬ ‫نوازندگی بسیار متداول می باشد‪ .‬همچنین در این فعالیت فقط از ساز سه تار‬
‫موضیییوع به تعریف گام نیز توجه می کنیم‪ :‬گام توالی چند نت اسیییت که به‬ ‫برای جمع آوری مجموعه داده استفاده شده است‪ .‬در این مقاله در کل یک‬
‫ترتیب ارتفاع (زیر و بمی) مرتب شیییده اند‪ ،‬که این گام می تواند باال رونده یا‬ ‫ماتریس ورودی با ابعاد ‪( 22×135‬زیرا ‪ 22‬قله غالب در طیف فرکانسی قطعه ها‬
‫پایین رونده باشییید‪ .‬برای مثال گام "ال" از نت "ال" شیییروع شیییده و پس از‬ ‫انتخاب شده بود و تعداد داده های آموزشی برابر ‪ 135‬بردار بود) را جهت آموزش‬
‫پیمودن فیاصیییلیه هیایی مشیییخص (یک اکتاو کامل) به نت "ال"ی بعدی‬ ‫شبکه تولید کردند‪.‬از این تعداد ورودی‪ 02 ،‬عدد از دستگاه ماهور و بقیه از پنج‬
‫میرسید(ال‪-‬سیی‪-‬دو‪-‬ر‪-‬می‪-‬فا‪-‬سیل‪-‬ال)‪ .‬به طور کلی فاصله یک اکتاو برابر‬ ‫دستگاه دیگر بودند‪.‬خروجی شبکه نیز دو حالت داشت‪ :‬ماهور و غیر ماهور‪ ،‬که‬
‫است با ‪1222‬سنت (‪ )cent‬همچنین فاصله بین دو نت متوالی (یک پرده) برابر‬ ‫متناظر با صفر و یک در بردار خروجی بود‪ .‬در نهایت پس از آموزش شبکه با‬
‫با ‪ 222‬سیینت می باشیید اما در حالت اسییتثنا فاصییله بین نت های (می‪ -‬فا) و‬ ‫‪ % 72‬داده های پیش پردازش شده‪ ،‬با تعداد ‪ 60‬نرون الیه میانی دقت شبکه در‬
‫(سیی‪ -‬دو) برابر ‪ 122‬سینت می باشند‪ .‬همچنین گام ماوور که در جوامع بین‬ ‫تشخیص دستگاه ماهور ‪ % 73/33‬بود[‪.]1‬‬
‫المللی مشترک است به صورت شکل زیر است‪:‬‬ ‫در یکی دیگر از پژوهش ها [‪ ]2‬نیز با استفاده از گام های موجود در‬
‫قطعات و استخراج گام های هر یک از دستگاه ها توانسته اند با دقت باالیی‬
‫دستگاه قطعاتی را که گام ها و نت های آن از قبل مشخص است‪ ،‬شناسایی‬
‫کنند‪ ،‬که سیستم استفاده شده در این مورد نیز یک شبکه عصبی می باشد‪ .‬اما‬
‫شکل (‪ : )1‬گام ماوور‬ ‫این روش نمی تواند روشی خودکار برای این هدف باشد‪ ،‬زیرا نیازمند یک ناظر‬
‫جهت استخراج فواصل موجود در هر قطعه موسیقی می باشد‪.‬‬
‫در حالت کلی دستگاه ماهور از گام ماوور تبعیت می کند‪ ،‬به عبارتی شکل فوق‬ ‫در مقاله پیش رو از روشیی متفاوت و کارآم دتر نسییبت به سییایر روشها‬
‫نمایانگر گام "دو" در دسییتگاه ماهور اسییت‪ .‬به همین ترتیب برای نمونه گام‬ ‫اسییتفاده شییده اسییت که در ادامه‪ :‬در بخش ‪ 2‬تعریفی از سییاختار موسیییقی‬
‫سیل در دسیتگاه ماهور با توجه به فواصل مشخص شده به صورت زیر خواهد‬ ‫دستگاهی ایرانی از نگاه علم مهندسی ارائه شده است‪ ،‬در بخش ‪ 3‬مراحل مدل‬
‫بود‪ :‬سیل‪ -‬ال ‪ -‬سیی‪ -‬دو ‪ -‬ر – می – فا(‪ -)#‬سیل‪ .‬همان طور که مشاهده‬ ‫پیشینهادی شر داده شده و همچنین روشی جدید برای استخراج نت معرفی‬
‫می شود در گام سل دستگاه ماهور در درجه هفتم گام نت فا به فای دیز تغییر‬ ‫شده است‪ ،‬در بخش ‪ 4‬نیز نتایج و ارزیابی مدل ارائه شده آورده شده است و در‬
‫می کند‪ .‬طبق قوانین موجود در موسیقی تعدادی عالمتهای عرضی وجود دارند‬ ‫بخش ‪ 5‬جمع بندی و نتیجه گیری به عمل آمده است‪.‬‬
‫که صییدای نت های اصییلی را باال و پایین می آورند‪ ،‬این عالمتهای عرضییی‬
‫شیامل بمملل(‪ ،)ъ‬کلرلن(< )‪ ،‬دیمز(‪ )#‬و لسیری(<) که هر کدام به ترتیب صدای‬ ‫‪ -2‬ساختار موسیقی دستگاهی ایرانی‬
‫نت اصییلی را نیم پرده پایین‪ ،‬ربع پرده پایین‪ ،‬نیم پرده باال و ربع پرده باال می‬ ‫دستگاه در موسیقی ایرانی عبارت است از یک توالی از پرده های مختلف‬
‫برند‪ .‬به همین ترتیب پس از بررسیی ساختار تمام دستگاهها فواصل موجود در‬ ‫موسیقی که انتخاب این توالی حس و شور خاصی به شنونده انتقال می دهد‪.‬‬
‫این دستگاهها در جدول زیر نشان داده شده است‪:‬‬ ‫برای مثال دستگاه سه گاه تم حزین دارد ولی دستگاه ماهور بیشتر طرب انگیز‬
‫جدول (‪ : )1‬فواصل مربوط به هر دستگاه‬ ‫می باشد‪ .‬یک دستگاه موسیقی از نظر قالب‪ ،‬قطعه ای کامل و دارای قواعد و‬
‫فواصل (سنت)‬ ‫دستگاه‬ ‫قسمتهای مختلفی است که با ساز و آواز اجرا می شود‪ .‬هر دستگاه از تعداد بسیار‬
‫‪222‬‬ ‫‪222‬‬ ‫‪122‬‬ ‫‪222‬‬ ‫‪222‬‬ ‫‪152‬‬ ‫‪152‬‬ ‫شور‬
‫زیادی گوشه تشکیل شده است و موسیقی سنتی ایرانی شامل هفت دستگاه‬
‫‪222‬‬ ‫‪222‬‬ ‫‪122‬‬ ‫‪222‬‬ ‫‪122‬‬ ‫‪252‬‬ ‫‪152‬‬ ‫همایون‬
‫(شور‪ ،‬همایون‪ ،‬ماهور‪ ،‬چهارگاه‪ ،‬سه گاه‪ ،‬نوا و راست پنج گاه) می باشد‪ ،‬که طبق‬
‫‪122‬‬ ‫‪252‬‬ ‫‪152‬‬ ‫‪222‬‬ ‫‪122‬‬ ‫‪252‬‬ ‫‪152‬‬ ‫چهارگاه‬
‫‪152‬‬ ‫‪222‬‬ ‫‪222‬‬ ‫‪152‬‬ ‫‪152‬‬ ‫‪222‬‬ ‫‪152‬‬ ‫سه گاه‬ ‫نظریه کلنل علینقی وزیری رفتار و حاالت دستگاه راست پنج گاه مانند ماهور و‬
‫‪122‬‬ ‫‪222‬‬ ‫‪222‬‬ ‫‪222‬‬ ‫‪122‬‬ ‫‪222‬‬ ‫‪222‬‬ ‫ماهور‬ ‫دستگاه نوا نیز همانند شور می باشد[‪ .]6‬لذا تقسیم بندی نهایی در این پژوهش‬
‫به صورت زیر است‪:‬‬
‫حال با در نظر گرفتن این فواصل برای هر دستگاه موسیقی می توان هر گامی‬ ‫‪ ‬دستگاه شور(نوا)‬
‫را (نت شاهد) برای آنها مشخص کرد که جدول شماره ‪ 2‬نیز دستگاهها و‬ ‫دستگاه همایون‬ ‫‪‬‬
‫گامهای موجود در آنها را نشان می دهد که در موسیقی سنتی ایرانی متداول‬ ‫دستگاه چهارگاه‬ ‫‪‬‬
‫بوده و مورد استفاده قرار می گیرد‪ .‬طبق برخی حاالت استثنا درجه ششم دستگاه‬

‫‪919‬‬
‫این منظور ابتیدا تمامی نت های موجود بر روی دسیییته ی تار ایرانی از "دو"‬ ‫شور و همایون متغیر می باشد‪.‬به عبارتی در این تحقیق با یک مسئله ‪ 12‬کالسه‬
‫دسیت باز روی سییم اول تا "دو" پایین دسیته توسط نوازنده ای نواخته شد و‬ ‫روبرو خواهیم بود و مجموعه داده ی جمع آوری شده نیز در چهارچوب این ده‬
‫سیپس در یک فایل صیوتی یخیره گردید‪ .‬شکل ‪ 2‬سیگنال مربوط یه این‬ ‫حالت ضبط گردیده و مورد آزمایش قرار گرفته است‪.‬‬
‫فایل صیوتی را نشان می دهد‪ .‬همانگونه که مالحظه می شود فاز حمله و فاز‬
‫آزاد سیازی هر نت نواخته شیده به خوبی دیده می شییود(قسییمت اول شکل)‪.‬‬ ‫‪ -3‬مدل پیشنهادی‬
‫همچنین در قسییمت دوم شییکل که شییار طیفی مربوط به همان سیییگنال‬ ‫بنابر مطالب گفته شییده در زمینه تشییخیص دسییتگاههای موسیییقی نت‬
‫می باشد‪ ،‬محل ضربه خوردن مضراب بر روی سیم به وضو مشخص است‪.‬‬ ‫های نواخته شیده توسیط ساز نقش کلیدی را ایفا می کنند‪ ،‬چنانچه بتوان نت‬
‫های استفاده شده را در قطعات موسیقی با دقت قابل قبولی استخراج کرد می‬
‫توان به وسیله آنها فواصل موجود بین این نت ها را مشخص کرده و در نهایت‬
‫به دلیل منحصر به فرد بودن الگوها به دستگاه یک قطعه موسیقی پی برد‪ .‬به‬
‫همین منظور بیا توجیه بیه سیییاختیار تکنوازی قطعات‪ ،‬روش موثرتری جهت‬
‫استخراج نت معرفی شده است‪ .‬لذا تمرکز این روش بر روی تشخیص هوشمند‬
‫نیت خواهید بود که این روش هوشیییمند محدود به سیییرعت و تکنیک های‬
‫نوازندگی که موجب دلنشیین تر کردن قطعه می شوند نخواهد بود‪ .‬به عبارتی‬
‫هرچه نت های موجود در یک قطعه تکنوازی نواخته شیییده با دقت بیشیییتری‬
‫شکل(‪ : )2‬سیگنال مربوط به تمامی پرده های گام‬
‫استخراج شود دستگاه و گام آن قطعه نیز به درستی تعیین خواهد شد‪ .‬در حالت‬
‫جهت دسییتیابی به نقاطی که نت ها نواخته شییده اند و پس از آن محاسییبه‬
‫کلی روش ارائه شیده در این مقاله از دو مرحله تشییکیل شده است که مرحله‬
‫فرکانس مربوط به این نقاط در شیکل ‪ 3‬الیه بیرونی این سیگنال نمایش داده‬
‫اول تشخیص نت و مرحله دوم تعیین ساختار و دستگاه‪.‬‬
‫شده است که پیک های مشخص شده بر روی شکل زمان اجرای نت را بر‬
‫جدول (‪ : )2‬گام های متداول در دستگاههای موسیقی ایرانی‬
‫حسیب شدت انروی نشان می دهد‪ .‬پس از این مرحله حول این پیک های به‬
‫نت‬ ‫الگو‬
‫دسیت آمده پنجره هایی را بر روی سییگنال اصلی اعمال می کنیم‪ .‬به عبارت‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سل‬ ‫فا‬ ‫می‬ ‫ر‬ ‫دو‬ ‫ماهور‬
‫دیگر سییگنال ورودی با اسیتفاده از نقاط به دسییت آمده فریم بندی می شود‬ ‫دو‬
‫(شکل ‪ )4‬تا محاسبات مربوط به یافتن فرکانس فریم به فریم انجام شود تا در‬ ‫سل‬ ‫فا دیز‬ ‫می‬ ‫ر‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سل‬ ‫ماهور‬
‫نهایت با دقت بیشتری نت های موجود در یک قطعه تکنوازی استخراج شوند‪.‬‬ ‫سل‬
‫سل‬ ‫فا‬ ‫می‬ ‫ر‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سل‬ ‫شور‬
‫در این مقییالییه برای محییاسیییبییه فرکییانس غییالییب هر فریم از تییابع خود‬
‫بمل‬ ‫بمل‬ ‫کرن‬ ‫سل‬
‫همبسیتگی(‪ )Autocorrelation‬اسیتفاده شده است‪ ،‬که به وسیله رابطه زیر‬ ‫ر‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سل‬ ‫فا‬ ‫می‬ ‫ر‬ ‫شور ر‬
‫بدست می آید‪:‬‬ ‫بمل‬ ‫کرن‬
‫}) 𝑠𝜇‪𝐸{(𝑋𝑡 −𝜇𝑡 )(𝑋𝑠 −‬‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سل‬ ‫فا‬ ‫می‬ ‫ر‬ ‫دو‬ ‫چهارگاه‬
‫= )‪R(s, t‬‬ ‫)‪(1‬‬
‫𝑠𝜎 𝑡𝜎‬ ‫کرن‬ ‫کرن‬ ‫دو‬
‫که در آن ‪t‬و ‪ ، s‬دو زمان متفاوت و ‪ X‬نیز یک فرآیند تکرار پذیر (سیییگنال‬ ‫سل‬ ‫فا دیز‬ ‫می‬ ‫ر‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سل‬ ‫چهارگاه‬
‫ورودی) می باشند‪ .‬از این تابع برای شناسایی یک فرکانس گم شده در سیگنال‬ ‫کرن‬ ‫کرن‬ ‫سل‬
‫نیز اسیتفاده می شیود‪ .‬این عمل را بر روی تمامی فریم های به دست آمده از‬ ‫ال‬ ‫سل‬ ‫فا‬ ‫می‬ ‫ر‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سه گاه‬
‫قسمت قبل اعمال می کنیم تا در نهایت از روی فرکانس به دست آمده بتوان‬ ‫کرن‬ ‫بمل‬ ‫کرن‬ ‫بمل‬ ‫کرن‬ ‫ال کرن‬
‫می‬ ‫ر‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سل‬ ‫فا‬ ‫می‬ ‫سه گاه‬
‫نت های نواخته شده را استخراج کرد‪ ،‬چرا که هر نت موسیقی فرکانس خاص‬
‫کرن‬ ‫بمل‬ ‫کرن‬ ‫کرن‬ ‫می‬
‫خود را دارا می باشد‪.‬‬ ‫کرن‬
‫‪Envelope‬‬ ‫سل‬ ‫فا‬ ‫می‬ ‫ر‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سل‬ ‫همایون‬
‫بمل‬ ‫کرن‬ ‫سل‬
‫ر‬ ‫دو‬ ‫سی‬ ‫ال‬ ‫سل‬ ‫فا دیز‬ ‫می‬ ‫ر‬ ‫همایون‬
‫بمل‬ ‫کرن‬ ‫ر‬
‫‪Amplitutde‬‬

‫‪ -1-3‬استخراج نت‬
‫تشخیص نت های نواخته شده در یک قطعه موسیقی مهمترین و اصلی‬
‫ترین قدم می باشیید که با توجه به تکنوازی بودن قطعات می توان محاسییبات‬
‫)‪Time(s‬‬
‫مربوط به حوزه فرکانس را بر روی نت های نواخته شییده در سیییگنال ورودی‪،‬‬
‫شکل (‪ : )3‬محل نت های نواخته شده بر روی سیگنال‬ ‫انجام داد‪ .‬بدین ترتیب می توان به صیییورت تقریبی فرکانس هایی را از روی‬
‫سییگنال ورودی به دسیت آورد که معرف نت های نواخته شده خواهد بود‪ .‬به‬

‫‪920‬‬
 ‫‪ -4‬نتایج و ارزیابی سیستم‬
‫به منظور تسیت سییسیتم ‪ 42‬قطعه توسط ساز تار در دستگاه ها و گام‬
‫های متفاوتی (مطابق جدول شماره ‪ )2‬ضبط گردید‪ .‬قطعات در فرمت ‪ mp3‬و‬
‫نرخ نمونییه برداری ‪ 44/1‬کیلو هرتز برای پردازش در نرم افزار متلییب آمییاده‬
‫گردید‪ .‬همچنین چهار قطعه نیز به وسییله سیاز سنتور به مجموعه داده اضافه‬
‫گردیید‪ .‬در این مجموعه (در کل ‪ 40‬قطعه) قطعاتی شیییامل تصییینیف‪ ،‬رمنگ‪،‬‬
‫چهارمضیراب‪ ،‬بداهه نوازی و ‪ ...‬توسط اساتید موسیقی نواخته و ضبط شد‪ ،‬که‬
‫در این مجموعه نوازندگان قطعات موسییقی را به صورت کامل و با استفاده از‬
‫شکل(‪ : )4‬فریم بندی سیگنال‬
‫تکنییک های نوازندگی اجرا کردند‪ .‬جدول شیییماره ‪ 4‬جزئیات داده های جمع‬
‫در تئوری موسییقی مبنای کوک سیاز نت "ال" می باشید که فرکانسی‬
‫آوری شده را نشان می دهد‪.‬‬
‫معادل ‪ 442‬هرتز دارد‪ ،‬و همچمین در سیاز هایی نظیر تار و سیه تار دو دست‬
‫از میان این قطعات‪ ،‬دسیتگاه و گام فقط سییه قطعه به اشتباه تشخیص‬
‫باز سییم اول فرکانسی برابر با ‪ 204‬هرتز خواهد داشت‪ .‬جدول شماره ‪ 3‬نتیجه‬
‫داده شید که این سه قطعه در دستگاه های سه گاه و همایون بودند‪ .‬همانطور‬
‫محاسیبات مربوطه را نشان می دهد و همانگونه که مالحظه می شود با دقت‬
‫که در جدول شماره ‪ 2‬مشاهده می شود‪ ،‬دستگاه سه گاه بیشترین تغییرات نت‬
‫بسیییییار بیاالیی فرکانس مربوط به نت های "دو" و "ال" و تمامی نت ها به‬
‫را دارد و همین امر می تواند دلیل خطاهای رخ داده باشیید‪ .‬به عبارتی عملکرد‬
‫دسیت آمد‪ .‬اما هنگام نواخته شیدن قطعات موسییقی‪ ،‬نت ها با سرعت باالیی‬
‫روش پیشنهادی بر روی مجموعه ضبط شده دقتی معادل ‪ % 33‬دارد‪.‬‬
‫اجرا می شوند و ممکن است گاهی چندین نت با یکدیگر ترکیب شوند‪ .‬بر این‬
‫اساس پیش بینی می شود هنگام انجام این محاسبات بر روی یک قطعه کامل‬
‫جدول(‪ : )4‬دستگاه و تعداد قطعات ضبط شده‬
‫موسییقی‪ ،‬نت ها به صورت کامل و منطبق با آنچه که نواخته می شود نباشد‪.‬‬
‫تعداد‬ ‫دستگاه‬
‫اما از آنجا که تعداد نت های اجرا شده در یک قطعه موسیقی کامل بسیار زیاد‬
‫‪ 6‬قطعه‬ ‫ماهور دو‬
‫‪ 2‬قطعه‬ ‫ماهور سل‬
‫می باشد لذا چنین خطاهایی نمی تواند مانعی در روند تشخیص دستگاه باشد‪.‬‬
‫‪ 7‬قطعه‬ ‫شور سل‬ ‫جدول (‪ : )3‬فرکانس نت های بدست آمده‬
‫‪ 5‬قطعه‬ ‫شور ر‬ ‫فرکانس(هرتز)‬ ‫نت‬ ‫فرکانس(هرتز)‬ ‫نت‬
‫‪361.610‬‬ ‫سل کرن‬ ‫‪204.233‬‬ ‫دو‬
‫‪ 3‬قطعه‬ ‫چهارگاه دو‬
‫‪335.713‬‬ ‫سل‬ ‫‪260.371‬‬ ‫ر کرن‬
‫‪ 3‬قطعه‬ ‫چهارگاه سل‬
‫‪415.162‬‬ ‫ال بمل‬ ‫‪233.157‬‬ ‫ر‬
‫‪ 4‬قطعه‬ ‫سه گاه ال کرن‬
‫‪420.073‬‬ ‫ال کرن‬ ‫‪323.342‬‬ ‫می بمل‬
‫‪ 3‬قطعه‬ ‫سه گاه می کرن‬
‫‪444.324‬‬ ‫ال‬ ‫‪321.467‬‬ ‫می کرن‬
‫‪ 4‬قطعه‬ ‫همایون سل‬ ‫‪401.757‬‬ ‫سی بمل‬ ‫‪334.503‬‬ ‫می‬
‫‪ 1‬قطعه‬ ‫همایون ر‬ ‫‪473.516‬‬ ‫سی کرن‬ ‫‪343.542‬‬ ‫فا‬
‫‪433.450‬‬ ‫سی‬ ‫‪302.232‬‬ ‫فا سری‬
‫‪ -5‬نتیجه گیری‬ ‫‪527.006‬‬ ‫دو‬ ‫‪372.235‬‬ ‫فا دیز‬

‫در این مقاله روشییی ارائه شیید که در مقایسییه با فعالیت های مشییابه‪ ،‬از‬
‫‪ -2-3‬تشخیص دستگاه و گام‬
‫سیازهای مختلفی برای آزمایش اسیتفاده شد‪ .‬همچنین در مجموعه داده جمع‬
‫در این مرحله محاسبات بیان شده را بر روی سیگنال تمام قطعه اعمال‬
‫آوری شده‪ ،‬نوازندگان قطعات موسبقی‪ ،‬از تکنیک های نوازندگی جهت دلنشین‬
‫می کنیم تا نت های اسیتفاده شیده در آن بدست آید‪ .‬سپس به وسیله این نت‬
‫تر کردن قطعات موسییقی بهره جستند‪ .‬که در نهایت با دقت بسیار باالیی هم‬
‫ها یک گام کامل را تشیکیل می دهیم‪ .‬حال با استفاده از جدول شماره ‪ 2‬می‬
‫دستگاه و هم گام قطعه تکنوازی نواخته شده مشخص گردید‪.‬‬
‫توان دسیتگاه و گام آن قطعه موسییقی را مشخص کرد‪ .‬به عنوان مثال نتیجه‬
‫فعالیت هایی که در ادامه می توان انجام داد عبارتسییت از یافتن نقاط ایسییت‬
‫محاسیبات بر روی تصینیف هزار دسیتان به این صیورت می باشد‪ :‬ال(کرن)‪-‬‬
‫موجود در قطعات نواخته شیده‪ ،‬که با استفاده از این نقاط ایست می توان تمام‬ ‫سی‪ -‬دو‪ -‬ر(کرن)‪-‬می – فا‪ -‬سل‪ .‬که با توجه به جدول ‪ 2‬می توان تشخیص‬
‫هفت دستگاه و آوازهای موجود در موسیقی ایرانی را شناسایی کرد‪.‬‬ ‫داد که این تصنیف در دستگاه چهارگاه و گام "دو" قرار دارد‪.‬‬

‫‪921‬‬
 ‫مراجع‬
‫ "دسته بندی خودکار گام ماهور موسیقی ایرانی‬،‫بنوشی‬.‫محمودان و ا‬.‫س‬ ]1 [
‫ دومین کنفرانس بین المللی‬،"‫توسط یک شبکه عصبی مصنوعی‬
.1931 ،‫ارتعاشات دانشگاه صنعتی شریف‬ ‫آکوستیک و‬
[2] H.Hajimolahoseini, R.Amirfattahi and M.Zekri, “Real time
Classification of Persian Musical Dastgah Using Artificial
Neural Network ” Artificial Intelligence and Signal
Processing (AISP),16th CSI International
Symposium,2012.
[3] R.Mayer, R.Neumayer and A.Rauber,”Combination of
Audio and Lyrics Features fore Genre Classification in
Digital Audio Collections” Proceedings of the 16th ACM
international Conference on multimedia,Pages 159-
168,2008.
[4] C.Xu, N. C. Maddage, X.Shao,F. Cao and Q. Tian, “Musical
Genre Classification Using Support Vector Machines”
Acoustics Speech and signal Processing, IEEE
Conference,20003.
[5] D. Chathuranga and L. Jayaratne,”Musical Genre
Classification Using Ensemble of Classifiers” Fourth
International Conference on Computational Intelligence
Modelling and Simulation,2012.
[6] Y. Anan, K. Hatano, H. Bannai and M. Takeda,”Music
Genre Classification Using Similarity Functions” 12th
International Society for Music Information Retrival
Conference,ISMIR 2011.
[7] R. Mayer, R.Neumayer and A.Rauber,”Rhyme and Style
Features For Musical Genre Classification By Song
Lyrics”ISMIR,2008.
[8] A.N. Vaziri, Dasture Tar , Tehran,1913.
[9] H. Farhat, The Dastgah Conception in Persian Music,
Cambridge University Press,1990.
[10] R. Gang, G.Bocko, J. Lundberg, S. Roessner,D. Headlam
and M.F. Bocko,”A Real Time Signal Processing
Framework Of Musical Expressive Feature Extraction
Using Matlab” 12th International Society For Music
Information Retrieval Conference,2011.
[11] F. Eyban, S. Bock, B. Schuller and A. Graves,”Universal
Onset Detection With Bidirectional Long Short-Term
Memory Neural Networks ” 11th International Society for
Music Information Retrieval Conference,2010.
[12] S. Bock, A. Arzt, F.Krebs and M. Schedl,”Online Real Time
Onset Detection With Recurrent Neural Networks” 15th Int
Conference on Digital Audio Effects , 2012.

922