Modelagem de Efeitos de Distorção em Sinais de Guitarra Elétrica com Uso de Redes Perceptron Multicamadas
Resumo
Este trabalho investiga a modelagem dos efeitos de distorção de sinais de guitarra elétrica com redes perceptron multicamadas, traduzida do inglês multilayer perceptron (MLP). É demonstrado que a MLP treinada pode reproduzir efetivamente esses efeitos, validando isso com métricas como erro quadrático médio (EQM) e Kolmogorov-Smirnov (KS). Esta abordagem tem aplicações potenciais na indústria musical e na produção de áudio e representa um avanço na simulação de efeitos sonoros complexos.
Referências
Bishop, C. M. and Nasrabadi, N. M. (2006). Pattern recognition and machine learning, volume 4. Springer.
Devices, A. (2023). LTspice. [link]. Acesso em 7 de outubro de 2023.
Engel, J., Resnick, C., Roberts, A., Dieleman, S., Norouzi, M., Eck, D., and Simonyan, K. (2017). Neural audio synthesis of musical notes with wavenet autoencoders. In International Conference on Machine Learning, pages 1068–1077. PMLR.
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A. d., and Carvalho, A. C. P. d. L. F. d. (2021). Inteligência artificial: uma abordagem de aprendizado de máquina.
Jones, C. (2018). Music and culture professor c. armstrong 19 december 2018.
Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Purwins, H., Li, B., Virtanen, T., Schluter, J., Chang, S.-Y., and Sainath, T. (2019). Deep learning for audio signal processing. IEEE Journal of Selected Topics in Signal Processing, 13(2):206–219.
Reiss, J. D. and McPherson, A. (2014). Audio effects: theory, implementation and application. CRC Press.
Stephens, M. A. (1974). Edf statistics for goodness of fit and some comparisons. Journal of the American statistical Association, 69(347):730–737.
Zhang, A., Lipton, Z. C., Li, M., and Smola, A. J. (2023). Dive into Deep Learning. Cambridge University Press. https://D2L.ai
Devices, A. (2023). LTspice. [link]. Acesso em 7 de outubro de 2023.
Engel, J., Resnick, C., Roberts, A., Dieleman, S., Norouzi, M., Eck, D., and Simonyan, K. (2017). Neural audio synthesis of musical notes with wavenet autoencoders. In International Conference on Machine Learning, pages 1068–1077. PMLR.
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A. d., and Carvalho, A. C. P. d. L. F. d. (2021). Inteligência artificial: uma abordagem de aprendizado de máquina.
Jones, C. (2018). Music and culture professor c. armstrong 19 december 2018.
Kingma, D. P. and Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
Purwins, H., Li, B., Virtanen, T., Schluter, J., Chang, S.-Y., and Sainath, T. (2019). Deep learning for audio signal processing. IEEE Journal of Selected Topics in Signal Processing, 13(2):206–219.
Reiss, J. D. and McPherson, A. (2014). Audio effects: theory, implementation and application. CRC Press.
Stephens, M. A. (1974). Edf statistics for goodness of fit and some comparisons. Journal of the American statistical Association, 69(347):730–737.
Zhang, A., Lipton, Z. C., Li, M., and Smola, A. J. (2023). Dive into Deep Learning. Cambridge University Press. https://D2L.ai
Publicado
07/12/2023
Como Citar
CORREIA, Murilo G.; ALMEIDA, Samuel C. De; CARDOSO, Alisson A..
Modelagem de Efeitos de Distorção em Sinais de Guitarra Elétrica com Uso de Redes Perceptron Multicamadas. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 11. , 2023, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
DOI: https://doi.org/10.5753/erigo.2023.237295.
