Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Improving Chairlift Security with Deep Learning Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Discovering Motifs with Variants in Music Databases

verfasst von : Riyadh Benammar, Christine Largeron, Véronique Eglin, Myléne Pardoen

Erschienen in: Advances in Intelligent Data Analysis XVI

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Music score analysis is an ongoing issue for musicologists. Discovering frequent musical motifs with variants is needed in order to make critical study of music scores and investigate compositions styles. We introduce a mining algorithm, called CSMA for Constrained String Mining Algorithm, to meet this need considering symbol-based representation of music scores. This algorithm, through motif length and maximal gap constraints, is able to find identical motifs present in a single string or a set of strings. It is embedded into a complete data mining process aiming at finding variants of musical motif. Experiments, carried out on several datasets, showed that CSMA is efficient as string mining algorithm applied on one string or a set of strings.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Improving Chairlift Security with Deep Learning
Nächstes Kapitel Biclustering Multivariate Time Series
Literatur
1.
Agrawal, R., Srikant, R., et al.: Fast algorithms for mining association rules. In: Proceedings of 20th International Conference on Very Large Data Bases, VLDB, vol. 1215, pp. 487–499 (1994)
2.
Agrawal, R., Srikant, R.: Mining sequential patterns. In: Proceedings of the Eleventh International Conference on Data Engineering, pp. 3–14. IEEE (1995)
3.
Mooney, C.H., Roddick, J.F.: Sequential pattern mining-approaches and algorithms. ACM Comput. Surv. (CSUR) 45(2), 19 (2013)CrossRefMATH
4.
Han, J., Pei, J., Mortazavi-Asl, B., Chen, Q., Dayal, U., Hsu, M.C.: Freespan: frequent pattern-projected sequential pattern mining. In: Proceedings of the sixth ACM SIGKDD, pp. 355–359. ACM (2000)
5.
Han, J., Pei, J., Mortazavi-Asl, B., Pinto, H., Chen, Q., Dayal, U., Hsu, M.: Prefixspan: mining sequential patterns efficiently by prefix-projected pattern growth. In: Proceedings of the 17th ICDE, pp. 215–224 (2001)
6.
Zaki, M.J.: Spade: an efficient algorithm for mining frequent sequences. Mach. Learn. 42(1), 31–60 (2001)CrossRefMATH
7.
Zaki, M.J.: Sequence mining in categorical domains: incorporating constraints. In: Proceedings of the ninth ICIKM, pp. 422–429. ACM (2000)
8.
Pei, J., Han, J., Wang, W.: Constraint-based sequential pattern mining: the pattern-growth methods. J. Intell. Inf. Syst. 28(2), 133–160 (2007)CrossRef
9.
Floratou, A., Tata, S., Patel, J.M.: Efficient and accurate discovery of patterns in sequence data sets. IEEE Trans. Knowl. Data Eng. 23(8), 1154–1168 (2011)CrossRef
10.
Mannila, H., Toivonen, H., Verkamo, A.I.: Discovery of frequent episodes in event sequences. DMKD 1(3), 259–289 (1997)
11.
Fournier-Viger, P., Lin, J.C.W., Kiran, R.U., Koh, Y.S.: A survey of sequential pattern mining. Data Sci. Pattern Recogn. 1(1), 54–77 (2017)
12.
Hsu, J.L., Chen, A.L., Liu, C.C.: Efficient repeating pattern finding in music databases. In: Proceedings of the seventh ICIKM, pp. 281–288. ACM (1998)
13.
Liu, C.C., Hsu, J.L., Chen, A.L.: Efficient theme and non-trivial repeating pattern discovering in music databases. In: Proceedings, 15th International Conference on Data Engineering, pp. 14–21. IEEE (1999)
14.
Fuchs, B.: Co-construction interactive de connaissances, application à l’analyse mélodique. In: IC 2011, 22èmes Journées francophones d’Ingénierie des Connaissances, pp. 705–722 (2012)
15.
Jiménez, A., Molina-Solana, M., Berzal, F., Fajardo, W.: Mining transposed motifs in music. J. Intell. Inf. Syst. 36(1), 99–115 (2011)CrossRef
16.
Fournier-Viger, P., Lin, J.C.-W., Gomariz, A., Gueniche, T., Soltani, A., Deng, Z., Lam, H.T.: The SPMF open-source data mining library version 2. In: Berendt, B., Bringmann, B., Fromont, É., Garriga, G., Miettinen, P., Tatti, N., Tresp, V. (eds.) ECML PKDD 2016. LNCS, vol. 9853, pp. 36–40. Springer, Cham (2016). doi:10.​1007/​978-3-319-46131-1_​8 CrossRef
17.
Fournier-Viger, P., Gomariz, A., Campos, M., Thomas, R.: Fast vertical mining of sequential patterns using co-occurrence information. In: Tseng, V.S., Ho, T.B., Zhou, Z.-H., Chen, A.L.P., Kao, H.-Y. (eds.) PAKDD 2014. LNCS, vol. 8443, pp. 40–52. Springer, Cham (2014). doi:10.​1007/​978-3-319-06608-0_​4 CrossRef
Metadaten
Titel
Discovering Motifs with Variants in Music Databases
verfasst von
Riyadh Benammar
Christine Largeron
Véronique Eglin
Myléne Pardoen
Copyright-Jahr
2017
Buch
Advances in Intelligent Data Analysis XVI

Print ISBN: 978-3-319-68764-3

Electronic ISBN: 978-3-319-68765-0

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-68765-0_2

Premium Partner

    Bildnachweise