Bibliography

(eng): The problem of automatic music description is considered. The recorded music is modeled as a superposition of known sounds from a library weighted by unknown weights. Similar observation models are commonly used in statistics and machine learning. Many methods for estimation of the weights are available. These methods differ in the assumptions imposed on the weights. In Bayesian paradigm, these assumptions are typically expressed in the form of prior probability density function (pdf) on the weights. In this paper, commonly used assumptions about music signal are summarized and complemented by a new assumption. These assumptions are translated into pdfs and combined into a single prior density using combination of pdfs. Validity of the model is tested in simulation using synthetic data.

(cze): Práce se zabývá problémem automatického přepisu hudby. Zvukový záznam je modelován jako superpozice zvuků uložených v předem připravené knihovně. Cílem je odhadnout váhy těchto zvuků v čase. Základní matematický model je dobře známý ze statistické literatury. Různé varianty modelu vznikají přidáním různých předpokladů ja omezení na odhadované váhy. Tyto předpoklady je nutno formalizovat jako hustoty pravděpodobnosti. V článku jsou popsány běžné vlastnosti hudebního signálu a tato znalost je převedena do formy hustot pravděpodobnosti. K tomu jsou použity techniky skládání hustot pravděpodobnosti a minimalizace Kullback-Leiblerovy vzdálenosti.