메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
김남섭 (서울과학기술대학교) 정재엽 (서울과학기술대학교) 정진우 (서울과학기술대학교)
저널정보
대한인간공학회 대한인간공학회 학술대회논문집 2021 대한인간공학회 추계학술대회 및 국제심포지엄
발행연도
2021.11
수록면
326 - 326 (1page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Objective: 본 연구는 음원 데이터 분류를 위한 딥러닝 모델을 활용해 초급 및 중급 전자 기타 연주자들에게 도움이 될 수 있는 전자 기타 이펙터 자동 분류 시스템을 제안한다. Background: 이펙터는 전자 기타에 연결해 음의 파형에 변화를 주어 소리를 변조시키는 장치이다. 시중에는 다양한 종류의 이펙터가 존재하고 같은 종류의 이펙터라 하더라도 변조의 정도가 다르다는 점 때문에 대부분의 초/중급 연주자에게는 많은 비용과 시간을 들여 이펙터를 구매하고 기능과 조합을 학습해야 한다는 어려움이 존재한다. Method: 이펙터를 Filter, Time, Drive, Modulation 총 4가지 계열로 분류한 뒤, Filter계열은 wah. Time계열은 reverb, delay. Drive계열은 overdrive, distortion, fuzz. Modulation계열은 chorus, phaser, flanger, tremolo로 총 11개의 이펙터를 선정했다. 학습 및 실험에 사용하기 위한 음원 데이터는 Sonar사의 Cakewalk DAW와 TH3 전자 기타 VSTi를 활용해 수집했다. 데이터 세트는 0옥타브 도부터 3옥타브 도까지 22개의 단일음을 4초씩 연주한 44K 단음 데이터와 약 8분 45초 길이의 Canon Rock 연주음 데이터를 4초씩 분할한 44K 복합음 데이터로 구성되어 있다. 데이터 전처리를 수행한 후, 2640개의 각 계열별 단일음 샘플과 15720개의 복합음 샘플, 총 18360개의 샘플을 계열별 이펙터 분류 모델 훈련에 사용하였다. 음원에 적용된 각 계열별 이펙터를 분류하기 위하여 음원 데이터 분석을 위한 ... 전체 초록 보기

목차

등록된 정보가 없습니다.

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0