Für die paradigmatische Analyse ist, wie bei anderen Verfahren, die Wahl der
Parameter entscheidend für die Ergebnisse. In einer Untersuchung von Höthker, Hörnel
und Anagnosotpoulou hat sich gezeigt, daß die Auswahl und Repräsentation der
Merkmale für die, in diesem Fall vor allem tonhöhenbasierte, Klassifikation
musikalischer Motive einen wesentlich stärkeren Einfluß auf die Ergebnisse
hat als der verwendete Algorithmus (Ward, Growing Neural Gas, StarCenter,
Kohonen-Ward).
37
Ein Ansatz, der Motivähnlichkeiten und Segmentierung durch Abstände
verbindet, ist Cambouropoulos’ Erweiterung des LBDM um einen Pattern-Matching
Algorithmus.38
Er verwendet einen Algorithmus, der alle Wiederholungen von Mustern findet, wobei
eine Projektion auf einen Parameter verwendet werden kann und so verschiedene
Patterns für die verschiedenen Parameter gefunden werden können. Für die
Tonhöhe schlägt Cambouropoulos vor, die Kontrapunktgruppe anzuwenden beim
Matching anzuwenden. Das Ergebnis sind Muster verschiedener Längen, die
bezüglich ihrer Länge, der Überlappung ihrer Instanzen und der Häufigkeit
ihrer Instanzen im gegebenen Stück bewertet werden. Für jede zwei Noten
werden die Gewichte aller Muster, die dort beginnen oder enden zum
Pattern
Boundary Wert aufaddiert. Dieser Wert wird in einem gewichteten Durchschnitt
(60:40) mit den
Total Boundary Werten des LBDM zu einem
Total Boundary
Wert addiert, der die Segmentierung beschreibt. Auf diese Weise erhält man
eine Segmentierung, die sowohl lokale Abstände als auch Musterähnlichkeiten
berücksichtigt.