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.