Motiv in der Eingabe erheblich zu früh gespielt wurde. Die unterschiedliche Bewertung der Merkmale GSubtraction und GTempoQual einerseits und GRelPosition andererseits bewirkt die Entscheidung für die eine oder die andere Interpretation.

In Beispiel 2 (11.8) sind bereits mehr Merkmale von Bedeutung. Die EI ordnet die Noten sequentiell zu, wobei relativ große graduelle Abweichungen der Motive entstehen. Die SI ordnet die Eingabe einen Ton versetzt mit einer anderen Segmentierung zu. Die graduelle Übereinstimmung der Noten ist dadurch zwar größer, aber es entstehen strukturelle Abweichungen. Die Gewichtungen der verschiedenen Merkmale der strukturellen und graduellen Übereinstimmung (GTooLate,GTooEarly,...,GAddition,GSubstraction,...) und der Segmentierung (CInputSegment,GInputSegment) sind hier wichtig für die Auswahl einer der Alternativen.

Die EI und SI in Beispiel 3 (11.9) unterscheiden sich nur bzgl. der Segmentierung, was Unterschiede der Segmentierungsmerkmale aber auch der Werten aller anderen Merkmale nach sich zieht. Insbesondere die Bewertung der Motivdauer und Motivlänge (GInputGroupLen...,GInputGroupDur...) eignen sich, um eine unterschiedliche Bewertung der beiden Interpretationen zu erzielen.

Im vierten Beispiel (11.10) unterscheiden sich die beiden Interpretationen in der Motivstruktur, da die EI den zweiten Teil der Eingabe als Wiederholung des ersten Teils bewertet, während die SI sequentiell zuordnet. Hier gewinnt die Bewertung der Reihenfolge (COrder) an Bedeutung.

Vier Netztypen wurden mit den Sequenzpaaren und der EI aus diesen vier Beispielen getestet:

• fuzzy-logisches neuronales Netz aus Abschnitt 9.6
• reduziertes fuzzy-logisches Netz aus Abschnitt 12.2
• Multi-Layer-Perceptron MLP4 aus Abschnitt 12.2
• lineares Netz aus Abschnitt 12.2

Mit diesen vier Netzarchitekturen konnte jeweils gelernt werden, die gewünschten Interpretationen für alle vier Beispiele auszuwählen.

Es gibt einige Grenzfälle, die durch die Merkmale nicht geeignet abgebildet werden können. Z.B. wenn Zuordnungen mit sehr starken Abweichungen der Noten oder Motivzuordnungen mit vielen Zuordnungen unähnlicher Motive vorgegeben werden, sowie bei Fällen, die durch die Filterung der Segmentierungen und Zuordnungen abgefangen werden. Aber gerade diese Interpretationen soll das System allerdings auch vermeiden, da sie in den meisten Fällen nicht musikalisch sinnvoll sind.

Training

Um das System für einen Anwendungsfall zu optimieren, wird es mit einer Menge von Beispielen trainiert. Es ist bei kleinen Datensätzen meist möglich, das System so zu trainieren, daß es alle Beispiele entsprechend den Vorgaben interpretiert. Im