11.2.4.  Motivische Analyse

Die motivische Analyse soll Beziehungen innerhalb der Eingabe erkennen. Dazu wird das gleiche Verfahren verwendet wie beim Vergleich mit einer Vorgabe, nur daß als Vorgabe eine Kopie der Eingabe verwendet wird. Damit ein aussagekräftiges Ergebnis entsteht, muß die triviale Zuordnung jedes Motivs zu sich selbst ausgeschlossen werden. Dies wird in RhythmScan durch Zuordnungsfilter realisiert. Dabei wurden zwei Varianten realisiert:

• Der Filter »Motivic I« verhindert die Zuordnung eines Motivs zu sich selbst.
• Der Filter »Motivic II« läßt Zuordnungen nur zu den vorhergehenden Motiven zu.

Die Beispiele in Abbildung 11.11 und 11.12 zeigen EI und SI für die beiden Varianten. Der zweite Filter spiegelt eher den Verlauf der Wahrnehmung wider, weil die Beziehungen von Motiven nur zu den schon gehörten Motiven hergestellt werden können und nicht zu denen, die man noch hören wird.

Dieser Anwendungsmodus ist noch nicht systematisch untersucht worden. Für die Auswertung im Sinne einer paradigmatischen Analyse wäre es sinnvoll, aus den Motivzuordnungen und deren Ähnlichkeitswerten während der Analyse Motivklassen zu bilden, wofür allerdings noch keine Methode entwickelt wurde.

11.2.5.  Effektivität der Optimierung

Maßgebliche Faktoren für den Berechnungsaufwand des Auswahlalgorithmus sind die Länge der Sequenzen, die Anwendung der Filter und die Branch-and-Bound Optimierung. Die Ergebnisse eines Tests mit dem in Kapitel 9 beschriebenen FLN im Vergleichsmodus mit 20 Beispielen verschiedener Gruppenlängen, jeweils mit und ohne Branch-and-Bound und Filterung, sind in Tabelle 11.5 aufgeführt. Es ist deutlich zu erkennen, daß beide Optimierungen bei längeren Sequenzen stärker wirken. Aber auch bei kurzen Sequenzen ist der zusätzliche Aufwand geringer als der Effekt der Optimierung. Die Filter allein wirken effektiver als nur Branch-and-Bound; beide Methoden zusammen haben den stärksten Effekt. Insgesamt bewirken die Filter und Branch-and-Bound eine deutliche Verkürzung der Berechnungszeiten: In dem angegebenen Beispiel durchschnittlich um mehr als das 3000-fache. Die Optimierung wirkt vor allem bei den Beispielen mit hohem Rechenaufwand. Dies ist für interaktive Anwendungen günstig, da dort die maximalen Antwortzeiten gering gehalten werden sollen.