Fuzzy-Regeln zur Bestimmung der Netzstruktur wurden entsprechend den Ergebnissen des ersten Teils durchgeführt, um kognitive und wahrnehmungsmäßige Angemessenheit der Interpretationsauswahl sicherzustellen. Die Experimente zeigen, daß dies weitgehend gelungen ist. In den Experimenten war der Anteil von musikalisch unplausiblen Interpretationen an den Ausgaben des ISSM sehr gering. Dies war nicht unbedingt zu erwarten, da das ISSM in seiner jetzigen Form weder das Metrum noch die zeitliche Dynamik der Kognition und Wahrnehmung von Rhythmen modelliert. Der Grund für den Erfolg ohne Berücksichtigung des Metrums liegt zum Teil in den verwendeten Beispielen. Die Wahrnehmung eines Metrums spielt hier aufgrund der kurzen Sequenzen und deren unregelmäßiger Struktur nur eine geringe Rolle. Für längere Sequenzen ist es möglich, das ISSM um Komponenten der Metrik und Wahrnehmungsdynamik zu erweitern.

13.1.3.  Wissen und Lernen

Die Bewertung aller möglichen Interpretationen für eine Sequenz bzw. ein Sequenzpaar oder auch nur eines substantiellen Teils davon durch einen menschlichen Experten ist sehr aufwendig und meistens nicht möglich. Daher wurde das iterative Training entwickelt, das auf der Basis einer Experteninterpretation relative Beispiele generiert, anhand derer das Netz trainiert wird.

Die Verwendung eines Neuro-Fuzzy-Systems hat sich als geeigneter Weg erwiesen, vorhandenes Wissen in Form von Merkmalsdefinitionen und Fuzzy-Regeln mit dem Lernen aus Beispielen zu verbinden. Der Vergleich zeigt für diese Anwendung eine größere Leistungsfähigkeit des hier verwendeten fuzzy-logischen neuronalen Netzes gegenüber linearen Modellen und Vorteile der Effizienz und Interpretierbarkeit gegenüber einem Multi-Layer-Perceptron. Durch das Einbringen von Vorwissen läßt sich die Modellkomplexität gegenüber Multi-Layer-Perceptrons reduzieren, ohne daß man Leistungseinbußen wie bei einem linearen Modell in Kauf nehmen muß. Auswertung und Training mit dem fuzzy-logischen neuronalen Netz sind effizienter als mit dem Multi-Layer-Perceptron. Die gelernten Gewichte lassen sich als Wahrheitswerte von Fuzzy-Regeln interpretieren.

Eine inhaltliche Interpretation der Ergebnisse des Lernens in den Netzgewichten bzw. Wahrheitswerten ist möglich, sofern die Struktur der Regeln bzw. des Netzes dies zuläßt. Die gelernten Gewichte lassen zumindest tendenziell erkennen, welche Merkmale und Regeln welchen Einfluß haben. Bei der Verallgemeinerung solcher Ergebnisse – die nicht Teil dieser Arbeit war – sind Probleme zu beachten, wie die Größe der Stichproben, die Qualität der Daten und andere Fragen der statistischen Methodik.

13.2.  Ausblick

Das hier vorgestellte Modell rhythmischer Analyse bietet vielfältige Möglichkeiten zur Weiterentwicklung. Die Bandbreite der erfaßten musikalischen Phänomene läßt sich durch die Berücksichtigung der Tonhöhe auf Melodien erweitern; diesbezügliche Versuche haben erste Erfolge gezeigt (Weyde, 2002). Durch eine dynamische