Allerdings ist es nicht ausreichend, einem beliebigen lernenden System, etwa einem neuronalen Netz, Beispiele in irgendeiner Form zu präsentieren und zu hoffen, das System werde das gewünschte Verhalten daraus lernen. Die Leistung eines lernenden Systems hängt entscheidend davon ab, wie das System aufgebaut ist und in welcher Repräsentation die Daten in das System eingegeben werden. Um leistungsfähige lernende Systeme zu konstruieren, sind zumindest für Teilbereiche Modelle erforderlich, damit Repräsentation und Systemdesign bestimmt werden können. Auch sollte, wie bereits erwähnt, vorhandenes Wissen aus Musiktheorie und Musikpsychologie genutzt und in das Modell eingebracht werden. Es ist daher wünschenswert, in ein Modell wissensbasierte und lernende Ansätze zu integrieren, um möglichst verschiedene Quellen zu nutzen: Musiktheoretische und musikpsychologische Modelle, auch wenn sie nur Teilaspekte beschreiben, sowie Beispiele von musikalischen Experten, aus denen das System lernen kann.

Einen Ansatz, Wissen zu repräsentieren, auch wenn es unsicher und unvollständig ist wie im Fall der rhythmisch-motivischen Analyse, bildet die Fuzzy-Logik. Durch die Benutzung von Fuzzy-Wahrheitswerten, die zwischen wahr und falsch liegen können, kann man Wissen in einer Form darstellen, die der natürlichen Sprache nahe kommt. Fuzzy-logische Systeme und neuronale Netze weisen konzeptionelle Gemeinsamkeiten auf, die es ermöglichen, sie zu Neuro-Fuzzy-Systemen zu verbinden. Man kann so Wissen in Form von Fuzzy-Regeln mit den Lernverfahren neuronaler Netze verknüpfen.

Ein Problem bei der Anwendung neuronaler Netze besteht darin, die Ergebnisse des Lernvorgangs zu interpretieren, da sich die gelernten Gewichte im Netz im allgemeinen nicht inhaltlich zuordnen lassen. Wenn ein neuronales Netz erfolgreich gelernt hat, eine Aufgabe zu bewältigen, wäre es aber gerade von Interesse, inhaltlich nachzuvollziehen, wie das Netz die Aufgabe gelöst hat. Die Verbindung neuronaler Netze mit Fuzzy-Logik ermöglicht es bei einer geeigneten Strukturierung des Fuzzy-Systems, die Ergebnisse des Lernens als Wahrheitswerte von Fuzzy-Regeln inhaltlich zu interpretieren.

1.4.  Zielsetzung und Aufbau dieser Arbeit

Das Ziel dieser Arbeit ist es, Konzepte und Methoden der computergestützten Analyse von Rhythmen zu entwickeln, zu implementieren und zu erproben. Diese Aufgabe ist interdisziplinär, denn sie erfordert die Bearbeitung von Teilaufgaben aus verschiedenen Fachgebieten. Zunächst müssen Erkenntnisse aus verschiedenen Bereichen der Musikforschung zusammengetragen werden, um die musiktheoretischen, wahrnehmungsmäßigen und kognitiven Voraussetzungen rhythmischmotivischer Analyse zu bestimmen. Informatische Grundlagen und die verschiedenen Ansätze computerbasierter rhythmischer und motivischer Musikanalyse definieren die formalen und technischen Grundlagen der Modellbildung. Darauf aufbauend folgt der Entwurf einer strukturellen Beschreibung, die den Anforderungen an eine rhythmisch-motivische Analyse für interaktive Musikanwendungen entspricht. Die Entwicklung eines Modells für die Erzeugung und Auswertung solcher Strukturbeschreibungen ist ein zentrale Aufgabe dieser Arbeit. Das Modell soll sowohl