LEADER 08621nam 2200685 450 001 9910830665403321 005 20240219143527.0 010 $a1-283-80405-0 010 $a1-118-39350-3 024 7 $a10.1002/9781118393550 035 $a(CKB)2670000000278681 035 $a(EBL)875896 035 $a(SSID)ssj0000779981 035 $a(PQKBManifestationID)11394223 035 $a(PQKBTitleCode)TC0000779981 035 $a(PQKBWorkID)10785586 035 $a(PQKB)10397254 035 $a(MiAaPQ)EBC875896 035 $a(CaBNVSL)mat06266785 035 $a(IDAMS)0b000064818b36cf 035 $a(IEEE)6266785 035 $a(OCoLC)816310153 035 $a(PPN)255937741 035 $a(EXLCZ)992670000000278681 100 $a20151221d2012 uy 101 0 $aeng 135 $aur|n|---||||| 181 $ctxt 182 $cc 183 $acr 200 13$aAn introduction to audio content analysis $eapplications in signal processing and music informatics /$fAlexander Lerch 210 1$aHoboken, New Jersey :$cWiley,$dc2012. 210 2$a[Piscataqay, New Jersey] :$cIEEE Xplore,$d[2012] 215 $a1 online resource (272 p.) 300 $aDescription based upon print version of record. 311 $a1-118-39355-4 311 $a1-118-26682-X 320 $aIncludes bibliographical references and index. 327 $aMachine generated contents note: 1.1.Audio Content -- 1.2.A Generalized Audio Content Analysis System -- 2.1.Audio Signals -- 2.1.1.Periodic Signals -- 2.1.2.Random Signals -- 2.1.3.Sampling and Quantization -- 2.1.4.Statistical Signal Description -- 2.2.Signal Processing -- 2.2.1.Convolution -- 2.2.2.Block-Based Processing -- 2.2.3.Fourier Transform -- 2.2.4.Constant Q Transform -- 2.2.5.Auditory Filterbanks -- 2.2.6.Correlation Function -- 2.2.7.Linear Prediction -- 3.1.Audio Pre-Processing -- 3.1.1.Down-Mixing -- 3.1.2.DC Removal -- 3.1.3.Normalization -- 3.1.4.Down-Sampling -- 3.1.5.Other Pre-Processing Options -- 3.2.Statistical Properties -- 3.2.1.Arithmetic Mean -- 3.2.2.Geometric Mean -- 3.2.3.Harmonic Mean -- 3.2.4.Generalized Mean -- 3.2.5.Centroid -- 3.2.6.Variance and Standard Deviation -- 3.2.7.Skewness -- 3.2.8.Kurtosis -- 3.2.9.Generalized Central Moments -- 3.2.10.Quantiles and Quantile Ranges -- 3.3.Spectral Shape -- 3.3.1.Spectral Rolloff -- 327 $aContents note continued: 3.3.2.Spectral Flux -- 3.3.3.Spectral Centroid -- 3.3.4.Spectral Spread -- 3.3.5.Spectral Decrease -- 3.3.6.Spectral Slope -- 3.3.7.Mel Frequency Cepstral Coefficients -- 3.4.Signal Properties -- 3.4.1.Tonalness -- 3.4.2.Autocorrelation Coefficients -- 3.4.3.Zero Crossing Rate -- 3.5.Feature Post-Processing -- 3.5.1.Derived Features -- 3.5.2.Normalization and Mapping -- 3.5.3.Subfeatures -- 3.5.4.Feature Dimensionality Reduction -- 4.1.Human Perception of Intensity and Loudness -- 4.2.Representation of Dynamics in Music -- 4.3.Features -- 4.3.1.Root Mean Square -- 4.4.Peak Envelope -- 4.5.Psycho-Acoustic Loudness Features -- 4.5.1.EBU R128 -- 5.1.Human Perception of Pitch -- 5.1.1.Pitch Scales -- 5.1.2.Chroma Perception -- 5.2.Representation of Pitch in Music -- 5.2.1.Pitch Classes and Names -- 5.2.2.Intervals -- 5.2.3.Root Note, Mode, and Key -- 5.2.4.Chords and Harmony -- 5.2.5.The Frequency of Musical Pitch -- 5.3.Fundamental Frequency Detection -- 327 $aContents note continued: 5.3.1.Detection Accuracy -- 5.3.2.Pre-Processing -- 5.3.3.Monophonic Input Signals -- 5.3.4.Polyphonic Input Signals -- 5.4.Tuning Frequency Estimation -- 5.5.Key Detection -- 5.5.1.Pitch Chroma -- 5.5.2.Key Recognition -- 5.6.Chord Recognition -- 6.1.Human Perception of Temporal Events -- 6.1.1.Onsets -- 6.1.2.Tempo and Meter -- 6.1.3.Rhythm -- 6.1.4.Timing -- 6.2.Representation of Temporal Events in Music -- 6.2.1.Tempo and Time Signature -- 6.2.2.Note Value -- 6.3.Onset Detection -- 6.3.1.Novelty Function -- 6.3.2.Peak Picking -- 6.3.3.Evaluation -- 6.4.Beat Histogram -- 6.4.1.Beat Histogram Features -- 6.5.Detection of Tempo and Beat Phase -- 6.6.Detection of Meter and Downbeat -- 7.1.Dynamic Time Warping -- 7.1.1.Example -- 7.1.2.Common Variants -- 7.1.3.Optimizations -- 7.2.Audio-to-Audio Alignment -- 7.2.1.Ground Truth Data for Evaluation -- 7.3.Audio-to-Score Alignment -- 7.3.1.Real-Time Systems M -- 7.3.2.Non-Real-Time Systems -- 327 $aContents note continued: 8.1.Musical Genre Classification -- 8.1.1.Musical Genre -- 8.1.2.Feature Extraction -- 8.1.3.Classification -- 8.2.Related Research Fields -- 8.2.1.Music Similarity Detection -- 8.2.2.Mood Classification -- 8.2.3.Instrument Recognition -- 9.1.Fingerprint Extraction -- 9.2.Fingerprint Matching -- 9.3.Fingerprinting System: Example -- 10.1.Musical Communication -- 10.1.1.Score -- 10.1.2.Music Performance -- 10.1.3.Production -- 10.1.4.Recipient -- 10.2.Music Performance Analysis -- 10.2.1.Analysis Data -- 10.2.2.Research Results -- A.1.Identity -- A.2.Commutativity -- A.3.Associativity -- A.4.Distributivity -- A.5.Circularity -- B.1.Properties of the Fourier Transformation -- B.1.1.Inverse Fourier Transform -- B.1.2.Superposition -- B.1.3.Convolution and Multiplication -- B.1.4.Parseval's Theorem -- B.1.5.Time and Frequency Shift -- B.1.6.Symmetry -- B.1.7.Time and Frequency Scaling -- B.1.8.Derivatives -- B.2.Spectrum of Example Time Domain Signals -- 327 $aContents note continued: B.2.1.Delta Function -- B.2.2.Constant -- B.2.3.Cosine -- B.2.4.Rectangular Window -- B.2.5.Delta Pulse -- B.3.Transformation of Sampled Time Signals -- B.4.Short Time Fourier Transform of Continuous Signals -- B.4.1.Window Functions -- B.5.Discrete Fourier Transform -- B.5.1.Window Functions -- B.5.2.Fast Fourier Transform -- C.1.Computation of the Transformation Matrix -- C.2.Interpretation of the Transformation Matrix -- D.1.Software Frameworks and Applications -- D.1.1.Marsyas -- D.1.2.CLAM -- D.1.3.jMIR -- D.1.4.CoMIRVA -- D.1.5.Sonic Visualiser -- D.2.Software Libraries and Toolboxes -- D.2.1.Feature Extraction -- D.2.2.Plugin Interfaces -- D.2.3.Other Software. 330 $aAn easily accessible, hands-on approach to digital audio signal processingWith the proliferation of digital audio distribution over digital media, the amount of easily accessible music is ever-growing, requiring new tools for navigating, accessing, and retrieving music in meaningful ways. An understanding of audio content analysis is essential for the design of intelligent music information retrieval applications and content-adaptive audio processing systems.This book is about how to teach a computer to interpret music signals, thus allowing the design of tools for interacting with music. This book serves as a comprehensive guide on audio content analysis and how to apply it in signal processing and music informatics. Written by a well-known expert in the music industry, An Introduction to Audio Content Analysis ties together topics from audio signal processing and machine learning, showing how to use audio content analysis to pick up musical characteristics automatically. The author clearly explains the analysis of audio signals and the extraction of metadata describing the content of the signal, covering both abstract descriptions of technical properties and musical descriptions such as tempo, harmony and key, musical style, and performance attributes. Musical information is given a separate analysis in each category, whether tonal, pitch, harmony, key, temporal, or tempo, among others.Readers will get access to various analysis algorithms and learn to compare different standard approaches to the same task. The book includes a review of the fundamentals of audio signal processing, psychoacoustics, and music theory.An invaluable guide for newcomers to audio signal processing and industry experts alike, An Introduction to Audio Content Analysis also features downloadable MATLAB files from a companion website, www.AudioContentAnalysis.org, lists of abbreviations and symbols, and references. 606 $aComputer sound processing 606 $aComputational auditory scene analysis 606 $aContent analysis (Communication)$xData processing 615 0$aComputer sound processing. 615 0$aComputational auditory scene analysis. 615 0$aContent analysis (Communication)$xData processing. 676 $a006.45 676 $a621.3822 700 $aLerch$b Alexander$01639454 801 0$bCaBNVSL 801 1$bCaBNVSL 801 2$bCaBNVSL 906 $aBOOK 912 $a9910830665403321 996 $aAn introduction to audio content analysis$93982450 997 $aUNINA LEADER 04244nam 2200409 450 001 9910619452003321 005 20240215170750.0 010 $a88-15-37361-6 024 7 $a10.978.8815/371324 035 $a(CKB)5580000000355476 035 $a(NjHacI)995580000000355476 035 $a(EXLCZ)995580000000355476 100 $a20240215d2022 uy 0 101 0 $aita 135 $aur||||||||||| 181 $ctxt$2rdacontent 182 $cc$2rdamedia 183 $acr$2rdacarrier 200 10$aCondizione giovanile in Italia $eRapporto Giovani 2022 /$fAA.VV. Istituto Giuseppe Toniolo 210 1$aBologna :$cSocieta editrice il Mulino Spa,$d2022. 215 $a1 online resource (272 pages) 311 $a88-15-37132-X 311 $a88-15-29551-8 327 $aCredits -- Alessandro Rosina -- Introduzione. Generazione del tempo nuovo -- PARTE PRIMA -- Diego Mesa, Pierpaolo Triani e Elena Marta -- La scuola: risorsa strategica per i giovani e per il paese -- Mauro Migliavacca, Federico Olivieri e Alessandro Rosina -- Green economy e sviluppo sostenibile -- Andrea Bonanomi e Francesca Luppi -- I progetti di vita in un anno di pandemia: fra ostacoli e nuovi stimoli -- Daniela Marzana e Samuele Poy -- Il volontariato come palestra per lo sviluppo e il rafforzamento delle soft skills -- PARTE SECONDA -- Alda Marchese e Paola Profeta -- Le giovani donne -- Rita Bichi, Stefania Leone e Niccolo? Morelli -- Mobilita?: vissuto, desideri e prospettive di Ğaltroveğ -- Fabio Introini e Cristina Pasqualini -- South workers. Storie di giovani lavoratori in remoto dal Sud -- Corrado Bonifazi e Angela Paparusso -- Le opinioni delle nuove generazioni sull'immigrazione -- Alessandro Gentile -- I giovani della crisi permanente: instabilita? strutturale e disequilibri tra generazioni in Spagna -- Nota metodologica -- Riferimenti bibliografici. 330 $aIl 2021 e? stato l'anno della progettazione della nuova fase di sviluppo del paese dopo l'impatto inedito e inatteso della pandemia. Il governo italiano ha steso il Pnrr (Piano nazionale di ripresa e resilienza) che contiene progetti ambiziosi, finanziati soprattutto attraverso le risorse di Next Generation Eu. Il 2022 segna, quindi, l'inizio di una nuova fase. Per dare basi solide al futuro l'Italia deve mettere al centro la valorizzazione del capitale umano delle nuove generazioni, un bene diventato sempre piu? scarso nel nostro paese. Rafforzare i percorsi formativi e professionali dei giovani: questo l'obiettivo principale, non solo per superare i limiti e gli squilibri passati (nel rapporto quantitativo tra generazioni e nel rapporto tra debito pubblico e ricchezza prodotta) ma anche per cogliere le opportunita? di uno sviluppo inclusivo e sostenibile che valorizzi le competenze necessarie per la transizione digitale e verde. Il Rapporto Giovani 2022, il primo della seconda decade dell'attivita? dell'Osservatorio Giovani dell'Istituto Toniolo, presenta nella prima parte i quattro fronti su cui si giocano le sorti di una ripresa che possa far leva sulle intelligenze, le energie e la vitalita? delle nuove generazioni: le nuove modalita? di formazione e le nuove competenze; i nuovi lavori; i nuovi nuclei familiari; le nuove forme di partecipazione sociale. Nella seconda parte si approfondiscono condizione e aspettative delle categorie alle quali il Pnrr si rivolge: oltre ai giovani, le donne, chi vive al Sud e nelle aree economicamente meno dinamiche del paese. Si aggiunge un focus sulla componente straniera, al quale il piano del governo riserva un'attenzione marginale. Oltre alle analisi comparative tra Italia e altri paesi, nella presente edizione e? dedicato un approfondimento alla realta? dei giovani e alle politiche che li riguardano in uno specifico stato europeo, la Spagna. 517 $aCondizione giovanile in Italia 606 $aYoung adults$zItaly$xSocial conditions 606 $aYoung adults$xSocial conditions 615 0$aYoung adults$xSocial conditions. 615 0$aYoung adults$xSocial conditions. 676 $a305.2350945 801 0$bNjHacI 801 1$bNjHacl 906 $aBOOK 912 $a9910619452003321 996 $aCondizione giovanile in Italia$9463407 997 $aUNINA