Clasificación de familias de instrumentos musicales con aprendizaje no supervisado sobre coeficientes cepstrales

El presente estudio se enfoca en la diferenciación de familias de instrumentos musicales mediante el empleo de modelos de Aprendizaje Automático no supervisado, con énfasis en las componentes principales de los coeficientes cepstrales de frecuencias mel (MFCC). Estos coeficientes, conocidos por su utilidad en el análisis del habla, ofrecen características distintivas relacionadas con la percepción auditiva humana. El objetivo primordial consiste en desarrollar una metodología que integre técnicas de procesamiento de muestras sonoras, reducción de dimensionalidad y algoritmos de aprendizaje no supervisado para clasificar con exactitud las familias de instrumentos musicales. La justificación de esta investigación radica en la creciente disponibilidad de datos musicales en línea, cuya utilidad se ve limitada por desafíos en su búsqueda y clasificación. Los avances tecnológicos en Aprendizaje Automático y procesamiento de señales ofrecen nuevas oportunidades para sistemas capaces de reconocer señales sonoras, simplificando la clasificación y reduciendo la carga computacional. Se emplean 7 algoritmos distintos de agrupamiento de aprendizaje no supervisado utilizando la distancia euclídea para el cálculo de disimilitudes entre observaciones. Cada uno de estos algoritmos se aplica a la selección de 6 coeficientes cepstrales de frecuencia mel (MFCC) en su forma original y en su versión reducida mediante la técnica de análisis de componentes principales (PCA), lo que resulta en 12 variantes de aplicación para cada algoritmo y 84 combinaciones distintas en total. Por cada variante se obtiene la exactitud y el tiempo de procesamiento como métricas de evaluación. Este enfoque permite explorar exhaustivamente las posibles combinaciones de características, optimizando así la capacidad de discernimiento y agrupamiento de los algoritmos bajo diferentes condiciones de entrada.