Composición Musical A Través Del Uso de Algoritmos Genéticos

COMPOSICIN MUSICAL A TRAVS DEL USO
DE ALGORITMOS GENTICOS
Tesista: Ezequiel Moldaver
Directores: M. Ing. Hernn Merlino y
M. Ing. Enrique Fernndez
Hoja 1/85
ndice de Contenidos
1) Introduccin.....................................................................................................................................5
2) Objetivos..........................................................................................................................................6
3) Problema a resolver..........................................................................................................................7
4) Definicin de soluciones a los problemas planteados......................................................................9
5) Estado de la cuestin......................................................................................................................10
5.1) Algoritmos Genticos.............................................................................................................10
5.2) Redes Neuronales...................................................................................................................11
5.3) Composicin musical.............................................................................................................11
5.3.1) Criterio de composicin musical....................................................................................11
5.4) Trabajos Realizados................................................................................................................12
6) Desarrollo de la solucin...............................................................................................................13
6.1) Armado de la Red Neuronal...................................................................................................20
6.2) Arquitectura del sistema.........................................................................................................23
7) Validacin de la solucin................................................................................................................32
7.1) A travs de penalizaciones.....................................................................................................32
7.2) A travs del aprendizaje de gustos musicales........................................................................33
8) Plan de trabajo................................................................................................................................34
9) Conclusiones..................................................................................................................................35
10) Referencias...................................................................................................................................36
ANEXOS............................................................................................................................................40
Anexo I: Manual de Usuario [47].......................................................................................................41
TuxGuitar............................................................................................................................................41
Los Primeros Pasos...................................................................................................................41
Las barras de herramientas........................................................................................................43
Anexo II: Ejemplos de Cruza y Mutacin..........................................................................................49
Cruza..............................................................................................................................................49
Mutacin........................................................................................................................................50
Anexo III: Conceptos Musicales [48].................................................................................................52
Lectura Musical.............................................................................................................................52
Las claves..................................................................................................................................52
Nombre de las notas..................................................................................................................53
Hoja 2/85
La clave de sol...........................................................................................................................53
Las lneas adicionales................................................................................................................53
La clave de fa............................................................................................................................53
Memorizacin de notas.............................................................................................................54
Uso combinado de clave de sol y fa..........................................................................................54
La notacin rtmica...................................................................................................................55
Las figuras musicales................................................................................................................55
El comps..................................................................................................................................56
La indicacin de comps...........................................................................................................56
Las lneas divisorias..................................................................................................................57
El puntillo..................................................................................................................................57
La ligadura................................................................................................................................58
Unidad de tiempo y comps......................................................................................................58
Los silencios..............................................................................................................................59
Compases simples y compuestos..............................................................................................60
Las alteraciones.........................................................................................................................61
Las armaduras de clave.............................................................................................................61
Las claves de do........................................................................................................................62
Intervalos.......................................................................................................................................62
Tonos y semitonos.........................................................................................................................63
Calificacin o especie de un intervalo...........................................................................................64
Las segundas..................................................................................................................................65
Identificacin de segundas........................................................................................................65
Las terceras....................................................................................................................................66
Identificacin de terceras..........................................................................................................67
Las cuartas.....................................................................................................................................68
Identificacin de cuartas...........................................................................................................68
Las quintas.....................................................................................................................................69
Identificacin de quintas...........................................................................................................69
Las sextas.......................................................................................................................................70
Identificacin de sextas.............................................................................................................70
Las sptimas...................................................................................................................................71
Identificacin de sptimas.........................................................................................................71
Las octavas.....................................................................................................................................72
Hoja 3/85
Alteraciones...................................................................................................................................72
Consonancias y disonancias...........................................................................................................73
Enarmona......................................................................................................................................73
Intervalos ascendentes y descendentes..........................................................................................73
Intervalos compuestos y simples...................................................................................................74
Intervalos meldicos y armnicos.................................................................................................74
Semitonos cromticos y diatnicos................................................................................................74
Relacin matemtica de los intervalos...........................................................................................75
Acordes..........................................................................................................................................75
Las inversiones..............................................................................................................................75
Las triadas......................................................................................................................................76
Formacin de triadas en las escalas mayores............................................................................77
Formacin de triadas en las escalas menores............................................................................78
Triadas y grados de las escalas..................................................................................................78
Identificacin de triadas............................................................................................................79
Otra forma de identificar las triadas..........................................................................................80
Los acordes de sptima..................................................................................................................81
Acordes de novena.........................................................................................................................82
Escalas...........................................................................................................................................83
La escala menor.........................................................................................................................84
Escalas relativas........................................................................................................................85
La tonalidad...................................................................................................................................85
Hoja 4/85
1) Introduccin
La composicin musical es el arte que tiene como objetivo la creacin de obras musicales, es una
actividad humana que sirve para la expresin, comunicacin y entendimiento entre personas. Se
podra dividir en 2 partes bsicas: la meloda y la armona. La primera, segn la Real Academia
Espaola (RAE)[1] es La parte de la msica que trata del tiempo con relacin al canto, y de la
eleccin y nmero de sones con que han de formarse en cada gnero de composicin los perodos
musicales, ya sobre un tono dado, ya modulando para que el canto agrade al odo, siendo la
segunda la unin de tres o ms sonidos simultneos, entendiendo que el canto o meloda producido
por una sola voz es homnimo, con dos voces se producen intervalos armnicos y, a partir de 3
voces o sonidos simultneos hablamos de armona.
Este trabajo se enfocar en el uso de los algoritmos genticos (AAGG)[1], [2] con el fin de mezclar
armonas y melodas de forma que se genere una composicin musical de buen sonido para el odo,
lo que significa que el contexto de cada nota respaldar la sonoridad de la misma provocando que
no se genere un efecto disonante de forma permanente, que se genere una disonancia momentnea
es permisible ya que es parte de la misma msica generar tensin a travs de pequeos intervalos
poco agradables al odo. Si bien los AAGG no fueron diseados para imitar comportamiento
humano sino para resolver problemas u optimizar soluciones, pero se puede pensar en la
composicin de la msica como el problema de encontrar una cancin que suene bien al tomar en
consideracin el conjunto de todas las composiciones posibles como el espacio de soluciones, este
espacio no est estructurado, es decir, que las buenas soluciones pueden estar junto a las malas; al
cambiar algunas notas clave en una pieza, sta puede llegar a ser menos interesante, aunque
parezcan parecidas. La idea principal es mezclar de forma aleatoria distintos temas musicales de
forma iterativa, en cada iteracin se seleccionarn las mejores canciones para ser la base de la
iteracin siguiente. Adems, en base a una variable probabilstica se realizar un cambio aleatorio
sobre uno de los compases de alguno de los temas, que tambin ser elegido al azar. Luego de
varias repeticiones se obtendrn como resultado distintas piezas musicales que sern totalmente
distintas a las primeras, generando de esta forma, nueva msica.
Con el fin priorizar la estructura de temas agradables o buscados por el usuario se utilizarn redes
neuronales (RRNN)[3], [4] que sern entrenadas para permitirle a ste un procesamiento automtico
de composicin basado en sus gustos e inclinaciones musicales. Las mismas sern entrenadas con
este fin para interpretar de todas las canciones candidatas en cada iteracin y seleccionar aquellas
que, de acuerdo a la estructura generada por el entrenamiento, sean las que el usuario hubiese
Hoja 5/85
elegido.
El presente documento consta de las siguientes secciones:
2) Objetivos: definicin y explicacin del fin de este proyecto.
3) Problema a resolver: planteo de los distintos aspectos y situaciones que dieron origen a la
idea de esta tesis.
4) Definicin de las soluciones al problema planteado: explicacin de las formas y mtodos
que se necesitan para resolver lo que se ha planteado en el punto 3.
5) Estado de la cuestin: se detallan conceptos sobre algoritmos genticos, redes neuronales y
composicin musical; adems se especifica sobre los trabajos realizados en el rea que
compete al tema de la tesis.
6) Desarrollo de la solucin: se explica detalladamente la implementacin que se hizo de la
solucin explicada en el punto 3, se muestran los diagramas de clases y de paquetes
correspondientes y se explican los patrones utilizados.
7) Validacin de la solucin: consiste en la evaluacin del sistema desarrollado para resolver
los problemas planteados. De esta evaluacin se desprender si todo lo que se plante
anteriormente fue resuelto de manera correcta, explicando los puntos fuertes y dbiles a
travs de lo que se pueda observar de manera emprica.
8) Conclusiones: se describen los aspectos que de la solucin que decantan de los resultados
obtenidos en las pruebas de validacin.
9) Plan de trabajo: se especifica el tiempo estimado para la realizacin de cada parte que
constituye trabajo detallado en el punto anterior.
10) Referencias: se mencionan las citas que se han utilizado para la preparacin de este
documento.
2) Objetivos
El proyecto tiene diversos objetivos que se encuentran orientados a las distintas aristas que tiene la
composicin musical. Cuando un msico o compositor musical se encuentra sin inspiracin
permanente puede utilizar cmo mtodo de ayuda para superar esta situacin el compositor musical
a travs de AAGG. El primer objetivo de todos los que se van a plantear es que las canciones
generadas por la herramienta sean agradables al odo, es decir, las partes disonantes deben ser
armnicas y deben ser una minora en proporcin a las que no. No tendra sentido que una persona
componga un tema que sea desagradable al escucharlo, si bien hay distintos gneros musicales y
existen personas que no les gustan unos y si otros, dentro de cada gnero existen ciertos
Hoja 6/85
comportamientos intrnsecos a l que hacen que stos tengan una estructura ms o menos definida y,
dentro de esta, sern agradables al odo de las personas a las que les gusta ese tipo de msica. El
segundo objetivo es netamente legislativo, para proteger la propiedad intelectual de los
compositores. Las canciones generadas por el algoritmo de composicin musical no deben ser
plagio de las partituras que les dieron origen. Se fijar un criterio el cul debe cumplirse
estrictamente para no ser victimarios del delito de plagio, respetando de esta manera a toda la
comunidad artstica de la cul se forma parte. Se debe ser muy cuidadoso a la hora de producir un
nuevo contenido artstico ya que este puede incurrir en el delito de violacin a la ley 11.723 de
Propiedad Intelectual de la Repblica Argentina, por estos motivos se fija este objetivo
completamente orientado al proteccionismo y el respeto. Como tercer parte este programa debe
respetar los gustos musicales del usuario, se buscar que la respuesta del sistema sea una clara
consecuencia de la entrada que se le de al mismo, suponiendo de esta forma que el usuario quiera
usar como base generadora de su composicin las partituras iniciales, manteniendo ciertas
caractersticas de los mismos, vindose afectadas en parte, lo suficiente como para generar una
cancin que cumpla con el segundo objetivo pero a la vez se cumpla con el que se esta definiendo
en este punto. Por ltimo, el software debe generar una partitura con ciertos criterios definibles
por el compositor, todas las transformaciones que sufran las partituras de entrada al sistema deben
estar reguladas a gusto y capricho del usuario, pudiendo definir distintos tipos de restricciones o
reglas a travs de las cules se premien o se castiguen ciertas mezclas o caractersticas musicales
que se puedan ir dando a lo largo del proceso iterativo de composicin, cumpliendo as con las
metas que est buscando el usuario en funcin de poder manejar algunas de las variables que se
encuentran libradas al azar dentro de la ejecucin del programa.
3) Problema a resolver
Un msico muchas veces cae en mesetas de inspiracin que limitan su produccin musical, la
mayora de las veces esto sucede luego de haber tenido una etapa muy fructfera en cuanto a
composicin. Adems, un compositor sufre de momentos efmeros de iluminacin que muchas
veces terminan decantando en pequeas piezas musicales que quedan condenadas, en general, al
olvido.
Por ello, se necesitara implementar una solucin que permita obtener un material en crudo para ser
escuchado, estudiado, analizado y, finalmente, modificado a criterio del msico con el fin de
servirle a ste de ayuda para los momentos de poca inspiracin. Este material debe poder obtenerse
de manera flexible tanto de las pequeas piezas que se componen como de canciones completas ya
Hoja 7/85
que no siempre se cuentan con las primeras.

Dado que en la msica oriental existen 12 notas musicales y distintos tipos de combinacin entre
ellas es difcil para un algoritmo saber cuando una pieza suena bien o no, adems existen estudios
llamados de armona que se encargan de este tipo de cuestin. Si bien existen las disonancias,
sonidos tensos o poco agradables al odo, stas enriquecen la composicin quitndole la monotona
de seguir algn tipo de escala conocida para ese tipo de estructura de cancin. Adems, las mismas
pueden ser una introduccin a un cambio de tonalidad haciendo de pase o puente entre una y otra.
Por ltimo, queda sealar, que siempre la msica queda reducida al criterio del compositor, lo que
busca, siente y quiere expresar, no existen reglas que descarten la disonancia, pero por oro lado a
nadie le gustara una cancin que en cada una de sus partes haya tensin o sea totalmente disonante.
Por una cuestin de respeto tanto a la comunidad artstica como al pblico y de idoneidad, una
cancin no debe ser un plagio de otra. No existe un criterio uniforme que determine cuando una
pieza musical ha copiado a otra, esto genera varias preguntas:
1. Con que tenga alguna mnima parte igual ya implica que un artista a copiado a otro?
2. Qu significa una mnima parte? Cunto es?
3. Cmo se determina esto en los gneros ms populares dnde las canciones son ms
parecidas ente ellas?
4. Qu y cunto tienen que tener de distinto para diferenciarse?
Se podran escribir muchos interrogantes similares que nos den cuenta que este es un problema
complejo y difcil de solucionar. Tanto es as que en los juicios sobre plagio no se aplica otro
criterio que no sea el de os peritos musicales, no hay un mtodo o regla exacta que nos permita
descubrir o determinar si se ha incurrido en una violacin a la propiedad intelectual.
Cada artista tiene su estilo bien marcado, esta esta caracterstica no puede ser simplificada a algunas
pocas formas y recursos musicales, es mucho ms complejo que eso. Se sabe que la bsqueda de
una identidad musical le lleva varios aos de trabajo y esfuerzo a cualquier compositor o msico de
cualquier gnero. Adems, una vez que se encuentra el mismo, no se deben estancar en la
simplicidad de haber llegado a su (primera) meta, el camino recin empieza, ahora quedar la
profundizacin del concepto, las variaciones para no caer en la monotona, la evolucin de lo que se
ha encontrado, etc. es un trabajo arduo y continuo que no tiene un fin determinado.
Ms all del gnero o estilo musical que se este buscando respetar, generar o lograr, el compositor
puede estar interesado en que no estn presentes ciertas caractersticas musicales en funcin de sus
objetivos. Que el usuario pueda tratar de evitar una conjuncin de notas disonantes, exceso de
silencio en los compases, muchas idas y vueltas en cuanto a los tiempos musicales a lo largo de la
cancin y la cantidad de notas mximas y mnimas por comps es fundamental para poder llegar a
Hoja 8/85
las metas que un msico se propone cuando busca algn tipo de inspiracin a partir de la cul
desarrollar sus habilidades. Este problema tambin se puede plantear de la forma inversa, es decir,
que en vez de que se evite que se formen ciertas particularidades en las partituras generadas, se
desee fomentarlas.
4) Definicin de soluciones a los problemas planteados

Con el fin de solucionar el primer problema planteado, poder generar temas musicales agradables al
odo, se ha pensado en que la mejor solucin para no caer en la rigidez y la monotona es usar el
criterio del usuario. Esto no significa que el mismo tendr la ardua tarea de identificar en cada paso
de cada iteracin si las canciones que se estn generando son o no agradables al odo, por el
contrario, esto implicar que el compositor defina cules son las primeras soluciones al problema de
composicin para el algoritmo gentico y, de esta manera, ya estar dando por sentado las bases de
las posibles combinaciones entre partituras que se den en las distintas instancias de la evolucin en
el proceso de composicin automtica. Si bien no se puede planear o imaginar todas las
combinaciones posible que pueden tener las piezas musicales entre ellas, se puede hacer un anlisis
general sobre el problema a travs del los tonos de las canciones. Hay tonos que pueden combinarse
con otros sin ser disonantes, otros que generan una disonancia de tensin que puede enriquecer
mucho el tema y otros que finalmente no podran mezclarse porque no podra cumplir con la regla
de generar canciones agradables al odo. La cantidad de temas, su longitud, sus variaciones, sus
tonos, todas sus caractersticas y sus proporciones quedaran en manos del usuario en funcin de
establecer y sentar las bases para la composicin.
En funcin de no caer una violacin a la propiedad intelectual el algoritmo gentico no slo ir
mezclando los distintos compases de las diferentes canciones, sino que tambin, aplicar una
mutacin o modificacin de los compases de manera estadstica que producir una gran variacin
de las canciones de las cuales partimos. De esta forma y, a partir de las iteraciones evolutivas que se
establezcan, se ir modificando paso a paso cada una de las piezas musicales que se encuentran
como parte del proceso de composicin automtica. Dado que estas variaciones no son
determinsticas en cuanto a cundo se producen, sino que por el contrario es un proceso estocstico,
otra vez se ver involucrado el usuario para definir una probabilidad de ocurrencia de este
fenmeno.
En funcin de poder respetar los gustos o preferencias musicales de un usuario se definir la
implementacin de un sistema de premios y castigos para poder fomentar y desalentar ciertas
caractersticas o propiedades de acuerdo a lo que el usuario est buscando. Si se desea componer un
Hoja 9/85
tema de rock se alentar que estn presentes todas las particularidades que posee el gnero, en
cambio, si se busca formar una pieza musical de jazz, se pedir que las combinaciones que se
premien sean otras totalmente distintas. Por este motivo, se intentar generar una cantidad de reglas
genricas que abarquen un gran espectro de posibilidades y, que de acuerdo a su combinacin y
especificacin le permitan al compositor poder expresarse con mnimas limitaciones para poder
llegar a su objetivo. Si bien el sistema de restricciones definido por las reglas que exprese el usuario
no es determinstico en funcin de lo buscado, si lo ser en funcin de las canciones que mejor se
adapten a stas.
El compositor puede estar buscando que su composicin se encuentre sesgada por ciertos rasgos
que no son comunes a un gnero o estilo musical, para ello sera ideal poder contar con una
herramienta que con tan solo recibir partituras que posean estos rasgos extraiga su idea principal,
musicalmente hablando, con el fin de plasmarla en la composicin final. Como un ejemplo de ello
se podra decir que se est queriendo llegar a componer una cancin que sea un HIT, esto no es
propio de ninguna rama de la msica. Para poder lograr la solucin a este problema se puede
entrenar una red neuronal que procese el tipo de cancin que el usuario especifique y obtenga un
modelo con tal de respetar el criterio definido musicalmente. Como contraste a esto, tambin se
solicitar al compositor que indique las partituras que estn alejadas de los objetivos o no cumplan
con la idea musical que se desea encontrar.
5) Estado de la cuestin
5.1) Algoritmos Genticos
Los AAGG[1], [2] son mtodos adaptativos que pueden usarse para resolver problemas de bsqueda y
optimizacin. Estn basados de la teora de la evolucin de Darwin (1859)[5]. La idea bsica del
mismo es generar una poblacin inicial que evolucione a travs del tiempo (proceso iterativo)
dnde en cada iteracin sobreviven los individuos ms aptos por sobre los ms dbiles. La
evolucin de dichas soluciones hacia valores ptimos del problema depende en buena medida de
una adecuada codificacin de las mismas.
Este tipo de solucin algortmica se emplea en problemas dnde el tiempo computacional en buscar
la resolucin ptima es tan elevado que se hace inaceptable dada la naturaleza de la situacin. Por lo
que se decide buscar una solucin que est acorde a las necesidades planteadas en un tiempo
significativamente menor. Para ello se busca una cantidad inicial de soluciones vlidas que irn
evolucionando hasta llegar al nivel de eficiencia deseado. Este conjunto de individuos cruzar sus
Hoja 10/85
datos generando de esta manera un nuevo espectro de soluciones de las que sobrevivirn los que se
acerquen ms a la resolucin esperada. Tambin existe un proceso de mutacin probabilstica que se
lleva a cabo muy rara vez, su objetivo es modificar un dato de un individuo y de esta forma
asegurarse que:
La convergencia del algoritmo no sea muy pronta.
La diversidad de la poblacin interviniente sea lo suficientemente amplia como para

comparar la mayor cantidad de individuos.
5.2) Redes Neuronales

Las RRNN[3], [4] son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma
en que funciona el sistema nervioso de los animales. La misma consta en un red de N capas de
neuronas interconectadas, existe un estrato de entrada de datos y uno de salida (en el caso de las
redes de una capa ser la misma). Existen varios tipos de RRNN, pero en este trabajo usaremos las
del tipo Backpropagation. stas redes se entrenan teniendo un set de datos de entrada y su
correspondiente set de datos de salida (esperados), cuando la red no da el resultado esperado se le
indica y sta cambia la disposicin interna con tal de obtener la salida esperada. De esta manera la
RN adquiere el conocimiento deseado para luego aplicarlo en las situaciones que se le invoquen.
5.3) Composicin musical

La composicin musical[1],
[6]
es un proceso creativo que pertenece a la naturaleza humana. La
misma expresa situaciones, vivencias, experiencias, sensaciones, sentimientos, etc. que pueden estar
acompaados de una letra que complemente el significado de cada comps, estrofa o parte musical
compuesta. Cada tipo de msica distinta (msica popular, msica folclrica, msica contempornea,
msica de cine, etc) trae aparejado un estilo, forma de componer, reglas propias de meloda y
armona, instrumentos involucrados, etc. conocido, utilizado y estudiado por msicos.
Una arista de la composicin musical que ha trado aparejadas muchas historias y peleas entre
compositores es el criterio que establece qu es una cancin (musicalmente) nueva y qu es un
plagio a creaciones ya existentes. En este tema no hay un estndar que lo indique a nivel mundial,
pero la legislacin de cada pas establece sus propios criterios para tal fin.
5.3.1) Criterio de composicin musical

El artculo 10 de la ley 11.723 de Propiedad Intelectual de la Repblica Argentina define a lo que en
derecho se conoce como derecho de cita de la siguiente manera:
Cualquiera puede publicar con fines didcticos o cientficos, comentarios, crticas o notas referentes a las
Hoja 11/85
obras intelectuales, incluyendo hasta mil palabras de obras literarias o cientficas u ocho compases en
las musicales y en todos los casos slo las partes del texto indispensable a ese efecto.
Quedan comprendidas en esta disposicin las obras docentes, de enseanza, colecciones, antologas y
otras semejantes.
Cuando las inclusiones de obras ajenas sean la parte principal de la nueva obra, podrn los tribunales fijar
equitativamente en juicio sumario la cantidad proporcional que les corresponde a los titulares de los
derechos de las obras incluidas.
5.4) Trabajos Realizados

Se han desarrollado varios estudios en base al estudio del arte computacional[7], [8], [9], [10], [11], [12], en
particular para este caso aplicaciones de Desarrollo de la soluciones RRNN y AAGG para la
composicin musical[3], [4], [13] , [14], [15], [16], [17], [18], [19], [20], [21], [22], [23], [24], [25],
[26], [27], [28], [29], [30], [31], [32], [33], [34], pero todos de diferentes enfoques, anlisis y
conclusiones; incluso hasta se han grabado discos y se ha promocionado este tipo de arte
tecnolgico. Los enfoques ms importantes son:
Gibson and Byrne[35] hicieron un trabajo basado en la armonizacin de melodas usando solamente
las notas tnicas subdominantes (la cuarta nota de una escala musical, Ej. en la escala de Do la
subdominante es el Fa) y dominantes (la quinta nota de una escala musical, Ej. en la escala de Do la
dominante es el Sol) de los acordes pertenecientes de las melodas estudiadas.
Jacob[36] present su trabajo de composicin en el cul los AAGG son usados para identificar y
diferenciar melodas aceptables para el odo humano, las mismas son tomadas de la salida que
produce un proceso de generacin de msica estocstico. A partir de esa eleccin comienza el
proceso de mejora y refinamiento propio del AG. McIntyre[37] realiz estudios de armonizacin de
4 partes usando una armona barroca.
Uno de los proyectos ms conocidos es GenJam (Biles)[38], [39], [40], [41], [42], un AG que genera solos de
jazz en base a una sucesin de acordes. Establece escalas para la improvisacin de acuerdo al
acorde utilizado en el momento. Dada la progresin de los mismos se analiza y se establecen las
notas en base a las escalas musicales. Mientras la aplicacin da una muestra en tiempo real de como
quedara el solo, el usuario aprueba o rechaza la misma dando de esta manera un entrenamiento a
una red neuronal que luego tomar las decisiones por el usuario de forma automtica.
Se ha hecho un trabajo similar (George Papadopoulos and Geraint Wiggins)[43] para establecer una
meloda dada la progresin de acordes que se recibe, en este caso se establece una funcin de
aptitud y no una red neuronal para elegir a los individuos ms aptos. Esta investigacin se focaliz
en intentar reproducir el comportamiento humano de la composicin por lo que se utilizan una
funcin de aptitud basada en conocimiento psicolgico musical. El trabajo abordado por esta tesis
Hoja 12/85
se diferenciar de los dos ltimos mencionados ya que se enfocar en la composicin musical desde
todos los puntos de vista y maneras de trabajar, no slo se podrn componer nuevas melodas sino
que tambin nuevas progresiones de acordes. Tambin se trabajar con distintos tipos de mtodos
en la determinacin de los individuos ms aptos, lo que llevar a un entendimiento con el usuario
para adaptar los AAGG a su gusto. Finalmente se evaluar a la partitura generada aplicando el
criterio explicado en el punto 2.3 que determinar si sta es realmente una nueva pieza musical de
forma genuina y autntica o es un plagio de alguna de las partituras originales.
Una caracterstica a destacar es que la forma en la que trabajaremos podremos utilizar como fuentes
de composicin melodas o progresiones de acordes que pertenezcan a cualquier ritmo musical lo
que aporta una riqueza en el producto final que no se posee en los trabajos hasta ahora
mencionados.
Se comparar contra el software de composicin musical llamado Easy Music Composer[45] y el
producido por esta tesis usando el criterio explicado en el punto 2.3.1 con el fin de mostrar el salto
cualitativo que esta produce.
Este software recibe como entrada una secuencia de acordes que luego es armonizada utilizando
armonas pertenecientes a su base de datos, generando de esta manera la composicin musical
buscada. Se ha seleccionado este software para la comparacin ya que ambos comparten el universo
de la composicin automtica, pero sabiendo que ambos lo encaran de distintas aproximaciones.
Se pretende demostrar que el mtodo de aproximacin a travs de AAGG mejora la composicin
automtica de msica en funcin de los criterios de propiedad intelectual del resultado generado.
6) Desarrollo de la solucin
Como se puede apreciar en la seccin 2 se ha trabajado arduamente con la msica y los algoritmos
genticos. Lo que no se ha hecho es tratar de componer nuevas melodas o temas musicales usando
este tipo de abstraccin. Siempre las melodas estaban dadas y el algoritmo realizaba distintos
trabajos con diversos focos en cada uno de ellos. El objetivo de este trabajo es romper totalmente
con los esquemas de investigacin y desarrollo que se han utilizado en el rea, intentando
componer, tal como lo hace una persona, nuevas piezas musicales. Para ello se trabajar con una
cantidad inicial de partituras de temas ya existentes o recin compuestos que en los que se quiera
investigar, sobre ellos se considerar a cada comps como un cromosoma del individuo
interviniente y entre ellos se realizar la cruza. Luego de varias iteraciones cada uno de los temas
originales se vern totalmente modificados en estructura, tiempos, ritmos, sonoridades, etc.
generando de esta manera canciones nuevas. De la morfologa, estructura y sonoridad de stas
Hoja 13/85
puede nacer la inspiracin que busca el compositor, o, directamente una nueva composicin musical
de manera automtica. Adems, los AAGG, al depender del azar pueden producir muchas
soluciones diferentes, lo que es necesario en los ambientes creativos.
Como funcin de aptitud (para elegir las mejores canciones de cada iteracin) se utilizarn tres
posibilidades distintas:
1. Un archivo de configuracin en el cul se especificarn ciertos parmetros asociados a las
combinaciones musicales buscadas penando las que no se produzcan en ese sentido.
2. El usuario podr entrenar una red neuronal que permita discernir que melodas son las
buscadas y seguirn en pie dando origen a la poblacin siguiente y que melodas pasarn al
olvido.
Se usado un software open source para utilizar su modelado, abstraccin, grfica, etc. para la
escritura de las partituras musicales a procesar. En el mismo tambin se disean, escriben y guardan
los archivos de datos correspondiente a la entrada de la aplicacin a desarrollar. El archivo de salida
ser de igual formato que los que ingresan, para ser reproducidos, nuevamente se apelar al editor
de partituras en cuestin. Por estar desarrollado en el lenguaje de programacin Java, ser un
software OpenSource, su simpleza en cuanto a la usabilidad, su capacidad de abrir y guardar en los
formatos ms conocidos de partituras, se eligi el TuxGuitar como editor de partituras.
En la tesis se tomar el criterio explicado en el punto 2.3.1 como parmetro para determinar si la
composicin musical hecha a travs de algoritmos genticos genera canciones nuevas o no, es decir,
si las piezas resultantes contienen hasta 8 compases idnticos, sin importar el orden, a alguna de las
melodas que les dieron origen, se considerar que no a compuesto msica, que se est plagiando;
en caso contrario diremos que el resultado es genuinamente original.
Se podrn mezclar cualquier instrumento excepto la batera ya que no sigue las mismas reglas de
escritura musical de una partitura que cualquiera de los otros instrumentos que existen. El formato
para escuchar las canciones resultantes ser mediante el protocolo de comunicacin MIDI.
Se desarroll un sistema que en base a una entrada de partituras musicales genera, de acuerdo a la
funcin de aptitud elegida, una partitura sin violar la ley de propiedad intelectual con respecto a las
originales, que es la que mejor se adapta segn lo seleccionado por la funcin de aptitud.
La aplicacin toma la configuracin para su funcionamiento a travs de un XML. El mismo define
varios parmetros para el uso de AAGG de la siguiente manera:
<?xml version="1.0" encoding="UTF-8"?>
<songComposer>
<configuration evolutions="2000" mutationRate="10000" crossoverRate="0.6">
Hoja 14/85
El encabezado XML, la etiqueta songComposer, su hijaconfiguration y sus atributos son

obligatorios. Los 3 atributos establecen los siguientes parmetros:
evolutions: nmero de iteraciones o evoluciones que va a tener el algoritmo.
mutationRate: nmero que especifica la probabilidad de que ocurra una mutacin por cada
vez que se evala si una cancin debe mutar, es decir que si el valor es 1000, ocurrir (de
manera aproximada) una mutacin por cada 500 iteraciones si tenemos dos canciones a
evaluar.
crossoverRate: nmero que representa a partir de que punto aproximado se hace el cruce de
partituras entre dos canciones elegidas al Desarrollo de la solucion azar cuando se cruzan
partituras en bsqueda de otras nuevas.
Luego de especificar estos parmetros generales se espera que se especifiquen 2 rutas, la primera
indica la carpeta que contiene los archivos de entrada o partituras iniciales, la segunda establece el
archivo de salida. Se especifican con los tags inputPath y outputFile como hijos de
configuration, un ejemplo sera:
<songComposer>
<inputPath>/home/ezequiel/SongComposer/songs/eleccion/</inputPath>
<outputFile>/home/ezequiel/SongComposer/songs/output/prueba.tg</outputFile>
Finalmente debe especificarse el tipo de funcin de aptitud abriendo la correspondiente etiqueta

llamada fitnessFunction e indicndolo en el atributo type. Los valores pueden ser XML para
usar el sistema de penalizaciones que se va a especificar con los hijos de este tag o NeuralNet
para usar RRNN.
El primer caso es un sistema de penalizaciones que se aplica cuando se dan ciertas condiciones.
Todas las canciones empiezan con un puntaje determinado y se le van restando las penalizaciones,
el individuo ms apto ser el que tenga mayor cantidad de puntos. Vale aclarar que para hacer el
camino inverso al de la penalizacin, es decir, la premiacin de alguna condicin o caracterstica
musical presente, se puede penalizar con un valor menor a cero, por lo que la misma se
transformara en una adicin de puntos en lugar de una quita. Esta funcionalidad inversa puede ser
aplicada a cualquier tipo restriccin.
Las 3 condiciones que hoy se contemplan son las siguientes:
Hoja 15/85
1. Restriccin de notas: penaliza que en un mismo comps se encuentren dos notas

especificadas
(expresadas
en
notacin
americana,
DO-RE-MI-FA-SOL-LA-SI
es
equivalente a C-D-E-F-G-A-B), se evalan para todos los compases de la partitura. La

etiqueta que se debe usar para indicar esta restriccin es noteRestriction y sus atributos
son:
penalty: nmero entero que indica la penalidad a aplicar.
firstNote: primer nota que debe estar presente para aplicar la penalidad.
secondNote: segunda nota que debe estar presente para aplicar la penalidad.
Ejemplo de uso:
<noteRestriction penalty="1" firstNote="C" secondNote="C#" />
2. Restriccin de tiempos: penaliza que en una misma partitura se encuentren los dos tiempos
especificados (Ejemplo 2/4, 4/4, etc). El tag que especifica la restriccin es
tempoRestriction y sus atributos son:
firstTempo: primer tiempo que debe estar presente para aplicar la penalidad.
secondTempo: segundo tiempo que debe estar presente para aplicar la penalidad.
Ejemplo de uso:
<tempoRestriction penalty="4" firstTempo="2/4" secondTempo="2/3" />
3. Restriccin de cantidad de notas: penaliza la cantidad de notas, ya sea mnima o mxima,

que se encuentran en un comps a lo largo de toda la partitura. La etiqueta que configura la
restriccin es para mximo de notas maxNotesPerMeasureRestriction y para mnimo
minNotesPerMeasureRestriction y sus atributos son:
NotesPerMeasure: cantidad de notas en la cul se empieza a aplicar la restriccin.
Ejemplo de uso:
<minNotesPerMeasureRestriction penalty="100" notesPerMeasure="3" />
Un ejemplo de uso con todas las restricciones es el siguiente:

<songComposer>
<fitnessFunction type="XML">
<noteRestriction penalty="-1" firstNote="C" secondNote="F" />
Hoja 16/85
<noteRestriction penalty="1" firstNote="D" secondNote="C#" />

<noteRestriction penalty="3" firstNote="F" secondNote="F#" />
<noteRestriction penalty="2" firstNote="G" secondNote="F#" />
<tempoRestriction penalty="4" firstTempo="2/4" secondTempo="2/3" />
<maxNotesPerMeasureRestriction penalty="4" notesPerMeasure="7" />
<minNotesPerMeasureRestriction penalty="100" notesPerMeasure="3" />
</fitnessFunction>
</configuration>
</songComposer>
El segundo tipo de funcin de aptitud se establece a travs de una red neuronal, puede ser una que
ya hallamos entrenado o se puede entrenar una nueva red. La misma es del tipo Backpropagation y
tiene 4 capas, una de entrada, dos ocultas y una de salida. La primer capa tiene la cantidad de
neuronas igual a la menor cantidad de compaces de las canciones con las cules se entren, la
segunda y la tercer capa se configuran con el XML de configuracin, la ltima slo tiene una
neurona que indica de 0 a 1 la preferencia de ese tema para continuar en la siguiente iteracin del
algoritmo gentico.
Para especificar los parmetros de configuracin y de aprendizaje de la red neuronal se usa la
etiqueta learningConfiguration como hija de fitnessFunction. La misma tiene los siguientes
atributos:
trainingCicles: nmero que indica la cantidad de ciclos que va a usar la red para entrenarse
tratando de llegar a los valores esperados
neuronsHiddenLayer1: nmero que indica cuntas neuronas tiene la primera de las capas
ocultas.
neuronsHiddenLayer2: nmero que indica cuntas neuronas tiene la segunda capa oculta.
Ejemplo de uso:
<learningConfiguration trainingCicles="200000" neuronsHiddenLayer1="10"
neuronsHiddenLayer2="10">
Para que la red pueda ser entrenada hay que pasar la direccin a una carpeta que contenga las
partituras que representen los objetivos buscados y otra a una carpeta que contenga las canciones
que poseen propiedades que no nos interesan de un tema. Estos parmetros se especifican con tags
propios que sern hijos de learningConfiguration, los mismos son pathTotrainingFolderGood y
pathTotrainingFolderBad respectivamente. Luego de ser entrenada la red se guarda en disco para
que pueda ser utilizada ms adelante, esto se establece con otra etiqueta hermana de las dos
indicadas anteriormente, la misma se llama pathToSaveNeuralNet.
Hoja 17/85
Un ejemplo de uso de esta configuracin es:

<songComposer>
<fitnessFunction type="NeuralNet">
<learningConfiguration trainingCicles="200000" neuronsHiddenLayer1="10"
neuronsHiddenLayer2="10"
<pathTotrainingFolderGood>/home/ezequiel/SongComposer/songs/C</pathTotrainingFol
derGood>
<pathTotrainingFolderBad>/home/ezequiel/SongComposer/songs/D</pathTotrainingFold
erBad>
</learningConfiguration>
</fitnessFunction>
</configuration>
</songComposer>
Para usar una red neuronal ya entrenada se debe especificar la ruta al archivo en disco, la misma se
especifica con el nombre pathToLoadNeuralNet. No se deben especificar los datos de
configuracin de aprendizaje porque no corresponde al modelo que vamos a utilizar al cargar la red.
Un ejemplo de uso de esta configuracin es:
<songComposer>
<fitnessFunction type="NeuralNet">
<pathToLoadNeuralNet>/home/ezequiel/SongComposer/NN/red.nnet</pathToLoadNeuralNe
t>
</fitnessFunction>
</configuration>
</songComposer>
Hoja 18/85
La invocacin del programa se hace de la siguiente manera, generando la salida mostrada a

continuacin:
$ java -jar SongComposer.jar
SongComposer
- Modo de uso para procesar:
java -jar SongComposer.jar pathToConfigurationXMLFile
- Modo de uso para abrir el editor de partituras (TuxGuitar):
java -jar SongComposer.jar -tuxguitar
Esta manera de ejecucin sin argumentos nos muestra los usos que la aplicacin puede tener. El
primer ejemplo mostrado recibe la ruta al archivo XML de configuracin cuya conformacin y
variantes se explic anteriormente. El segundo, se utiliza para abrir el editor de partituras usado
para este proyecto, el TuxGuitar 1.2.
Durante la ejecucin de composicin se muestran por salida estndar el nmero de evolucin por el
cul se esta atravesando y, ya sobre el final de la corrida, se muestra cunto se tard y qu compaces
son iguales a las canciones originales de las cules se parti. La informacin mencionada se muestra
de la siguiente forma:
Evolucion: 1997
Evolucion: 1998
Evolucion: 1999
Se guardo la mejor cancion
Compas 7 fittest igual compas 7 de Twist And Shout
Compas 20 fittest igual compas 20 de Twist And Shout
Compas 59 fittest igual compas 59 de La Bolsa
Compas 62 fittest igual compas 62 de La Bolsa
Compas 39 fittest igual compas 39 de Avalancha
Compas 40 fittest igual compas 40 de Avalancha
Compas 57 fittest igual compas 57 de El muelle de San Blas
Compas 62 fittest igual compas 62 de Oye Mi Amor
Compas 12 fittest igual compas 12 de Don't Look Back In Anger (Acoustic)
Hoja 19/85
Compas 53 fittest igual compas 53 de Angie

Compas 45 fittest igual compas 45 de Lucky
Compas 50 fittest igual compas 50 de Lucky
Compas 22 fittest igual compas 22 de Amigo
Se tardaron: 0hs 0m 11s
Esta informacin nos permite ver fcilmente si nuestro tema final incurre en la violacin a la ley de
propiedad intelectual o no, es decir, que si la salida nos muestra que nuestro tema compuesto tiene
ms de 8 compaces iguales a alguno de los temas que le dio origen estamos en infraccin.
Una vez finalizada la ejecucin se abre el editor de partituras para poder ver, evaluar y escuchar lo
que se ha generado.
6.1) Armado de la Red Neuronal

Para serializar los datos ha que tener en cuenta que en una partitura todos los datos que se pueden
leer se pueden asociar y combinar sin ninguna limitacin, desde las notas propiamente dichas (es
infinito cun aguda o grave es una nota, la nica limitacin aqu es el instrumento, cuntas teclas
tiene el piano, cuntos trastes la guitarra, el largo del violn o el chelo, etc), la cantidad de notas (en
un comps o que suenan en simultneo), sus tiempos asociados (redonda, blanca, negra, semi
corchea, etc) hasta la cantidad de compaces. Dadas las caractersticas de estas variables se dise
una manera de serializar los datos que tenga en cuenta todos estos aspectos.
Se tuvieron que plantear ciertas limitaciones para establecer el universo en el cul la aplicacin se
va a manejar. Las mismas son:
Se determin que habr una relacin unvoca entre neuronas de entrada y compaces de las
canciones, al ser un nmero variable entre todas ellas se fij que se evaluarn solamente los
compaces de la cancin que tenga menor cantidad de ellos, todos los compaces que superen
ese nmero no sern evaluados.
Ejemplo: Si tenemos 3 canciones: A, B y C que tienen respectivamente 50, 60 y 100
compaces solamente se tomarn en cuenta los primeros 50 generando una red neuronal con
ese nmero de neuronas en la primer capa.
Se fij la nota ms grave y la nota ms aguda de acuerdo a un instrumento de referencia, en

este caso, la guitarra. Por lo que por su conformacin la nota ms grave es un Mi mayor
tocando la sexta cuerda (la ms gruesa) sin presionar ningn traste, lo que comnmente se
llama al aire. De la misma forma, por una limitacin fsica del instrumento, se establece la
Hoja 20/85
nota ms aguda que se puede producir, que en este caso, se logra tocando la 1 er cuerda (la
ms fina) en el ltimo traste, comnmente, el nmero 29.
Por una cuestin de simplicidad a la hora de abordar el problema se decidi ignorar en la

serializacin los efectos que una nota o un conjunto de notas pueda llegar a tener.
Dado que una partitura puede tener escrita todos los instrumentos y no es compatible
mezclarlos deliberadamente se toma en cuenta solamente el primer track de la cancin, es
decir, que todos los tracks ms all del elegido para ser evaluado sern ignorados.
A partir de estas bases se estableci un nmero correspondiente a cada nota, para la ms grave un 1,
para la siguiente un 2 y as sucesivamente hasta alcanzar el nmero mximo alcanzable por el
instrumento. En la prctica se observ que la red funcionaba mucho mejor con datos normalizados
por lo que finalmente la nota serializada es: N nota / N nota mxima. En cada comps se suman
todas las serializaciones de las notas generando la entrada de datos para la red. Cuando la nota sea
un silencio se tomar el valor cero para el mismo.
Usando esta configuracin y forma de manejar los datos se tienen en cuenta la cantidad de notas
que se encuentran en un comps y sus valores intrnsecos. Tambin se valora, de acuerdo a la escala
normal utilizada, las octavas de preferencia de las notas; no es lo mismo un Mi grave que uno
agudo, esto se produce al tener una distinta representacin numrica como dato de entrada
serializado para el uso de la red neuronal. Los valores mas agudos tendrn un valor ms cercano a
uno dado que se producen a medida que se avanza sobre el traste de la guitarra y los sonidos ms
graves sern representados por nmeros cercanos al 0. De forma menos ortodoxa tambin es tenido
en cuenta el tiempo de cada nota y el del comps en la modelizacin en cuestin, esto sucede
porque musicalmente cuando se define un tiempo para un comps o serie de compaces se limita el
tamao del tiempo de las notas, si el tiempo de un comps es definido en 4/4 entran o 4 negras o 2
blancas o 1 redonda y si se lo define en 3/3 se pueden escribir o 3 negras o 1 blanca y una negra
pero no una redonda; entonces al sumar cada nota del comps habr distintos valores medios por
comps de acuerdo a este tipo de caracterstica.
La eleccin de la funcin de transferencia fue un paso importante para este proyecto, de acuerdo
con las variantes que haba disponibles se eligieron las que podan resolver mejor este problema y,
empricamente se hicieron distintas pruebas para determinar la mejor opcin de todas. Las
posibilidades ms importantes eran:
Lineal y = b * x : Es la funcin de transferencia ms simple que existe, se transfiere a la

siguiente capa el valor de entrada aplicndole solamente una transformacin lineal. Este tipo
de funcin se utiliza generalmente para transferir una entrada de datos a dos capas paralelas
Hoja 21/85
de procesamiento, este uso se muestra en el siguiente diagrama:
Figura 1: Diagrama de conexin del Linear Layer.
Biased y = x + biasn (biasn es el bias de la ensima neurona): Esta tipo de transferencia es

una extensin de la lineal porque aplica una transformacin lineal pero a la vez difiere en
dos aspectos:
1. Al usar biases la transformacin se va modificando durante la fase de entrenamiento.
2. No tiene un multiplicador como parte de la funcin.
x
y=1/(1+ e ) : Aplica una transferencia no lineal con un rango de datos que va
Sigmoid
desde cero a uno, es un buena funcin para ser utilizada en las capas ocultas de una red
neuronal.
TanH
x
x
x
x
y=(e e )/(e + e ) : Es similar a la Sigmoid, slo que se aplica la tangente
hiperblica y por lo tanto la salida quedar limitada en un rango comprendido entre menos
uno y uno.
c
x
x
SoftMax y=e / e : Como la Sigmoid tiene una salida que cubre el rango entre cero y
j=1
uno, pero la gran diferencia es que la suma de todas las neuronas de la misma capa suman 1.
Gracias a esta caracterstica la salida de esta funcin de transferencia puede ser interpretada
como probabilstica. Su uso ms frecuente es en redes neuronales supervisadas para la
clasificacin entre C elementos.
Logartmica
y=log(1+ x)si x1
: En este caso el resultado de la funcin va de cero a
y=log(1x ) si x <1
infinito. Esta relacin nos permite evitar la saturacin de procesar muchos elementos entre
cero y uno, dnde la Sigmoid y la TanH tienen una curva de respuesta de muy poca
pendiente.
Seno
y=sin ( x) : Este tipo de transferencia suele utilizarse para problemas que poseen
cierta periodicidad en su estructura. El rango de salida es de menos a uno.

La funcin de transferencia que se utiliz para resolver el aprendizaje sobre la composicin musical
buscada fue la Sigmoid.
Hoja 22/85
La estructura interna de la red depende de la cantidad de informacin que debe aprender, por lo que
para hacerla ms flexible se pueden configurar el nmero de neuronas de las 2 capas ocultas de la
misma. Empricamente se comprob que para memorizar los 40 primeros compaces de entre 25 y
30 canciones se necesitan 10 neuronas en cada una de las capas.
La conformacin de la cantidad de neuronas por capa de la red siempre sigue el siguiente patrn:
1. Capa de entrada de datos: La mnima cantidad de compaces que posean de los temas de
aprendizaje.
2. Primer capa oculta: Se configura mediante el XML.
3. Segunda capa oculta: Se configura mediante el XML.
4. Capa de salida de datos: La ltima capa se resume a la probabilidad de que ese tema sea el
buscado. Si el nmero es cercano a uno estamos en presencia de patrones musicales de
agrado para el usuario, para el caso contrario el lmite es el cero.
La morfologa de la red neuronal depende del entrenamiento que se le d a la misma (dado que en
ese momento se establecer la cantidad de neuronas de entrada, es decir, la cantidad de compaces
que se tomarn en cuenta para la evaluacin), la configuracin que se escriba en el archivo XML
para las capas ocultas y, finalmente, la capa de salida de datos que revelar la probabilidad de que
ese tema contenga la idea musical que se est buscando. Esta flexibilidad que se posee permite al
usuario afrontar problemas de menor y mayor embergadura en cuanto se refiere a la composicin
musical buscada solamente cambiando el archivo de configuracin que recibe la aplicacin. Si se
desea trabajar con estilos de msica cuyos temas en general son de duracin extendida slo se debe
agregar ms neuronas en las capas ocultas ya que para la capa de entrada se identifica
automticamente la cantidad de neuronas necesarias para llevar a cabo su procesamiento; en
cambio, si se desea trabajar con un universo de temas musicales cuya caracterstica es tener una
corta duracin slo se debe disminuir el nmero de neuronas de las capas ocultas.
6.2) Arquitectura del sistema

La aplicacin hace uso de tres frameworks, los mismos son:
1. JGAP[46] 3.4.4: Este framework esta ntegramente desarrollado en Java y se utiliza para
modelizar algoritmos genticos. A travs de la implementacin de los conceptos de herencia
y sobrecarga de mtodos se le indica qu es un individuo, qu es un gen, cul es la funcin
de aptitud y cmo se realiza el entrecruzamiento y la mutacin de los mismos. Una vez
indicado esto se le establecen los parmetros generales del algoritmo, cmo el nmero de
evoluciones, la probabilidad de las mutaciones, etc. y, finalmente, se le especifican las
soluciones iniciales. Cuando el algoritmo ha llegado a su fin se puede obtener el resultado
Hoja 23/85
del mismo.
Para la realizacin de esta tesis no slo hubo que seguir las indicaciones anteriormente
sealadas sino que tambin se tuvo que investigar, extender y modificar distintos conceptos
estndar de la configuracin convencional del framework.
2. Joone 2.0.0: Esta herramienta de trabajo se utiliza para el diseo, modelizacin, desarrollo y
uso de redes neuronales de distintos tipos. Para poder dominar todos sus aspectos, el
framework trae un manual de referencia que permite, a travs de explicaciones y ejemplos,
entender para qu sirve cada funcin de transferencia, las conexiones y cmo se deben
programar las distintas funcionalidades de acuerdo a lo que est buscando el usuario.
Programando el diseo morfolgico y funcional de la red se obtiene el primer paso para su
uso, se le debe indicar cuntas capas va a tener, el nmero de neuronas por capa, el tipo de
conexin entre las neuronas de una capa con la siguiente, la funcin de transferencia y las
salidas esperadas tanto para los casos positivos como para los negativos.
Con el fin de poder reutilizar una red entrenada bajo ciertos aspectos y conceptos, se debi
implementar una forma de guardar la red en disco y su contraprestacin de levantar ese
archivo y restaurar la red sin modificaciones.
3. TuxGuitar 1.2: Esta aplicacin es un software autnomo para la escritura de partituras
musicales, no es un framework para ser utilizado como herramienta. Pero al ser de cdigo
abierto y libre, se ha incluido como parte de la aplicacin desarrollada utilizando la
modelizacin de todos los aspectos que tiene una partitura: compaces, notas, tiempos de las
notas, efectos, tiempos de compaces, pistas, etc. Como no se contaba con documentacin
sobre cmo se deban utilizar los distintos conceptos del modelo programtico se tuvo que
investigar profundamente el cdigo fuente y, adems, se tuvo que escribir un correo
electrnico a uno de los desarrolladores con el fin de evacuar algunas dudas que se tenan
sobre la implementacin que haban realizado.
Se cre una estructura general de clases con el fin de permitir extenderlo fcilmente para aadir otro
tipo de funcin de aptitud y agregar ms restricciones.
La primer capa de clases que representan la composicin musical y el tipo de funcin de aptitud a
usar,. Existe una clase general SonComposer que implementa todo lo necesario y relativo a la
composicin musical usando solamente algoritmos genticos, luego de ella se extienden las
distintas clases que implementan las modificaciones necesarias para componer una cancin en las
distintas posibilidades que hoy se ofrecen. Hay un clase abstracta y general para la utilizacin de
redes neuronales, luego de esta se derivan dos clases, cada una para un fin distinto. La clase
SongComposerNNTrained se utiliza para modelar todo lo necesario para entrenar una red neuronal
Hoja 24/85
con todos los parmetros que la aplicacin deja introducir, posteriormente al entrenamiento se
procede a guardar los datos en la ruta establecida y finalmente se utilizar la red como funcin de
aptitud del algoritmo. El segundo caso, la clase SongComposerNNSaved, se instancia cuando se
desea utilizar una RRNN ya entrenada y, por lo tanto, la intencin es cargar los datos del disco para
usarlos de la misma forma que el caso anterior.
Para obtener las instancias se usa un objeto de configuracin al cul se le pasa el XML de
configuracin del software y ste a partir de la lectura e interpretacin de los datos genera el objeto
deseado (o un error si hay problemas de configuracin) devolviendo el objeto padre sin necesidad
de especificar a la capa de ejecucin en qu modelo se correr. Bsicamente se implement un
patrn de diseo llamado Factory.
La estructura definida anteriormente sin el objeto de configuracin (no se muestra porque no tiene
ningn sentido) de se muestra en el siguiente diagrama:
Hoja 25/85
Hoja 26/85
Figura 2: Diagrama de clases de la configuracin
Otro tema importante en el diseo del sistema es la capa que se ocupa de la funcin de aptitud
propiamente dicha. Las clases mostradas arriba ya se encargaron de generar las restricciones o la
red neuronal para ser usados en la etapa de evaluacin dentro de cada iteracin.
Para el uso de restricciones se provee un sistema fcilmente extensible en el caso de que surja la
necesidad de crear o generar nuevas restricciones de acuerdo a las necesidades del usuario. Existe
una clase abstracta llamada Restriction que sienta las bases para cualquier restriccin que se desee
adicionar, posee adems de los constructores un nico mtodo que aplica las penalizaciones o
premiaciones a una cancin dada. Sobre esta clase base heredan otras dos clases que representan a
las restricciones de una y dos variables, ambas clases tambin abstractas. Las restricciones que
penalizan o premian (de acuerdo a la configuracin que se les haya dado) que dos notas se
encuentren dentro de un mismo comps o que dos tiempos se mezclen en una misma partitura son
implementadas a partir de la clase que representa a las restricciones de dos variables, en cambio
para las restricciones que se aplican a una sola variable, como la cantidad mnima de notas que tiene
que poseer un comps o, como contraposicin la cantidad mxima permitida heredan de una clase
general y abstracta que posee las caractersticas generales de ambas, ya que la lgica es la misma, la
nica diferencia se encuentra en si la cantidad de notas que se encuentra en cada comps excede el
lmite superior o inferior establecido.
Este sistema de restricciones se genera a travs de un XML que se va leyendo y cada nodo de cada
restriccin es pasado a cada una de ellas para que se generen. Se usa una clase, otra vez
implementando el patrn Factory, que se le pasa un nodo y devuelve una restriccin. Estas se
acumulan en una lista que luego sera aplicada a la partitura.
En el caso de que se use a una red neuronal como funcin de aptitud se decidi tener un Singleton
con la misma y que el objeto que representa la funcin de aptitud obtenga la instancia para trabajar
e ir evaluando cancin a cancin los resultados que devuelve la red previamente entrenada de
acuerdo a los criterios y gustos que se expresan en las canciones que se usaron para tal fin.
La ejecucin de la aplicacin usando RRNN es mucho ms costosa que usando unas simples
restricciones, esto se debe a varios motivos: el tiempo que lleva entrenar la red, que la algoritmia
que se usa para evaluar con una red neuronal es muchsimo ms compleja que algunos for anidados
para recorrer toda la estructura de la cancin, la serializacin y desserealizacin de los datos para
traducir las canciones a la entrada de la red y vice versa, etc.
El diagrama de clases que muestra lo recientemente explicado se encuentra a continuacin.
Hoja 27/85
Figura 3: Diagrama de clases de las funciones de aptitud.
Hoja 28/85
Con el fin de usar el framework de abstraccin e implementacin de algoritmos genticos se

necesita especificar y programar los mtodos correspondientes a cada uno de los componentes que
posee este tipo de algoritmo. Para este trabajo se us a las canciones como cromosomas y a cada
comps como gen del cromosoma. Tambin se tuvo que crear la funcin de aptitud correspondiente
para evaluar cada uno de las composiciones musicales. Se cre una clase que se encarga de rankear
a cada cancin cromozoma segn la puntuacin que este obtenga de la funcin de aptitud que se
haya definido en el XML de configuracin de la aplicacin.
Se utiliz una clase llamada NoteNumberConverter con el fin de convertir las notas de cada cuerda
y posicin donde se pulsa esa cuerda al cifrado americano, que es el que se utiliza para la restriccin
de notas dentro de un mismo comps. Esta clase tambin se encarga de obtener el nmero de nota
tomando a la nota ms grave que puede producir la guitarra como un 0 y a partir de all la siguiente
ser un 1 y as sucesivamente. Por ltimo, la misma se encargar de normalizar una nota en para
luego ser utilizada como entrada de la red neuronal.
Para poder utilizar correctamente la API de redes neuronales JOONE, se debi extender de la
configuracin original y genrica que se provee con el fin de poder aplicar a los requerimientos
especficos de este modelo de RRNN que se aplica a la msica.
Se desarroll un algoritmo en la clase ResultVerifier para la comprobacin de una de las premisas
fundamentales de esta tesis: que las canciones compuestas por la aplicacin no incurra en una
violacin de la propiedad intelectual que decanta de las partituras que le dieron origen.
En el diagrama de clases que se muestra a continuacin se muestran las clases y funcionalidades
anteriormente descriptas y algunas clases ms como las clases de excepciones que se crearon para
ser lanzadas si ocurre algn error en la interpretacin del XML de configuracin, el enumerado que
representa cada una de las restricciones existentes, el enumerado que representa los dos mtodos de
funcin de aptitud que se soportan hoy en da, y por ltimo, las dos clases que se encargan de ser las
fbricas de clases especificas que devuelven una clase genrica aplicando de este modo el patrn
Factory a las distintas restricciones que se desarrollaron para este trabajo y la generacin de un
compositor musical sin importar de que tipo es (del tipo que utiliza RRNN mezclado con AAGG o
el que es AAGG puro).
Hoja 29/85
Figura 4: Diagrama de clases del modelo de red neuronal, notas y restricciones
Hoja 30/85
Por ltimo se mostrar un diagrama de paquetes que muestra de manera general cmo es la
estructura del programa. Dentro del paquete org se encuentran todas las clases de los 3 frameworks
utilizados para el desarrollo. El paquete principal es el llamado songcomposer y a partir de l
cuelgan las distintas clases y paquetes que hacen al funcionamiento macro y micro de la aplicacin
en cuestin.
Figura 5: Diagrama de paquetes general.
Hoja 31/85
7) Validacin de la solucin
Se han diseado 2 casos totalmente distintos para probar la solucin desarrollada. La idea bsica es
probar las distintas aristas a nivel de composicin que brinda la herramienta, validando tanto el
mtodo de penalizaciones como el de aprendizaje va redes neuronales.
En todos los casos se evaluar la existencia o no de violaciones a la ley de propiedad intelectual, ya
que el propio sistema en la salida indica si se ha cado en el plagio.
Se cuenta con una amplia base de datos de partituras de canciones que se deben adaptar a lo que se
est buscando. Dado que siempre se mezcla la primera pista de partituras se debe proceder a editar
la misma y colocar la pista con la que se desea trabajar como track principal. Una vez hecho esto se
puede hacer un pulido ms fino eliminando algunos silencios y/o corrigiendo algunos compaces en
funcin de las tonalidades de las dems partituras o en base a lo que se est buscando.
Cabe aclarar que para utilizar el software y tener respuestas satisfactorias, se deben tener muy en
cuenta las soluciones iniciales que se le brindan al algoritmo gentico, ya que a partir de ellas se
delimita el universo de las posibles soluciones, estableciendo de esta forma un espectro de
resultados posibles.
7.1) A travs de penalizaciones

Usando el sistema de penalizaciones como funcin de aptitud se hicieron 50 pruebas distribuidas en
10 casos distintos con 5 repeticiones por caso. La definicin de los 10 casos se dieron en base a los
siguientes parmetros:
Probabilidad de mutaciones.
Cantidad de evoluciones.
Factor de cruza.
Partituras iniciales.
Restricciones de cantidad de notas (tanto mximas como mnimas).
Restricciones de tiempos.
Restricciones de mezcla de notas especificas por comps.
Los distintos parmetros se eligieron en funcin de las caractersticas musicales de las partituras con
las que se trabaj. Pues no tiene sentido alguno establecer restricciones de tiempos que no existan
en las partituras o penalizar cierta conjuncin de notas dentro de un comps cuando dicha
combinacin notas tampoco podra producirse.
Lo primero que se puede destacar de las validaciones realizadas es que es raro que las soluciones de
Hoja 32/85
composicin musical automtica se repitan con frecuencia, slo ocurri el 4% de los casos, en otras
palabras, de las 50 canciones generadas nicamente hay 4 que son iguales, lo que representa una
repeticin en 2 casos.
Lo segundo para destacares que ms all de las restricciones que se pongan en cuanto a la cantidad
de notas mximas de un comps un factor importante en este aspecto es la probabilidad de
mutaciones con respecto a la cantidad de evoluciones, ya que esta mezcla 2 compases al azar y
genera que se sumen la cantidad de notas que poseen ambos. Entonces, al haber una gran cantidad
de iteraciones sobre el mismo espacio de canciones genera que inevitablemente se den estas
condiciones a pesar de su penalizacin. Esto se debe a que la penalizacin pierde su poder
restrictivo en el sentido mas estricto porque todas las canciones habrn tenido muchas notas en un
mismo comps.
Otro factor que merece ser mencionado es que si se superan las 200 evoluciones la probabilidad de
plagio se reduce muchsimo y se coloca en el 2% mientras que por debajo de este nivel es
crticamente alto, llegando al 40% de plagio sobre las partituras originales. Esto se debe a que al
haber ms iteraciones sobre el algoritmo gentico se generan ms cruzas entre canciones y ms
mutaciones, por lo que se van mezclando hasta perder su morfologa original.
El ltimo tema a discutir es la sonoridad generada en las soluciones que se obtienen. En este sentido
se observar que la misma depende bsicamente de la compatibilidad musical entre las partituras
originales es un arma de doble filo, porque en un margen mnimo se obtienen resultados
interesantes si la disonancia de los tonos a mezclar es mnima, pero si cada tema tiene un tono
distinto no quedar nada que se pueda rescatar musicalmente como tal, si podra ser el disparador
para el compositor, pero difcilmente salga algo agradable al odo humano. Existen otros factores
que afectan en menor medida pero le dan forma al resultado final, ellos son todas las condiciones y
caractersticas de configuracin.
Empricamente se pudo comprobar que los resultados producidos no pueden llegar a ser en su
totalidad una nueva cancin, pero si pueden tomarse distintas fracciones de la partitura, realizar
conjunciones, variaciones sobre la misma, etc. como disparadores para ayudar al compositor en la
ardua tarea de generar msica cuando cae en una meseta de inspiracin propia.
7.2) A travs del aprendizaje de gustos musicales

Para generar partituras a travs del uso de RRNN se hicieron 10 pruebas. Se tomaron 5 voluntarios,
dos de ellos con conocimientos musicales en cuanto a composicin, partituras, armona, etc. y se les
propuso hacer 2 pruebas a cada uno. Hay que tener en cuenta que este tipo de pruebas es muy
costosa en cuestin de tiempo ya que hay que entrenar una red neuronal para que aprenda los
Hoja 33/85
criterios de cada voluntario, luego hay que definir los parmetros del algoritmo y finalmente esperar
que se produzcan los resultados; en total, el proceso completo lleva aproximadamente 5 horas ya
que el entrenamiento y ejecucin de los conocimientos es una tarea muy costosa en cuanto al
procesamiento.
Si bien los resultados producidos no son muchos, no se han visto casos de plagio con respecto a las
partituras originales. Esto puede deberse ya a que diferencia del caso anterior la funcin de aptitud
es general, es decir, se toma a la cancin como un todo para evaluar los gustos de la persona que la
entren y no restricciones estrictas sobre las distintas caractersticas de cada uno de los compaces,
lo cul genera ms flexibilidad ante los cambios que pueda llegar a producir el algoritmo sobre las
piezas musicales.
En cuanto a los resultados producidos se puede observar que al igual que en el caso anterior no se
podra tomar la pieza musical resultante como producto terminado ya que hay algunas partes de la
partitura que no son agradables al odo, pero la mayora de la partitura corresponde con una
composicin musical agradable y armnica al odo humano. Sin embargo, los voluntarios aprobaron
las canciones que compusieron justificando que respetaba en un amplio margen sus gustos y la
forma de la cul haban entrenado la red. Cabe destacar que las soluciones iniciales brindadas al
algoritmo gentico deban compartir algunas caractersticas de las canciones con las que se
entrenaron la red ya que el espectro musical es extremadamente amplio y no tiene sentido, por
ejemplo, entrenar una red con temas caractersticos de pop y aplicarla a temas de heavy metal. Esta
restriccin es en base a cada usuario y se aplica su razonabilidad a la hora de utilizar la herramienta
en cuestin. Si, en cambio, se permite cierto tipo de diversidad musical ya que esto enriquecer el
producto final, pero debe ser aplicado con valores razonables.
8) Plan de trabajo
1. Investigacin sobre software a utilizar para modelar la parte de edicin de partituras y
aprendizaje de la utilizacin del mismo.
Tiempo estimado: 35 das.
2. Investigacin y desarrollo del modelado de datos para la utilizacin del algoritmo gentico.
3. Investigacin, seleccin y desarrollo de de los parmetros de la funcin de aptitud que
establecen por los usuarios.
Hoja 34/85
4. Investigacin y desarrollo del modelado de datos para la utilizacin de la red neuronal como
funcin de aptitud.
5. Compaginacin final de la tesis.
9) Conclusiones
A la primera conclusin que se puede llegar a partir de las pruebas que sean realizado es que el
sistema sirve, como mnimo, de manera de disparador de composicin para el msico que se
encuentra en una depresin productiva, que no se encuentra inspirado. Al utilizar esta herramienta y
jugar con ella puede utilizar los compaces ms jugosos de a cuerdo a su bsqueda como primer paso
de una cancin. Quedar a su criterio completar los baches de poca sonoridad que se pueden
generar o seguir ejecutando la herramienta y realizar una conjuncin de todos los resultados
producidos y as llegar a una composicin completamente automtica en varios pasos.
Un resultado importante que nos arrojan los anlisis realizados es que es difcil que se caiga en una
violacin a la ley 11.723 de Propiedad Intelectual de la Repblica Argentina, lo cul es un gran
logro ya que sin esto el fin de la herramienta se vera reducido ampliamente. No tiene sentido usar
una ayuda para componer que plagie las partituras de entrada del sistema, generara mucho ms
trabajo para el compositor ya que debera ocuparse de cambiar la cancin generada lo suficiente
como para no incurrir en este delito.
Un aspecto novedoso de esta herramienta es que permite convertir a cualquier persona en un
compositor musical ya que no es necesario que se tenga conocimientos de msica, solamente
entender bsicamente cmo funciona un algoritmo gentico, que ya de por si es una idea bsica que
al estar basada en la Teora de la Evolucin la mayora de las personas conocen. Con indicarle a una
red neuronal cules son las canciones que a uno le gustan, las que no le gustan y seleccionar una
cantidad de canciones para que sean la entrada del programa alcanza para que la implementacin de
los algoritmos haga el resto y produzca un resultado acorde. De esta manera la herramienta permite
universalizar el proceso de composicin y ponerlo al alcance de la mano de cualquier persona. Cabe
destacar que la msica que se genere de este modo respetar lo ms posible los resultados musicales
buscados por el usuario, dependiendo de lo posible que eso sea de acuerdo al estmulo de entrada
que se le brinde. Por lo que esta herramienta no slo permite convertir a cualquier persona en
compositor sino que tambin reflejar la idea musical del mismo.
Hoja 35/85
Una arista fundamental que posee el sistema de composicin es, que ms all de los criterios que el
usuario intente tratar de imponer tanto con una red neuronal como con penalizaciones, los
resultados siempre estarn sujetos a las partituras de entrada que se le hayan brindado. No tiene
sentido tratar de imponer un castigo a la cantidad de notas mnimas o mximas cuando en las
canciones que se barajan se violan ambas restricciones, esto provocar que todas las partituras sean
penalizadas de igual forma, por lo que no habr diferencias entre ellas a la hora de seleccionar las
ms aptas para la siguiente evolucin. El mismo punto de vista puede ser aplicado para las redes
neuronales, ya que la red intentar memorizar ciertas estructuras, escalas, notas, etc. y si la entrada
al programa no tiene nada que ver con el entrenamiento el comportamiento ser completamente
azaroso. La buena eleccin de criterios y canciones de entrenamiento con respecto a la msica con
la cul se va a trabajar ser fundamental para acercarse ms y ms a las ideas musicales a las que se
desea llegar.
10) Referencias
[1] URL: http://es.wikipedia.org/wiki/Composici%C3%B3n_musical. Pgina vlida al 20/09/2011.
[2] Mitchell, M. (1996) An Introduction to Genetic Algorithms. Cambridge, MA: MIT
Press/Bradford Books.
[3] Ross, P. M. and D. Corne (1995). Applications of Genetic Algorithms. AISB Quarterly 89, 2330.
[4] Braun H., Weisbrod J. Evolving Feedforward Neural Networks. Proc. of the 1993 International
Conference on Artificial Neural Nets and Genetic Algorithms
[5] Griffith N. and Todd P. M, editors. Musical Networks. MIT Press, 1997.
[6] Darwin, C.R. (1859) On the Origin of Species. London: John Murray.
[7]
URL:http://www.jardindegente.com.ar/index.php?nota=prensa_365_1.
Pgina
vlida
al
20/09/2011.
[8] Spector, L., and Alpern A. 1994. Criticism, Culture, and the Automatic Generation of Artworks.
In Proceedings of the Twelfth National Conference on Artificial Intelligence, AAAI-94, pp. 3-8.
Menlo Park, CA and Cambridge, MA: AAAI Press/The MIT Press.
[9] Todd, P. M. & Werner, G. M. (1999). Frankensteinian Methods for Evolutionary Music
Composition. In Griffith and Todd, P. M. (Eds.) Musical networks: Parallel perception and
performance, 313-339.
[10] Todd, P.M. (1988) A sequential network design for musical applications. In D. Touretzky, G.
Hinton, & T. Sejnowski (Eds.), Proceedings of the 1988 Connectionist Models Summer School (pp.
Hoja 36/85
76-84). San Mateo, CA: Morgan Kaufmann.

[11] Todd, P.M. (1989) A connectionist approach to algorithmic composition. Computer Music
Journal, 13(4), 27-43.
[12] Todd S. & Latham, W. (1992) Evolutionary Art and Computers. New York: Academic Press.
[13] Wiggins G., Papadopoulos G., Phon-Amnuaisuk S., and Tuson A.. Evolutionary Methods for
Musical Composition. International Journal of Computing Anticipatory Systems (inpress), 1999.
[14] Bharucha, J.J. & Todd, P.M. (1989) Modeling the perception of tonal structure with neural nets.
Computer Music Journal, 13(4), 44-53. Also in P.M. Todd & D.G. Loy (Eds.), Music and
Connectionism (pp. 128-137). Cambridge, MA: MIT Press.
[15] Burton A.
and Vladimirova T.. A Genetic Algorithm Utilising Neural Network Fitness
Evaluation for Musical Composition. In International Conference on Genetic Algorithms and

Artificial Neural Networks, 1997a.
[16] Burton A. R. & Vladimirova T. (1999). Generation of Musical Sequences with Genetic
Techniques. Computer Music Journal, 23 (4), 59-73.
[17] Burton, A. and Vladimirova, T. (1997). Applications of Genetic Techniques to Musical
Composition.
[18] Feulner J., Hrnel D.. MELONET: Neural Networks that Learn Harmony Based Melodic
Variations. Proc. of the 1994 International Computer Music Conference, ICMA rhus 1994
[19] Feulner J., Neural Networks that Learn and Reproduce Various Styles of Harmonization. Proc.
of the 1993 International Computer Music Conference, ICMA Tokyo 1993
[20] Giomi F. and Ligabue M. Computational Generation and Study of Jazz.
[21] Griffith N. and Todd P.M. (Eds.) (1998). Musical networks: Parallel distributed perception and
performance. Cambridge, MA: MIT Press/Bradford Books.
[22] Hrnel, D., & Ragg, T. (1996) Learning musical structure and style by recognition, prediction
and evolution. In Proceedings of the 1996 International Computer Music Conference (pp. 59-62).
San Francisco: International Computer Music Association.
[23] Horner, A. & Goldberg, D. E. (1991). Genetic algorithms and Computer Assisted Music
Composition. ICMC91 Proceedings, San Francisco: International Computer Music Association,
479-482.
[24] Horner, A. and Goldberg, D. (1991). Genetic algorithms and computer-assisted composition. In
Proceedings of the Fourth International Conference on Genetic Algorithms.
[25] Horner, A., & Ayers, L. (1995) Harmonization of musical progressions with genetic
algorithms. In Proceedings of the 1995 International Computer Music Conference (pp. 483-484).
San Francisco: International Computer Music Association.
Hoja 37/85
[26] Horner, A., Assad, A., & Packard, N. (1994) Artificial music: The evolution of musical strata.
Leonardo Music Journal, 3, 81.
[27] Horowitz, D. (1994). Generating rhythms with genetic algorithms. In Proceedings of the
International Computer Music Conference.
[28] Koza, J. (1993) Genetic Programming. Cambridge, MA: MIT Press/Bradford Books.
[29] Moore, J.H. (1994) GAMusic: Genetic algorithm to evolve musical melodies.
[30] Moroni A., Manzoulli J., Von Zuben F., Gudwin R., Vox Populi: Evolutionary computation
for music evolution. In P.J. Bentley, D. W. Corne, Creative evolutionary Systems, Morgan
Kaufmann, 2002, pp. 205-221.
[31] Putnam, J.B. (1994) Genetic Programming of Music. Unpublished manuscript. Socorro, NM:
New Mexico Institute of Mining and Technology.
[32] Ralley D. (1995). Genetic algorithms as a tool for melodic development. In Proceedings of the
1995
[33] Ralley D. Genetic algorithms as a tool for melodic development. In Proceedings of the
International Computer Music Conference, 1995.
[34] Thywissen, K. (1996) GeNotator: An environment for investigating the application of genetic
algorithms in computer assisted composition. In Proceedings of the 1996 International Computer
Music Conference. San Francisco: International Computer Music Association.
[35] Towsey, M., Brown, A., Wright, S., & Diederich, J. (2000). Interactive Music Composition
using Genetic Algorithms. Paper presented at the 7thConf. of the International Society for the Study
of European Ideas (ISSEI), 14-18 August, 2000, University of Bergen, Norway.
[36] Gibson, P. and Byrne, J. (1991). Neurogen, musical composition using genetic algorithms and
cooperating neural networks. In Proceedings of the 2nd International Conference in Artificial
Neural Networks.
[37] Jacob, B. (1995). Composing with genetic algorithms. In Proceedings of the International
Computer Music Conference.
[38] McIntyre, R. (1994). Bach in a box: The evolution of four-part baroque harmony using the
genetic algorithm. In Proceedings of the IEEE Conference on Evolutionary Computation.
[39] Biles, J.A. (1994). Genjam: A genetic algorithm for generating jazz solos. In Proceedings of
the International Computer Music Conference.
[40] Biles J.A, Autonomous GenJam: Eliminating the Fitness Bottleneck by Eliminating Fitness,
Workshop on Non-routine Design with Evolutionary Systems, Genetic and Evolutionary
Computation Conference, 2001.
[41] Biles, J., Anderson, P., and Loggi, L. (1996). Neural network fitness functions for a musical
Hoja 38/85
IGA. Technical report, Rochester Institute of Technology.

[42] Biles, J.A. (1995a) The Al Biles Virtual Quintet: GenJam. Compact disc recording DRK-CD144. Rochester, NY: Dynamic Recording Studios.
[43] Biles, J.A. (1995b) GenJam Populi: Training an IGA via audience-mediated performance. In
Proceedings of the 1995 International Computer Music Conference (pp. 347-348). San Francisco:
International Computer Music Association.
[44] Papadopoulos and Wiggins G.. A Genetic Algorithm for the Generation of Jazz Melodies. In
STeP98, Jyvskyl,Finland, 1998.
[45] URL:http://www5f.biglobe.ne.jp/~mcs/emc.html. Pgina vlida al 20/09/2011.
[46] URL:http://sf.net/projects/jgap. Pgina vlida al 20/09/2011.
[47] URL: http://www.bibliotecalibre.cl/programas/manual/manualTuxGuitar.pdf
[48] URL: http://www.ulp.edu.ar/comunicacion/libros_ulp/musica1/files/libro.pdf
Hoja 39/85
ANEXOS
Hoja 40/85
Anexo I: Manual de Usuario [47]

TuxGuitar
Los Primeros Pasos
Crear un nuevo archivo:
Lo primero que tiene que hacer es asegurarse de que tiene un archivo de nuevo a trabajar. Cuando
inicia TuxGuitar, usted ya debe tener un documento en blanco tablatura listo para editar. Sin
embargo, si usted necesita para empezar de nuevo con otro documento en blanco, todo lo que
tienes que hacer es clic en el botn "Nuevo" (resaltado en rojo abajo).
Ahora que tenemos el documento en blanco, slo tenemos que crear nuestra primera pista.
Entonces, la verdadera diversin puede comenzar.
Preparacin de la primera pista para la reproduccin:
En la parte inferior de la pantalla, debera ver una ventana de lista de pistas que se parecer a la
de abajo.
La lista de pistas es muy til pero el centro de informacin compacto que proporciona un acceso
rpido a muchos de los aspectos ms importantes de su cancin. Hay mucho que decir sobre la
lista de pistas, pero no vamos a excavar demasiado profundo en ello ahora, para que no se debe
confundir los recin llegados. Por ahora, baste decir que la ventana de las pistas nos ayudar a
mantenerse organizado, mientras que editamos nuestro tablatura.
Como usted probablemente ha notado, ya existe una pista lista para que al iniciar un documento
de nueva pestaa. Usted slo puede pensar en temas como instrumentos. Si usted tiene una
cancin con dos guitarras y una lnea de bajo que es necesario transcribir, tendr tres pistas.
Concepto bastante simple. Esto se pone mejor cuando: siempre y cuando usted tiene un banco de
sonidos instalado para su mquina virtual Java, cada pista se reproduce un sonido al reproducir el
Hoja 41/85
archivo en TuxGuitar. Ahora, vamos a entrar a configurarlo, porque como usted puede ver,
nuestra primera pista quiere reproducir sonidos de piano, y ciertamente no estamos usando
TuxGuitar para piano.
As que: haga doble clic en cualquier lugar de "Track 1" o "Piano" para abrir el dilogo de
propiedades de pista, como se ve a continuacin.
Utilizando el dilogo de Propiedades de pista:
El cuadro de dilogo Propiedades es donde vamos a ir a la configuracin de cmo queremos que

cada pista a la reproduccin. Hay tres secciones principales en el cuadro de Propiedades, y se
establecen de la siguiente manera (cajas rojas aadido para mayor claridad):
# 1: Nombre de la cancin:
Lo que se teclea en el cuadro de aqu es lo que aparecer en la lista de pistas que hemos visto
anteriormente. Como puede ver, hemos llamado a nuestra pista "Guitarra Rtmica," pero usted
puede poseer cualquier nombre que desee. Tambin puede configurar el color de la pista
aparecer en la lista de pistas.
# 2: Instrumento (es decir, el sonido de la pista se reproducirn):
Este es el sonido que el tema volver a reproducir de su banco de sonidos de JVM. La mayora de
soundbanks tienen una pltora de sonidos que van mucho ms all de las guitarras, as que sea tan
creativo como usted desea. No espere que la calidad del sonido es demasiado excelente, sin
embargo. En la mayora de los casos, estos sonidos por debajo de "realista". Esto es realmente
slo para fines de referencia. (Es posible que este disparador de otros, sonidos, posiblemente,
mejor a travs de la TuxGuitar-alsa plugin, sino que es una leccin para otro da, y quizs otro
autor).
Tambin puede consultar "percusin Track" para tener que jugar los sonidos de batera, si se
desea incluir en las fichas.
Una nota al margen en la seccin de configuracin del instrumento: Si no son capaces de cambiar
Hoja 42/85
esta configuracin, es probable que tenga un problema de banco de sonidos. Esta cuestin ha sido
tratada en los foros TuxGuitar, as como en la documentacin principal, as que compruebe que
para la ayuda.
# 3: Tuning:
Esta es bastante autoexplicativo. Puede establecer el nmero de cadenas para su instrumento (es
decir, 4 si eres un bajista, 3, si ests en Los Presidentes de los Estados Unidos de Amrica) y la
afinacin del instrumento, en caso de usar afinaciones alternativas. Es importante asegurarse de
que tiene su afinacin correcta, o bien el personal de puntuacin real de tus pestaas ser
inexacta, y nadie quiere eso.
Una vez que tenga todo listo a su gusto, haga clic en Aceptar. Ahora, si nos fijamos en la lista de
pistas de nuevo, ver que los cambios han tenido efecto. Y con eso, usted est listo para iniciar la
edicin de partituras con el sonido.
Las barras de herramientas

Por defecto, usted notar bastante pocas barras de herramientas que recubre la parte superior de la
pantalla, te da acceso con un clic a alguna de las opciones ms utilizadas en TuxGuitar. Si bien
pueden ser un poco intimidante en su conjunto, son realmente muy simple cuando se rompen
abajo, y le puede ahorrar mucho tiempo con algunas de las tareas ms comunes asociadas con la
edicin
de la tablatura. As que echemos un vistazo rpido a cada una de las barras de herramientas.
Preasignados atajos de teclado se indica entre parntesis, pero tenga en cuenta: antes de accesos
directos asignados pueden ser re-asignados de acuerdo a sus propias preferencias, y opciones ms
unanassigned pueden ser asignados a travs de Configuracin> Configuracin de teclas.
Una nota al margen sobre las barras de herramientas-no slo se puede seleccionar qu barras de
herramientas son visibles, vaya a Configuracin> Configurar TuxGuitar> Barras de herramientas,
tambin puede cambiar el orden de ellos para ajustarse mejor a sus necesidades haciendo clic y
arrastrando sobre el "asa "en el lado izquierdo de cada barra de herramientas individuales.
Una ltima cosa antes de comenzar: el conocimiento previo de la teora de la msica se asume en
esta pgina. Hay un par de enlaces en la duracin de la Nota que puede ayudar si usted no sabe
la teora mucho todava, pero para cubrir el verdadero "significado de la msica" de todas estas
opciones requerira un manual completo en s mismo. Esta pgina slo se TuxGuitar explicar la
funcionalidad relacionada con las barras de herramientas en un esfuerzo por evitar largas
discusiones en la teora de la msica de aliento.
Administracin de archivos
Usted ha visto y utilizado este men un milln de veces, as que no pasar mucho tiempo en ella.
Bsicamente, la barra de men Archivo le ofrece las siguientes opciones:
Crear nuevo archivo (Ctrl + N)
Abrir archivo (Ctrl + O)
Guardar archivo (Ctrl + S)
Archivo Guardar como ... (F12)
Imprimir (Ctrl + P)
Vista previa de impresin
Nada demasiado complejo aqu, as que vamos a pasar a lo largo de la derecha.
Hoja 43/85
(Estas opciones y ms puede acceder a travs del men "File" desplegable que aparece en la parte
superior de la pantalla.)
Deshacer / Rehacer
Otro grupo muy comn de las opciones que ms o menos explicarse. El icono de la izquierda va a
deshacer la ltima accin (Ctrl + Z), y el icono de la derecha rehacer lo que ha deshecho (Ctrl +
Y).
(Estas opciones y ms puede acceder a travs del men "Edicin" desplegable que aparece en la
parte superior de la pantalla.)
El modo de edicin (Se aplica slo a la edicin)

Ahora estamos consiguiendo un poco ms interesante. Este men se establecen algunas opciones
para quienes prefieren editar a travs de la puntuacin personal en lugar de utilizar tablatura.
Tenga en cuenta que estos ajustes slo afectan al personal de puntuacin (el conjunto superior de
las lneas con la notacin musical estndar en ellos). Si slo editar a travs del personal de
tablatura, you pretty puede ignorar estas configuraciones, porque no har ninguna diferencia en su
flujo de trabajo.
(Si su puntuacin de personal no es visible, desplcese hacia abajo en esta pgina y ver el
"layout" del men.)
Seleccin del modo

Al hacer clic en el icono de la primera con la llave en la que le pondr en la seleccin de modo.
En este modo, puede pulsar el ratn en cualquier parte del personal de puntuacin, y es
simplemente mover el cursor de reproduccin a esa ubicacin, sin realizar ningn cambio en la
partitura. Bueno para moverse rpidamente en la puntuacin sin tener que preocuparse
accidentalmente alterar las notas.
Puntuacin Modo Edicin

Al hacer clic en el icono del medio con el lpiz sobre ella te pondr en Modo Puntuacin Edition.
En este modo, puede escribir notas en el personal de puntuacin haciendo clic donde desee que la
nota de ir. Usted puede insertar notas en las lneas o los espacios, y que tendr la duracin que ha
seleccionado actualmente en la barra de duracin de la nota (que se detallan ms abajo). Una
nota: esta opcin solo slo insertar notas de tono natural (es decir, sin pisos o punzantes). Si desea
insertar objetos punzantes / pisos o pre-cambio de notas existentes para objetos punzantes / pisos,
tendr que entrar Sharp / Flat Mode.
Sharp / Flat Mode

Al hacer clic en el icono con el smbolo de Sharp / apartamento en que le llevar a Sharp /
Flat Mode. Como se indic anteriormente, Sharp / Flat Mode es simplemente una subopcin de Modo Puntuacin Edition. Usted tiene que usar Sharp / Flat Mode si desea
introducir notas agudas o planas o pre-cambio de las notas existentes para agudos o plana.
(Estas opciones y ms puede acceder a travs del men "Edicin" desplegable que aparece
en la parte superior de la pantalla.)
Hoja 44/85
Propiedades de Cancin
Si bien la barra de herramientas de propiedades de slo tiene realmente un icono, es de particular
importancia si usted planea imprimir o exportar las pestaas en cualquier momento. Al hacer clic
sobre este icono abrir sus propiedades cancin ficha, en la que se pueden establecer las
siguientes opciones:
Nombre (de la cancin)
Artista (intrprete)
Autor (propietario de los derechos de autor)
Album
La razn de esta configuracin es de tal importancia es que cualquier cosa que escriba en los
cuadros Nombre y Autor aparecer en la primera pgina de sus partituras al imprimir o exportar,
y si los dejas en blanco, simplemente se recibe un gran grasa "Sin ttulo" por "Annimo" en su
lugar. As que asegrese de que establece que si usted planea ver estas fichas fuera de TuxGuitar!
La diferencia puede verse a continuacin.
(Estas opciones y ms puede acceder a travs de la composicin del "men desplegable en la

Hoja 45/85
Aadir / Eliminar pista
Llega un momento en casi cualquier cancin cuando una guitarra no es suficiente. Cuando est
listo para comenzar a introducir pistas de otro instrumento, simplemente haga clic en el icono con
el signo "+" en el mismo para aadir una nueva pista.
Si usted decide que no necesita una pista, haga clic en el icono con el signo "-" para quitarlo. En
el botn Quitar pista eliminar la pista que est seleccionado actualmente pista (actualmente
seleccionado aparecer resaltado gris en la lista de pistas en la parte inferior de la pantalla).
(Estas opciones y ms (incluido un prctico "Clone Track" opcin) se puede acceder desde el
men "Track" desplegable que aparece en la parte superior de la pantalla.)
Duracin de la Nota
Este es otro bastante simples barra de herramientas. Los primeros siete iconos simplemente
cambiar la nota (s) en la posicin actual del cursor a lo que usted seleccione, que van desde toda
la nota a sesenta y dems-la nota. Esto es til si usted necesita hacer un cambio que es ms que un
incremento de la nota (es decir, cuarto de nota a nota XVI). Alternativamente puede usar la teclas
+/ - en un teclado numrico estndar para mover un incremento a la vez.
Una nota al margen sobre la teclas + / -: desde la versin .9, la mayora de los teclados de
porttiles no admiten el uso de la = / + tecla para disminuir la duracin de la nota. Los
desarrolladores son conscientes de este error, y estn trabajando fuera. La tecla "-" en los teclados
de computadora porttil debe funcionar, pero no la = / + tecla.
Los ltimos tres iconos cambiar el valor de una nota de de puntos, doble de puntos, y una gran
variedad de "tupla" valores.
Nota
Este men te ofrece dos opciones con respecto a la edicin de la nota.
Al hacer clic en el icono de la primera "atar" la nota seleccionada a la anterior. Esta funcin,
bsicamente, tiene el valor de dos notas y los combina en una sola. El uso ms comn para esta
funcin es cuando usted tiene una nota que comienza en una de las medidas y termina en el
siguiente. La vinculacin observa es en realidad una forma de mantener el puntaje limpio y
organizado. Si necesita ms informacin, puede que desee a la investigacin notacin musical a
travs de los enlaces de arriba.
Al hacer clic sobre el icono en segundo lugar con la A7 "," har que aparezca el editor de acordes.
El editor de cuerda es un tiempo til herramienta de ahorro de utilizar para buscar, crear, e
insertar formaciones acorde a su tablatura. Mientras que el editor de acordes merece mayor
anlisis, es un tema es mejor dejar para otra pgina y otro da.
(Estas opciones y ms puede acceder a travs de la "Nota" del men desplegable que aparece en
la parte superior de la pantalla.)
Composicin
Composicin de la barra de herramientas te da algunas opciones para el establecimiento de la
Hoja 46/85
estructura y la mtrica de la cancin. Una vez ms, para una explicacin ms profunda de lo que
cada uno de estos medios y la forma de utilizar plenamente ellos, se refieren a los vnculos de la
teora de la msica en la duracin de la "Nota" seccin.
Al hacer clic en el primer icono con el signo de interrogacin le permitir ajustar el tempo de la
cancin. Las nuevas canciones en su defecto TuxGuitar a 100 latidos / min, pero usted puede fijar
su propio ritmo a cualquier cosa entre 30-320 latidos / min. TuxGuitar tambin apoya los cambios
de tempo durante toda la cancin, y la creacin de ellos es tan fcil como colocar el cursor de
reproduccin en la medida en que desea que el ritmo a los cambios, y haciendo clic en el icono.
Cualquier tempo establecido en la primera medida de la cancin ser el ritmo predeterminado ya
sea en toda la cancin, o hasta que se establezca otro tempo en cualquiera de las siguientes
medidas.
Al hacer clic en el icono junto con el 4 / 4 grfico abrir el cuadro de dilogo de comps, que es
bastante sencilla. Usted tiene un men desplegable para cada mitad de la firma del tiempo, as
como un "hasta el final" casilla de verificacin. TuxGuitar apoya la firma de mltiples cambios
durante toda la cancin, y muy similar a los cambios de tempo, son tan fciles de crear que hacer
clic en el icono y el establecimiento de una firma nueva hora en la medida en la que desea que
cambie. Marcando "Hasta el final" le causa a su vez la firma recin seleccionados para continuar
o bien al final de la cancin, o hasta que se cambie manualmente el tiempo de la firma en
cualquiera de las siguientes medidas. Si desactiva la "Hasta el final" le causa a la firma nueva
hora para atravesar slo la medida se agrega a, tras lo cual se reajustar automticamente a la
firma del tiempo utilizado por la medida anterior.
(Estas opciones y ms puede acceder a travs de la composicin del "men desplegable en la
Prximos tres iconos se utilizan para repetir el control. Toda persona familiarizada con la
notacin de la msica debe estar familiarizado con estas - usted puede abrir y cerrar la seccin de
repeticin. Al cerrar, obtendr un cuadro de dilogo para especificar repeatings cuntos va a
producir. El ltimo icono es utilizado para marcar los finales alternativos en la repeticin. Un
dilogo especial tambin se producir, lo que le permite elegir en qu ciclo de este final se jugar.
Transporte
Estos son los controles de reproduccin de la cancin. Los botones son para reproducir / pausar,
detener la reproduccin, la medida anterior, la medida siguiente, a partir de la cancin y al final
de la pista.
Marcadores
Es muy til para aadir un marcador en una cancin, para marcar alguna parte de la cancin
(verso, coro, solista, etc)
Marcador de los controles de la barra de herramientas le permiten crear un marcador, la lista de
marcadores y navegar por ellos (anterior, siguiente, primero, ltimo).
Diseo
Existen varios tipos de diseo en TuxGuitar. Todos ellos cambiar la vista de tablatura y las
puntuaciones en la ventana del editor principal.
Hoja 47/85
El primer botn de la izquierda es de diseo de pgina. Es alternativa es el segundo botn: diseo

lineal. Diseo de pgina muestra la tablatura y resultados como en las hojas de papel, con los
saltos de lnea. En el otro lado, las opiniones de la visin lineal instrumento en una sola lnea,
ampliando a la derecha.
El tercer botn permite vista multipista. Cuando se activa, todas las pistas se mostrarn en la
ventana principal. Dependiendo de la eleccin anterior (pgina o la disposicin lineal) podrs ver
punto de vista diferente. En la experiencia personal, buenas combinaciones son lineales +
multipista, y diseo de pgina sin multipista (para ver solo instrumento).
El cuarto botn es el botn Mostrar resultados. Es simplemente la opinin de la puntuacin
(notacin) por encima de la lnea de la ficha.
El quinto botn es la opinin de Compact. Le gustara a fin de que si tenemos en cuenta su punto
de vista demasiado amplio.
Ver
Estos tres botones muestran varias ventanas.
El primer botn de muestra el diapasn en la parte inferior de la ventana principal. Fretboard es
til para ver los puntos exactos donde debe poner sus dedos en cada momento. Usted incluso
puede hacer clic en el diapasn para editar su ficha. Ver Fretboard est disponible tanto para
diestros y zurdos guitarras.
El segundo botn muestra Mixer. Mezclador de canales MIDI de dilogo es muy importante - no
se puede cambiar el volumen de los instrumentos en su ficha, mudo / solo nico instrumento, el
cambio de la panormica y asignar. Lea ms acerca de dilogo Mixer.
El ltimo botn le muestra la ventana controlador de jugadores, donde se puede controlar la
reproduccin de la cancin.
Efectos
Estos efectos se aplican con el cursor de edicin situado en la nota existente en la ficha. Efecto
seleccionado se aplica luego a la nota.
Lea ms acerca de los efectos nota.
Dinmica
Al seleccionar el icono diferente a la actual, cambiar la dinmica de la nota que se est editando.
Poco a poco escala de Piano Pianissimo que es el ms silencioso, a la Fortissimo Forte que es
ms fuerte.
Hoja 48/85
Anexo II: Ejemplos de Cruza y Mutacin

Cruza
El algoritmo gentico agrupa de a dos canciones al azar entre todas las posibles, generando muchas
duplas de melodas a cruzar. Luego se recorren todos los compases de la partitura que contenga la
menor cantidad de ellos, para cada comps hay un 50% de posibilidades de ser cruzado con el del
mismo nmero de la otra partitura. Esto generar dos canciones nuevas que se incluirn en las
posibles soluciones a ser evaluadas por la funcin de aptitud.
Ejemplo:
Supongamos que tenemos las siguientes dos partituras que deseamos que sean la entrada de nuestra
aplicacin:
Para este caso ambas partituras contienen la misma cantidad de compases por lo que recorreremos
la primera, elijamos para tener un ejemplo sencillo que se cruzan los nmeros impares de compases.
Por lo tanto, luego de la primera evaluacin las partituras nuevas quedaran:
Hoja 49/85
Para el segundo comps no habra modificaciones, pero para el tercero la cruza nos arrojara las
siguientes canciones:
Sucede lo mismo con el siguiente comps, al ser un nmero par, el cuatro, no se realizaran
modificaciones, pero si sucederan para el quinto:
Y esos seran los resultados finales de la cruza que, a la hora de evaluar qu pentagrama es el ms
apto para las reglas que se hayan establecido se tendrn en cuenta los dos originales y estos dos que
hemos generado recin.
Acabamos de mostrar cmo se realiza una sola iteracin, esto suceder la cantidad de veces que se
haya especificado en el XML de configuracin.
Mutacin
Se establece mediante el archivo de configuracin un nmero que representa la probabilidad de 1
en N (el nmero a especificar) de que ocurra una mutacin. La misma se ha implementado como
la fusin de dos compases, ambos se determinan con el azar, ya que el primero sale de la
probabilidad de mutacin de una cancin y luego se elije al azar uno de los compases a ser
mutado, el segundo se determina al azar entre todo el universo de compases disponibles de todos
Hoja 50/85
los pentagramas con los que la aplicacin est trabajando. Si tomamos el ejemplo anterior y
fusionamos quinto comps de la siguiente partitura:
Con el segundo de esta otra:
El resultado sera el siguiente:
De esta manera se genera la mutacin de los compases que dan la riqueza y la variacin necesarias
para que las canciones generadas a travs de este software no sean montonas ni plagios de las ya
existentes.
Hoja 51/85
Anexo III: Conceptos Musicales [48]

Lectura Musical
Usamos el pentagrama para escribir la msica
Escribimos las figuras musicales sobre las lneas y los espacios del pentagrama:
Dependiendo de su posicin sobre el pentagrama podemos conocer la nota musical que

representan.
La palabra pentagrama es de origen griego: penta significa cinco y grama escrito.
Las claves
En todo pentagrama lo primero que encontraremos es una clave.
Existen varias claves. Las ms utilizadas son la clave de sol (vista en ella figura anterior) y la clave
de fa:
La clave de sol es utilizada por instrumentos agudos como el violn, la flauta, la trompeta y por
otros no tan agudos como la guitarra. La clave de fa es utilizada por instrumentos graves como
el contrabajo, el violonchelo, el fagot y el trombn.
Es importante saber la clave utilizada al momento de leer la msica para poder conocer el nombre de las
notas.
Hoja 52/85
Nombre de las notas

Antes de ver como escribimos las notas musicales en el pentagrama, repasemos el nombre y
orden de ellas.
Nuestro sistema musical tiene siete notas. El orden de las notas es do, re, mi, fa, sol, la y si. Estas
notas corresponden a las teclas blancas del piano:
La clave de sol
A continuacin pueden ver la nota musical representada por cada una de las lneas y espacios
de un pentagrama con clave de sol. Noten que la primera lnea (la lnea inferior) corresponde a
la nota mi y el primer espacio a fa. En otras palabras la notas musicales siguen sobre el
pentagrama (lnea-espacio-lnea) el orden natural (do, re, mi, fa, sol, la y si). Fjese que podemos
escribir debajo de la primera lnea (lnea inferior) y sobre la quinta lnea (superior):
Las lneas adicionales

Adems de escribir sobre los espacios y lneas del pentagrama, podemos tambin aadir lneas
adicionales para escribir notas ms agudas o graves:
El do sobre la primera lnea adicional inferior equivale al do central del piano.
La clave de fa
A continuacin pueden ver la nota musical representada por cada una de las lneas y espacios
de un pentagrama con clave de fa. Hemos incluido las lneas adicionales.
Hoja 53/85
El do ms agudo que aparece sobre la primera lnea adicional superior es el do central.
Memorizacin de notas
Para poder leer la msica es imprescindible saber de forma rpida la nota que corresponde a
cada espacio y lnea del pentagrama. Esto se logra con mucha prctica y paciencia.
No obstante en un principio puede ayudar memorizar el orden de las notas en los espacio y
lneas. Por ejemplo en la clave de sol, las notas sobre las lneas son mi, sol, si, re y fa. Sobre los
espacios son fa, la, do y mi:
En clave de fa:
Uso combinado de clave de sol y fa

Combinando un pentagrama con clave de sol y otro con clave de fa podemos escribir cualquier
nota, desde la ms grave hasta la ms aguda:
El ltimo do de clave de fa (el ms agudo) y el primero de clave de sol son la misma nota. El do
Hoja 54/85
central.
La msica para piano se escribe normalmente usando un pentagrama en clave de sol y otro en
clave de fa.
La notacin rtmica
Ya sabemos como se especifica la nota que se debe tocar, pero cmo especificamos su
duracin?
Para entender esto debemos conocer las figuras musicales y las indicaciones de comps.
Las figuras musicales

Las figuras musicales nos permiten especificar la duracin de un sonido. A continuacin pueden
ver las figuras, sus nombres y valores:
Como podrn notar, cada figura dura el doble de tiempo que la siguiente y la mitad del tiempo
que la anterior. Por ejemplo, en este corto fragmento musical vemos dos patrones rtmicos
diferentes. El ms agudo est formado por cuatro negras (sonido de piano), el ms grave por dos
blancas (sonido percusivo). Como una negra tiene una duracin que es la mitadde una blanca,
escuchamos dos negras por cada blanca:
Hoja 55/85
Pero antes de poder leer correctamente, tenemos que entender el concepto de comps.
Cuando escribimos corcheas, semicorcheas, fusas y semifusas acostumbramos a agrupar el
corchete de todas las que queden dentro de un tiempo para facilitar la lectura. A continuacin
algunos ejemplos:
El comps
Muchas veces podemos encontrar
patrones rtmicos en la msica que escuchamos.
Generalmente podemos agrupar los tiempos o pulsaciones en grupos de 2, 3 4.
Por ejemplo, cuando escuchamos un vals, sentimos un patrn rtmico de tres tiempos. Durante
todo el transcurso podemos sentir que los patrones rtmicos estn basados en este 1,2, 3.
Existen compases de 2, 3 y 4 tiempos. Incluso, aunque menos comunes, encontramos compases
de 5 7 tiempos. Para indicar el comps usamos dos cosas: la indicacin de comps y las lneas
divisorias.
La indicacin de comps
El comps se indica al principio de una obra musical usando dos cifras:

La cifra superior indica el nmero de tiempos que tiene el comps, 3 en este caso.
La cifra inferior nos indica la figura que ocupa cada tiempo. En la tabla a continuacin pueden
ver la relacin entre figuras y cifras:
Hoja 56/85
Por lo tanto la indicacin
indica que el comps tiene 3 tiempos y que cada tiempo es ocupado por una negra. Note que el
4 simboliza la negra porque la negra es 1/4 parte de la redonda.
Las lneas divisorias

Para facilitar la lectura, separamos con lneas verticales a las que damos el nombre de lneas
divisorias los compases:
En este ejemplo vemos un comps de dos tiempos donde cada tiempo es ocupado por una
negra.
El puntillo
Si aadimos un puntillo a una figura, su duracin aumentar de la mitad de su valor:
Hoja 57/85
La ligadura
Podemos aadir el valor de una figura a otra unindolas por una ligadura:
El segundo comps es equivalente al primero.
Unidad de tiempo y comps

Llamamos unidad de tiempo a la figura que ocupa un tiempo y unidad de comps a la que
ocupa un comps entero. A continuacin pueden ver algunos ejemplos de compases comunes:
Hoja 58/85
Los silencios
Cada figura musical tiene un smbolo correspondiente que se usa para representar un silencio de
la misma duracin. Llamamos a estos smbolos silencios.
Hoja 59/85
Compases simples y compuestos

Los compases que hemos visto hasta ahora se llaman compases simples. En los compases
simples la unidad de tiempo se subdivide en mitades (una negra se subdivide en dos corcheas).
En los compases compuestos por el contrario la unidad de tiempo se subdivide en tres partes.
Algunos puntos importantes que debemos considerar en relacin a estos compases:
1. Reconocemos los compases compuestos porque sus numeradores (cifra superior en
la indicacin de comps) son 6, 9 12.
2. Obtenemos el nmero de tiempos en el comps dividiendo el numerador entre 3.
Por ejemplo un comps de 6/8 tiene 2 tiempos (6 dividido por 3).
3. Las unidades de tiempo de los compases compuestos llevan un puntillo.
4. El denominador (nmero inferior) indica la figura que ocupa un tercio del tiempo.
Por ejemplo en el comps de 6/8 la corchea ocupa un tercio del tiempo ya que un
tiempo se forma por 3 corcheas 1 negra con puntillo.
La siguiente tabla resume estos puntos:
Hoja 60/85
Un ejemplo:
Las alteraciones
Cualquiera de las siete notas se puede alterar de forma ascendente o descendente por medio de
las alteraciones (vea Las alteraciones para informacin detallada).
En la escritura musical una alteracin afecta cualquier nota del mismo nombre y en la misma
octava dentro de un comps. En el siguiente ejemplo el ltimo sol es sostenido (necesitaramos
aadir un becuadro si lo quisiramos natural):
Vea Tonos y semitonos para ms informacin sobre las notas alteradas y su relacin con el
teclado del piano.
Las armaduras de clave

Para reducir el nmero de alteraciones al momento de escribir la msica recurrimos al uso de
armaduras de clave. Estas alteraciones, escritas entre la clave y la indicacin de comps afectan
Hoja 61/85
a todas las notas de ese nombre a travs de la pieza incluyendo aquellas en otras octavas.
En el siguiente ejemplo todos los fa y los do son sostenidos. El sol del primer comps es
sostenido y el do del segundo comps es natural debido al becuadro. El ltimo sol no necesita el
becuadro ya que el sostenido estaba en el comps anterior, pero a veces se escribe por
seguridad:
Las claves de do
Adems de las claves de sol y fa existen claves de do en 1ra (la 1ra lnea equivale a do), do en
2da, do en 3ra y do en 4ta. De stas, las que usamos comnmente son las de do en 3ra (para la
viola) y la de do en 4ta (violonchelo, fagot, entre otros para notas agudas).
A continuacin las notas en clave de do en 3ra:
El do de la lnea central es el do central
Intervalos
El intervalo mide la distancia entre dos sonidos. Para identificar un intervalo debemos averiguar
su nombre y su especie o calificacin.
Aristjenes, filsofo griego discpulo de Aristteles, es autor de los ms viejos tratados sobre la
msica. En su obra Elementos Armnicos (350 AC) define Intervalo como el espacio
comprendido entre dos sonidos de diferentes tensiones.
Contando el nmero de grados entre las notas obtenemos el nombre del intervalo. Al contar los
grados debemos incluir tanto la primera como la ltima nota. Por ejemplo de do a mi, decimos
que hay una tercera (do-1, re-2, mi-3). En la siguiente ilustracin, pueden ver la correspondencia
entre nmero de grados y nombre de los intervalos:
Hoja 62/85
Sin embargo, no todos los intervalos del mismo nombre tienen el mismo tamao. Por esto es
necesario especificar la especie o calificacin de los intervalos determinando con exactitud el
nmero de tonos y semitonos que tiene.
Tonos y semitonos
El sistema de afinacin temperada divide equitativamente la octava en doce sonidos. La
distancia o diferencia en frecuencia sonora entre cada uno de estos sonidos se conoce por el
nombre de semitono. En el teclado del piano hay la distancia de un semitono entre teclas
contiguas:
Un tono equivale a 2 semitonos. Todas las teclas blancas del piano separadas por una tecla
negra, estn a la distancia de un tono. Las que no tienen tecla negra ente ellas estn a un
semitono de distancia:
Los sonidos correspondientes a las teclas blancas del piano, reciben los nombres de do, re, mi,
fa, sol, la y si. Estas notas se consideran naturales. Podemos alterarlas un semitono cromtico
ascendente con un sostenido (#) o descendente con un bemol (b). Una tecla negra del piano,
como por ejemplo la que est entre do y re puede considerarse un do alterado
ascendentemente con un sostenido o un re alterado descendentemente con un bemol:
Hoja 63/85
Calificacin o especie de un intervalo

Tomando como ejemplo el teclado del piano, podemos ver que no todos los intervalos de un
mismo nombre tienen el mismo nmero de tonos y semitonos. Por ejemplo, la segunda entre
do y re tiene un tono, mientras que entre mi y fa hay un semitono:
Lo mismo sucede con los dems intervalos, por ejemplo la tercera re-fa tiene 1 tonos o 3
semitonos, mientras que do-mi tiene 2 tonos o 4 semitonos:
Debido a estas diferencias es necesario especificar la especie o calificacin de los intervalos.

Refirase a cada tipo de intervalo para ms informacin sobre como determinar su especie o
calificacin.
Hoja 64/85
Las segundas
Las segundas pueden ser mayores, menores, aumentadas o disminuidas. A continuacin
pueden ver el nmero de semitonos de cada una de las especies de segundas: Segunda
disminuida, 0 semitonos
Segunda menor, 1 semitono
Segunda mayor, 2 semitonos 1 tono
Segunda aumentada, 3 semitonos 1 tonos
Identificacin de segundas
Las segundas son los intervalos ms fciles de identificar. Sin embargo no deja de ser
importante dominar esta destreza ya que ser necesaria en la identificacin de otros intervalos.
Para poder determinar la especie de una segunda debemos saber:
El nmero de semitonos de cada tipo de segunda.
El orden de las notas (do, do#-reb, re, etc.), recordando que todas las notas naturales,
con excepcin de mi-fa y si-do, estn a un tono de distancia y que entre ellas existe una
nota alterada (una tecla negra en el piano).
Hoja 65/85
Con esto en mente, podemos contar los semitonos para identificar la especie con pocas
posibilidades de equivocarnos:
Las terceras
Las terceras pueden ser mayores, menores, aumentadas o disminuidas. A continuacin pueden
ver el nmero de semitonos de cada una de las especies de terceras:
Hoja 66/85
Identificacin de terceras
Para poder determinar la especie de una tercera debemos: dominar la identificacin de
segundas
Cualquier tercera puede descomponerse en dos segundas. Por ejemplo la tercera do-mi se
descompone en las segundas do-re y re-mi. Una vez hecho esto, identificamos las segundas que
resultan y utilizando la siguiente tabla podemos determinar el tipo de tercera:
Si las segundas son:
menor - menor
mayor - menor
mayor - mayor
aumentada - mayor
la tercera es:
disminuida
menor
mayor
aumentada
Siguiendo este mtodo vemos que la tercera do-mi es una tercera mayor ya que ambas
segundas (do-re, re-mi) son mayores.
En el caso de notas alteradas es til el mtodo explicado para las segundas que consiste en
quitar momentneamente las alteraciones, identificar la tercera y luego ver en que forma las
alteraciones afectan al intervalo.
Hoja 67/85
Ejemplo: lab-dob:
Quitamos las alteraciones e identificamos el intervalo. De la-si hay una 2da. Mayor, de si-do hay
una 2da. menor, de manera que la 3ra. la-do es una 3ra. Menor.
Aadimos el bemol a la nota la, la 3ra. se convierte en mayor.
Aadimos el bemol a la nota do, la 3ra. se convierte en menor.
Las cuartas
Las cuartas pueden ser justas (o perfectas), aumentadas o disminuidas. A continuacin pueden
ver el nmero de semitonos de cada una de las especies de cuartas.
Identificacin de cuartas
Para poder determinar la especie de una cuarta debemos saber que:
Todas las cuartas naturales son justas excepto fa-si. De haber notas alteradas, se
recomienda analizar el intervalo sin las alteraciones y luego ver en que forma las
Ejemplo: sol-do#:
Hoja 68/85
Identificar cuartas contando tonos y semitonos es lento y peligroso.
Las quintas
Las quintas pueden ser justas (o perfectas), aumentadas o disminuidas. A continuacin:
pueden ver el nmero de semitonos de cada una de las especies de quintas.
Identificacin de quintas
Para poder determinar la especie de una quinta debemos saber que:
Todas las quintas naturales son justas excepto si-fa. De haber notas alteradas, se
recomienda analizar el intervalo sin las alteraciones y luego ver en que forma las
Ejemplo: re-la#:
Hoja 69/85
Identificar quintas contando tonos y semitonos es lento y peligroso.
Las sextas
Las sextas pueden ser mayores, menores, aumentadas o disminuidas. En la tabla a continuacin
pueden ver el nmero de semitonos de cada una de las especies de sextas.
Identificacin de sextas
La forma ms segura de identificar las sextas es invirtiendo el intervalo e identificando la tercera
que resulta. Por ejemplo, para identificar la sexta do#-la#:
Invertimos el intervalo. Identificamos la 3ra. que resulta. Como es una 3ra. menor, la 6ta.
es mayor.
Hoja 70/85
Una 6ta. mayor invierte en una 3ra. Menor
Las sptimas
Las sptimas pueden ser mayores, menores, aumentadas o disminuidas. A continuacin pueden
ver el nmero de semitonos de cada una de las especies de sptimas.
Identificacin de sptimas
La forma ms segura de identificar las sptimas es invirtiendo el intervalo e identificando la
segunda que resulta. Por ejemplo, para identificar la sptima do-si:
Invertimos el intervalo.
Identificamos la 2da. que resulta.
Como es una 2da. menor, la 7ma. es mayor
Hoja 71/85
Las octavas
Las octavas pueden ser justas (o perfectas), aumentadas o disminuidas. A continuacin pueden
ver el nmero de semitonos de cada una de las especies de octavas.
Alteraciones
La altura o frecuencia sonora de las notas
descendentemente por medio de las alteraciones:
Hoja 72/85
puede
ser modificada
ascendente o
Consonancias y disonancias
Los intervalos son clasificados como consonantes o disonantes de acuerdo a la complejidad de
la relacin matemtica de la frecuencia sonora de las notas que lo componen.
A pesar de que a travs de la historia el concepto de consonancia y disonancia ha variado e
incluso hoy da los tericos no siempre concuerdan, podemos ofrecer la siguiente clasificacin:
Consonantes
Unsono
Terceras mayores y menores
Cuartas justas
(se considera una disonancia en la armona y el
contrapunto)
Quintas justas
Sextas mayores y menores
Octavas justas
Disonantes
Segundas
Sptimas
Cuarta aumentada
Quinta disminuida
Enarmona
Se llama notas enarmnicas a dos notas de nombre diferente pero de misma frecuencia
sonora. Por ejemplo sol#-lab son notas enarmnicas.
Intervalos ascendentes y descendentes

Cuando la segunda nota de un intervalo es ms aguda que la primera, decimos que es un
Hoja 73/85
intervalo ascendente. En el caso contrario decimos que el intervalo es descendente.
Intervalos compuestos y simples

Intervalos simples son aquellos que no son mayores a una octava. Intervalos compuestos
son aquellos que sobrepasan la octava.
La novena, dcima, undcima y decimotercera son ejemplos de intervalos compuestos.
En ocasiones simplificamos los intervalos compuestos y nos referimos a ellos por el nombre del intervalo
simple correspondiente:
Intervalos meldicos y armnicos

Un intervalo armnico es aquel en que las notas se tocan simultneamente. En los intervalos
meldicos las notas se tocan en forma sucesiva:
Semitonos cromticos y diatnicos

Se dice que un semitono es cromtico cuando se produce entre dos notas del mismo nombre,
por ejemplo la-la#. Un semitono diatnico se produce entre notas de nombre diferente como
la-sib:
Hoja 74/85
Relacin matemtica de los intervalos

El la sobre el do central tiene normalmente una frecuencia de 440 ciclos por segundo o Hertz.
Esto quiere decir que vibra 440 veces cada segundo. Un la una octava ms agudo vibra a 880 Hz.
teniendo exactamente el doble de vibraciones por segundo. Esta relacin se expresa
matemticamente como 880:440 2:1. A continuacin ofrecemos una tabla de las relaciones
matemticas de algunos intervalos organizados de consonantes a disonantes:
Relacin
2:1
3:2
4:3
5:4
6:5
9:8
16:15
Intervalo
Octava
Quinta
Cuarta
Tercera mayor
Tercera menor
Segunda mayor
Segunda menor
Acordes
Tres o ms notas, tocadas simultneamente forman un acorde. Tradicionalmente, los acordes se
han construido sobreponiendo dos o ms terceras. Por ejemplo, las notas do-mi-sol forman un
acorde o triada mayor. La nota que sirve de base para construir el acorde, recibe el nombre de
fundamental. Las otras notas reciben el nombre del intervalo que forman con relacin a la
fundamental:
Las inversiones
Decimos que un acorde est en posicin fundamental si su fundamental es la nota ms grave.
En un acorde de tres sonidos o triada, podemos adems disponer el acorde en primera o
segunda inversin. Un acorde est en primera inversin cuando su tercera es la nota ms
grave. Est en segunda inversin cuando su quinta es la nota ms grave. A continuacin pueden
ver la triada de do mayor en posicin fundamental, primera y segunda inversin:
Hoja 75/85
Mientras ms notas tenga un acorde, ms inversiones puede tener. A continuacin presentamos

el acorde de sol sptima de dominante en sus cuatro posiciones:
Las triadas
Las triadas son acordes de tres sonidos. Las triadas pueden ser mayores, menores,
aumentadas o disminuidas. A continuacin pueden ver la estructura de cada uno de
estos acordes:
Hoja 76/85
Las triadas mayores y menores se consideran perfectas por tener siempre una quinta justa o
perfecta. Las triadas disminuidas y aumentadas reciben su nombre por el tipo de quinta que
tienen.
Formacin de triadas en las escalas mayores

A continuacin pueden ver las triadas que podemos construir utilizando las notas de una escala
mayor:
En todas las escalas mayores, las triadas que se forman sobre los grados I, IV y V son mayores. Las que se
forman sobre los grados II, III y VI son menores y disminuida la que se forma sobre el grado VII.
Hoja 77/85
Formacin de triadas en las escalas menores

Debido a los tres tipos de escalas menores, natural, armnica y meldica, tenemos una mayor
variedad de triadas en estas escalas:
Triadas en la escala menor natural:
Triadas en la escala menor meldica:
Triadas y grados de las escalas

En la siguiente tabla podemos ver los grados de las escalas en que encontramos cada tipo de
triada:
Triada
Mayor
Menor
Escala
mayor
I, IV, V
II, III, VI
Escala
menor
natural
III, VI, VII
I, IV, V
Hoja 78/85
Escala
menor
armnica
V, VI
I, IV
Escala
menor
meldica
IV, V
I, II
Disminuida
Aumentada
VII
-
II
-
II, VII
III
VI, VII
III
Conocer la especie o tipo de triada que se forma sobre cada grado puede ayudar a identificarlas.
Identificacin de triadas
La rapidez y seguridad en la identificacin de triadas es un requisito indispensable para poder
analizar y entender la msica que interpretamos y escuchamos. Conviene por lo tanto
desarrollar esta habilidad. Para ello es necesario dominar la identificacin de intervalos,
especialmente las terceras y quintas.
Usando nuestro conocimiento de los intervalos podemos rpidamente identificar las triadas.
Una forma de hacerlo es identificando la tercera y luego la quinta En la tabla a continuacin
pueden ver la combinacin de intervalos propia a cada tipo de triada:
Hoja 79/85
Podemos tambin identificar las dos terceras que forman el acorde. En la tabla a continuacin pueden ver
la combinacin de intervalos propia a cada tipo de triada:
Otra forma de identificar las triadas

Si conocemos bien el tipo de triada que se forma sobre cada grado de las escalas, podemos usar
este conocimiento para identificar rpidamente las triadas.
Algunos ejemplos:
Hoja 80/85
Re mayor. La tonalidad de este ejemplo es sol mayor. El acorde est construido sobre el V grado
de la escala. Sobre el V grado de las escalas mayores se produce una triada mayor.
Do menor. La tonalidad es la de sib mayor. El acorde est construido sobre el II grado. Sobre el
II grado de las escalas mayores encontramos siempre una triada menor.
Do# mayor. En este caso tenemos dos formas para averiguar el tipo de triada.
1. Podemos pensar que la tonalidad es la de la mayor. Sobre el III grado de las escalas
mayores encontramos una triada menor, sin embargo en este caso la 3ra. del acorde se
ha convertido en una 3ra. mayor al estar alterada ascendentemente. Por lo tanto la triada
es mayor.
2. Podemos tambin pensar que la tonalidad es la de fa# menor. El mi# es propio de escala
menor armnica y meldica. En ambos casos el acorde que se forma sobre el V grado es
mayor.
Los acordes de sptima

Si aadimos una tercera a cualquier triada obtendremos un acorde de sptima. Damos este
nombre debido al intervalo de sptima que se forma con relacin a la fundamental. Podemos
formar acordes de sptima sobre cada uno de los grados de las escalas mayores y menores. Para
identificarlos, analizamos la triada y el intervalo de sptima que forman el acorde.
A continuacin pueden ver la estructura y ejemplos de los acordes de sptima ms comunes:
Hoja 81/85
Acordes de novena
Si aadimos una novena a un acorde de sptima, obtenemos un acorde de novena.
Los acordes de novena ms comunes son los que se forman sobre el grado de la dominante,
tanto en tonalidades mayores como menores. Debido a que la novena que se forma es mayor en
las tonalidades mayores y menor en las tonalidades menores, acostumbramos llamar a estos
acordes novena dominante mayor y novena dominante menor:
Hoja 82/85
Escalas
El sistema de afinacin temperada divide equitativamente la octava en doce sonidos. Una escala
es un conjunto de notas escogidas de entre estas doce notas.
Damos el nombre de grados a cada una de sus notas. Cada grado tiene su nombre, aunque
tambin acostumbramos identificarlos usando nmeros romanos:
Las dos caractersticas que distinguen una escala de otra son:

El nmero de notas que tiene
La distancia entre sus grados
Por ejemplo, con las siete notas naturales, podemos construir por lo menos 7 escalas diferentes.
Dos ejemplos:
Cada una de estas escalas tiene un orden de tonos y semitonos que la caracteriza. La primera de
ellas recibe el nombre de escala mayor, la segunda es el III modo gregoriano o modo frigio.
Estos nombres identifican la estructura especfica de cada escala.
Podemos construir una escala comenzando en cualquier nota usando alteraciones para
Hoja 83/85
mantener el orden de tonos y semitonos. Por ejemplo, para construir una escala mayor sobre la
nota re, debemos alterar las notas fa y do:
Decimos que esta escala es la escala de re mayor. Mayor por su estructura, re por ser la nota
sobre la que se construye.
Existe una infinidad de escalas. Inclusive, podemos inventar escalas al momento de componer.
Compositores como Claude Debussy, Olivier Messiaen y Bela Bartok, entre otros, lo han hecho
en el pasado reciente.
La escala menor
Al igual que la escala mayor, la escala menor tiene 7 notas. Sin embargo existen tres variedades:
menor natural, menor armnica y menor meldica. La diferencia entre estos tres tipos de escala
es la alteracin de los grados VI y VII.
En la escala menor natural, todas las notas aparecen con las mismas alteraciones de su relativo
mayor. De ah el nombre de natural:
En la escala menor natural los semitonos se encuentran entre los grados II-III y V-VI.
Es muy comn encontrar el VII grado de una escala menor alterado ascendentemente. Esta
escala la conocemos por el nombre de escala menor armnica. El nombre se debe a que una de
las razones para la alteracin del VII grado es de ndole armnica. Alterar esta nota permite la
formacin del acorde de dominante o 7ma. de dominante sobre el V grado de la escala:
Adems de alterar el VII grado, podemos tambin alterar el VI grado. Esta escala recibe el
nombre de escala menor meldica. El propsito principal de esta alteracin es facilitar el
Hoja 84/85
movimiento meldico del VI al VII grado, evitando la 2da. aumentada que se forma en la escala
menor armnica. Por esta razn se le da el nombre de meldica:
Escalas relativas
Las escalas de do mayor y la menor natural tienen las mismas notas. Decimos que son escalas
relativas. Do es relativo mayor de la y la es relativo menor de do:
Para averiguar el relativo menor de una escala mayor basta con buscar su VI grado. Por ejemplo,
el relativo menor de fa mayor es su VI grado re.
En el caso de los relativos mayores, buscamos el III grado. Por ejemplo, el relativo mayor de do
menor es su III grado mib.
La tonalidad
El concepto de tonalidad va tomando forma durante el Renacimiento y se establece desde el
perodo Barroco. Est relacionado al uso de las escalas mayores y menores.
Cuando construimos una obra usando una escala mayor o menor, la tnica de esta escala se
convierte en el centro tonal. La pieza encuentra su reposo o descanso en esta nota. Decimos
entonces, que estamos en la tonalidad relacionada a esta escala. Por ejemplo, si la escala fuera
la de re mayor decimos que estamos en la tonalidad de re mayor.
En las obras musicales escritas en los perodos Barroco, Clsico y Romntico cuando hablamos
de la tonalidad de una obra, queremos decir que sta es la tonalidad principal.
Sin embargo, se producen innumerables modulaciones (cambios momentneos de tonalidad) a
travs de la obra.
Los acordes, muy especialmente los de sptima de dominante, y la armona participan en la
definicin de la tonalidad y en los procesos de modulacin.
Hoja 85/85

Composición Musical A Través Del Uso de Algoritmos Genéticos

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Composición Musical A Través Del Uso de Algoritmos Genéticos

Transféré par

Droits d'auteur :

Formats disponibles

COMPOSICIN MUSICAL A TRAVS DEL USO

que no siempre se cuentan con las primeras.

4) Definicin de soluciones a los problemas planteados

La convergencia del algoritmo no sea muy pronta.

La diversidad de la poblacin interviniente sea lo suficientemente amplia como para

5.2) Redes Neuronales

5.3) Composicin musical

es un proceso creativo que pertenece a la naturaleza humana. La

5.3.1) Criterio de composicin musical

5.4) Trabajos Realizados

El encabezado XML, la etiqueta songComposer, su hijaconfiguration y sus atributos son

evolutions: nmero de iteraciones o evoluciones que va a tener el algoritmo.

Finalmente debe especificarse el tipo de funcin de aptitud abriendo la correspondiente etiqueta

1. Restriccin de notas: penaliza que en un mismo comps se encuentren dos notas

equivalente a C-D-E-F-G-A-B), se evalan para todos los compases de la partitura. La

penalty: nmero entero que indica la penalidad a aplicar.

penalty: nmero entero que indica la penalidad a aplicar.

3. Restriccin de cantidad de notas: penaliza la cantidad de notas, ya sea mnima o mxima,

penalty: nmero entero que indica la penalidad a aplicar.

NotesPerMeasure: cantidad de notas en la cul se empieza a aplicar la restriccin.

Un ejemplo de uso con todas las restricciones es el siguiente:

<noteRestriction penalty="1" firstNote="D" secondNote="C#" />

Un ejemplo de uso de esta configuracin es:

La invocacin del programa se hace de la siguiente manera, generando la salida mostrada a

Compas 53 fittest igual compas 53 de Angie

6.1) Armado de la Red Neuronal

Se fij la nota ms grave y la nota ms aguda de acuerdo a un instrumento de referencia, en

Por una cuestin de simplicidad a la hora de abordar el problema se decidi ignorar en la

Lineal y = b * x : Es la funcin de transferencia ms simple que existe, se transfiere a la

de procesamiento, este uso se muestra en el siguiente diagrama:

Figura 1: Diagrama de conexin del Linear Layer.

Biased y = x + biasn (biasn es el bias de la ensima neurona): Esta tipo de transferencia es

cierta periodicidad en su estructura. El rango de salida es de menos a uno.

6.2) Arquitectura del sistema

Figura 3: Diagrama de clases de las funciones de aptitud.

Con el fin de usar el framework de abstraccin e implementacin de algoritmos genticos se

Figura 4: Diagrama de clases del modelo de red neuronal, notas y restricciones

Figura 5: Diagrama de paquetes general.

7.1) A travs de penalizaciones

Restricciones de cantidad de notas (tanto mximas como mnimas).

Restricciones de mezcla de notas especificas por comps.

7.2) A travs del aprendizaje de gustos musicales

76-84). San Mateo, CA: Morgan Kaufmann.

and Vladimirova T.. A Genetic Algorithm Utilising Neural Network Fitness

Evaluation for Musical Composition. In International Conference on Genetic Algorithms and

IGA. Technical report, Rochester Institute of Technology.

Anexo I: Manual de Usuario [47]

El cuadro de dilogo Propiedades es donde vamos a ir a la configuracin de cmo queremos que

Las barras de herramientas

El modo de edicin (Se aplica slo a la edicin)

Seleccin del modo

Puntuacin Modo Edicin

Sharp / Flat Mode

(Estas opciones y ms puede acceder a travs de la composicin del "men desplegable en la

Aadir / Eliminar pista

El primer botn de la izquierda es de diseo de pgina. Es alternativa es el segundo botn: diseo

Anexo II: Ejemplos de Cruza y Mutacin

Con el segundo de esta otra:

El resultado sera el siguiente:

Anexo III: Conceptos Musicales [48]

Dependiendo de su posicin sobre el pentagrama podemos conocer la nota musical que

Nombre de las notas

Las lneas adicionales