Studio della deviazione percettiva di campioni audio restaurati digitalmente

Alla luce delle conclusioni raggiunte tramite il Multidimensional Scaling e della tipologia di relazioni tra le caratteristiche qualitative e quantitative dei campioni audio, si suggerisce l’impiego di una rete neurale per lo sviluppo di un’indagine ulteriore. La rete neurale [Lazzerini, 2010] è un sistema di elaborazione dei dati, oggi molto usato in ambito statistico, che imita il sistema nervoso biologico (meccanismi come la percezione delle immagini o la comprensione del linguaggio) ed è composta di unità (neuroni) di ricezione (input), elaborazione intermedia (hidden) e output.

Ognuna di esse si attiva se il segnale che riceve supera una certa soglia prestabilita, trasmettendo i dati alle successive tramite connessioni dotate di pesi variabili, detti sinaptici. Esse vengono utilizzate per il clustering, l’approssimazione di funzioni, la predizione temporale, l’elaborazione e il riconoscimento di immagini e in generale per l’ottimizzazione di processi. Senza addentrarsi nella teoria delle reti neurali e del loro funzionamento matematico, per le quali si rimanda all’ottimo testo [Floreano-Mattiussi,2002], preme sottolineare le qualità a favore di un loro utilizzo nel campo della valutazione del restauro.

La caratteristica principale della rete neurale è di essere una black box, ovvero una scatola nera “magica” che, se utilizzata con criterio, fornisce dei risultati, ma della quale non si conoscono i meccanismi matematici interni. In un certo senso “bisogna fidarsi” delle ipotesi di partenza e dei risultati ottenuti, ma questo è un concetto proprio di molte analisi statistiche e che vale anche per l’MDS, se pur più legato alle scelte personali del ricercatore. La rete “impara” a fornire risposte appropriate agli stimoli di ingresso modificando le caratteristiche delle connessioni sinaptiche (tra unità) tramite delle regole di apprendimento. Queste ultime vengono “insegnate” letteralmente alla rete dall’operatore tramite la somministrazione di dati in entrata.

Si chiamano regole, ma sono concettualmente più dei “comportamenti reattivi” basati su algoritmi più semplici di quanto si possa immaginare. L’utilizzo che si ipotizza nel campo del restauro è il seguente: istruire una rete neurale con input quantitativi e ottenere degli output qualitativi o viceversa. Questo può essere interessante nel momento in cui si individua un processo specifico di restauro digitale e si vuole capire la reazione di un ascoltatore. La rete istruita adeguatamente riceverà in ingresso valori relativi a caratteri quantitativi e attiverà in uscita i neuroni corrispondenti alle qualità qualitative stimolate. Nel concetto inverso il campione audio potrebbe essere il file “vincitore” di un’analisi statistica soggettiva (la versione più “gradita” di un restauro) e se ne vogliono conoscere le caratteristiche salienti quantitative. In input si avranno i dati raccolti dal pubblico (profondità, brillantezza, gradimento, etc...) e in output le caratteristiche tecniche (ad esempio le features scelte in questa tesi).

La rete neurale attiverà solo quelle che rappresentano maggiormente quell’audio. Per ottenere un risultato del genere, tra le tante tipologie di reti, ne servirebbe una Multilayer Perceptron , o MLP ad apprendimento supervisionato. Multilayer perchè multistrato: neuroni input, neuroni nascosti (uno o più “fogli”) ed output di risposta. La rete si ipotizza di tipo feed-forward, ovvero ogni neurone è collegato a tutti quelli dello strato successivo ma non ai suoi “vicini”, con i quali condivide solo la soglia di attivazione. Ciò è coerente con il concetto insito nei descrittori audio: sono tutti diversi e indipendenti tra loro, ma insieme influenzano il risultato finale del restauro (in alternativa si possono comunque considerare tutte le connessioni possibili con un collegamento skip-forward). Potrebbe poi, inizialmente, avere un solo strato hidden per permettere calcoli più veloci e basarsi su un algoritmo di backpropagation. La propagazione “all’indietro” è solitamente veloce nella fase di apprendimento ed ha ottime capacità di generalizzazione di un processo. E’ molto stabile e resistente agli errori e proprio per questo consigliata in casi dove i dati di input possano essere affetti da Le motivazioni a favore di un’utilizzo delle Reti neurali per lo studio del problema del restauro sono preponderanti rispetto ai possibili ostacoli. Si ritiene opportuno sottolineare la grande possibilità che esse offrono nella considerazione delle interazioni vicendevoli dei parametri, siano essi oggettivi che soggettivi. Mentre un MDS utilizza la geometria analitica per creare delle mappe concettuali statiche a partire da distanze numeriche, la RN applica un procedimento totalmente diverso, che sfrutta la stessa fitta rete di relazioni vicendevoli, per creare una struttura che possa rispondere a quesiti futuri: la musica ha per sua stessa natura necessità di essere analizzata tenendo conto della grande interazione delle sue caratteristiche sul risultato auditivo.