Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital

Descripción del Articulo

El presente trabajo analiza y desarrolla métodos avanzados para la separación de pistas musicales de audio digital, comparando técnicas tradicionales como la Transformada de Fourier de Corto Tiempo (STFT) y la Descomposición en Valores Singulares (SVD) con enfoques basados en Redes Neuronales Profun...

Descripción completa

Detalles Bibliográficos
Autor: Escobedo Vallejos, Hugo César
Formato: tesis de grado
Fecha de Publicación:2025
Institución:Universidad Privada Antenor Orrego
Repositorio:UPAO-Tesis
Lenguaje:español
OAI Identifier:oai:repositorio.upao.edu.pe:20.500.12759/61812
Enlace del recurso:https://hdl.handle.net/20.500.12759/61812
Nivel de acceso:acceso abierto
Materia:Redes Neuronales Profundas
Separacion de Pistas Musicales
https://purl.org/pe-repo/ocde/ford#2.11.00
id UPAO_5513b60d47cca3220bdeba5867a9f967
oai_identifier_str oai:repositorio.upao.edu.pe:20.500.12759/61812
network_acronym_str UPAO
network_name_str UPAO-Tesis
repository_id_str 3230
dc.title.es_PE.fl_str_mv Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital
title Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital
spellingShingle Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital
Escobedo Vallejos, Hugo César
Redes Neuronales Profundas
Separacion de Pistas Musicales
https://purl.org/pe-repo/ocde/ford#2.11.00
title_short Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital
title_full Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital
title_fullStr Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital
title_full_unstemmed Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital
title_sort Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital
dc.creator.none.fl_str_mv Escobedo Vallejos, Hugo César
author Escobedo Vallejos, Hugo César
author_facet Escobedo Vallejos, Hugo César
author_role author
dc.contributor.advisor.fl_str_mv Azabache Fernández, Filiberto Melchor
dc.contributor.author.fl_str_mv Escobedo Vallejos, Hugo César
dc.subject.es_PE.fl_str_mv Redes Neuronales Profundas
Separacion de Pistas Musicales
topic Redes Neuronales Profundas
Separacion de Pistas Musicales
https://purl.org/pe-repo/ocde/ford#2.11.00
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.11.00
description El presente trabajo analiza y desarrolla métodos avanzados para la separación de pistas musicales de audio digital, comparando técnicas tradicionales como la Transformada de Fourier de Corto Tiempo (STFT) y la Descomposición en Valores Singulares (SVD) con enfoques basados en Redes Neuronales Profundas (DNN). Las DNN demostraron superar significativamente a los métodos tradicionales en precisión, reducción de artefactos y adaptación a señales complejas. Los algoritmos basados en STFT y SVD fueron implementados en MATLAB, mostrando resultados aceptables en señales específicas, pero limitaciones en resolución tiempo-frecuencia y manejo de señales no estacionarias. Por otro lado, los modelos DNN, diseñados y entrenados con bases de datos etiquetadas, lograron métricas superiores: SDR (18.9 dB), SIR (21.8 dB), SAR (16.5 dB) y PESQ (4.2), consolidándose como la técnica más efectiva para mejorar la calidad de separación. El análisis de los resultados de las métricas confirmó que las DNN son la solución más prometedora para futuras aplicaciones en la industria musical, el procesamiento de audio en tiempo real y la remasterización. Este estudio destaca la importancia de los avances en aprendizaje profundo para resolver desafíos complejos en el procesamiento de señales de audio.
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-02-21T20:25:43Z
dc.date.available.none.fl_str_mv 2025-02-21T20:25:43Z
dc.date.issued.fl_str_mv 2025
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12759/61812
url https://hdl.handle.net/20.500.12759/61812
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.relation.ispartofseries.none.fl_str_mv T_ELECT_18
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.fl_str_mv https://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/4.0/
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Privada Antenor Orrego
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.none.fl_str_mv reponame:UPAO-Tesis
instname:Universidad Privada Antenor Orrego
instacron:UPAO
instname_str Universidad Privada Antenor Orrego
instacron_str UPAO
institution UPAO
reponame_str UPAO-Tesis
collection UPAO-Tesis
bitstream.url.fl_str_mv https://repositorio.upao.edu.pe/backend/api/core/bitstreams/2add3b97-9bd4-4a7f-9faa-723510b3fb85/content
https://repositorio.upao.edu.pe/backend/api/core/bitstreams/3e1db4f5-1638-43b4-aabf-897ab5cb2d3c/content
https://repositorio.upao.edu.pe/backend/api/core/bitstreams/0249e896-cd36-4813-b151-87df7ae09942/content
https://repositorio.upao.edu.pe/backend/api/core/bitstreams/4d22f5e8-fe44-47eb-841a-46d4ff751981/content
https://repositorio.upao.edu.pe/backend/api/core/bitstreams/8e9834d9-5b9e-4a31-b637-a14eac4ee2e8/content
https://repositorio.upao.edu.pe/backend/api/core/bitstreams/5faeb4fe-e79c-4efa-bf18-9bfb1e469cd2/content
https://repositorio.upao.edu.pe/backend/api/core/bitstreams/5f17eed2-d17b-4456-8b6e-317b28d452b4/content
https://repositorio.upao.edu.pe/backend/api/core/bitstreams/2cd8b4bf-65e4-41ea-a2f3-1515ec779b24/content
https://repositorio.upao.edu.pe/backend/api/core/bitstreams/593fd68a-a843-44f4-9ada-a22d0c9832e8/content
https://repositorio.upao.edu.pe/backend/api/core/bitstreams/a4c91d6d-c1de-4614-8450-6b63e4a1b1ae/content
bitstream.checksum.fl_str_mv 8a4605be74aa9ea9d79846c1fba20a33
48c2ccd134647b348bc2d7a8113d5bdc
76d9b0c9c10d1105d4a1371021f29659
a1f1df0b46194ad50d9d2260eb08bbfa
542b98c5f10438aff6859a2069001a2b
0c59c0c8dcb565b4238700e0adfba288
68b329da9893e34099c7d8ad5cb9c940
1b1d040f3d43c764c184abe02f71a633
770a0ab59140f5de7c8b9ac359a64f47
762e2157b130e68e43c5ec814c09240b
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio de la Universidad Privada Antenor Orrego
repository.mail.fl_str_mv dspace-help@myu.edu
_version_ 1846069149343678464
spelling Azabache Fernández, Filiberto MelchorEscobedo Vallejos, Hugo CésarEscobedo Vallejos, Hugo César2025-02-21T20:25:43Z2025-02-21T20:25:43Z2025https://hdl.handle.net/20.500.12759/61812El presente trabajo analiza y desarrolla métodos avanzados para la separación de pistas musicales de audio digital, comparando técnicas tradicionales como la Transformada de Fourier de Corto Tiempo (STFT) y la Descomposición en Valores Singulares (SVD) con enfoques basados en Redes Neuronales Profundas (DNN). Las DNN demostraron superar significativamente a los métodos tradicionales en precisión, reducción de artefactos y adaptación a señales complejas. Los algoritmos basados en STFT y SVD fueron implementados en MATLAB, mostrando resultados aceptables en señales específicas, pero limitaciones en resolución tiempo-frecuencia y manejo de señales no estacionarias. Por otro lado, los modelos DNN, diseñados y entrenados con bases de datos etiquetadas, lograron métricas superiores: SDR (18.9 dB), SIR (21.8 dB), SAR (16.5 dB) y PESQ (4.2), consolidándose como la técnica más efectiva para mejorar la calidad de separación. El análisis de los resultados de las métricas confirmó que las DNN son la solución más prometedora para futuras aplicaciones en la industria musical, el procesamiento de audio en tiempo real y la remasterización. Este estudio destaca la importancia de los avances en aprendizaje profundo para resolver desafíos complejos en el procesamiento de señales de audio.This study analyzes and develops advanced methods for the separation of musical tracks in digital audio, comparing traditional techniques such as Short-Time Fourier Transform (STFT) and Singular Value Decomposition (SVD) with approaches based on Deep Neural Networks (DNN). The DNNs significantly outperformed traditional methods in terms of precision, artifact reduction, and adaptability to complex signals. Algorithms based on STFT and SVD were implemented in MATLAB, showing acceptable results for specific signals but presenting limitations in time-frequency resolution and handling of non-stationary signals. In contrast, DNN models, designed and trained using labeled datasets, achieved superior metrics: SDR (18.9 dB), SIR (21.8 dB), SAR (16.5 dB), and PESQ (4.2), establishing themselves as the most effective technique for improving separation quality. The analysis of the metric results confirmed that DNNs are the most promising solution for future applications in the music industry, real-time audio processing, and remastering. This study highlights the importance of advancements in deep learning to address complex challenges in audio signal processingTesisapplication/pdfspaUniversidad Privada Antenor OrregoPET_ELECT_18SUNEDUinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/4.0/Redes Neuronales ProfundasSeparacion de Pistas Musicaleshttps://purl.org/pe-repo/ocde/ford#2.11.00Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digitalinfo:eu-repo/semantics/bachelorThesisreponame:UPAO-Tesisinstname:Universidad Privada Antenor Orregoinstacron:UPAOUniversidad Privada Antenor Orrego. Facultad de IngenieriaIngeniero ElectronicoIngenieria Electronicahttps://orcid.org/0000-0003-2833-04931785866018891264https://purl.org/pe-repo/renati/type#tesishttps://purl.org/pe-repo/renati/level#tituloProfesional712026De La Cruz Rodríguez, Oscar MiguelLeón Cerna, Alejandro MartínAlvarado Rodríguez, Luis enriqueLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.upao.edu.pe/backend/api/core/bitstreams/2add3b97-9bd4-4a7f-9faa-723510b3fb85/content8a4605be74aa9ea9d79846c1fba20a33MD54ORIGINALREP_HUGO.ESCOBEDO_REDES.NEURONALES.pdfREP_HUGO.ESCOBEDO_REDES.NEURONALES.pdfapplication/pdf1085789https://repositorio.upao.edu.pe/backend/api/core/bitstreams/3e1db4f5-1638-43b4-aabf-897ab5cb2d3c/content48c2ccd134647b348bc2d7a8113d5bdcMD51TURNITIN_ESCOBEDO.pdfTURNITIN_ESCOBEDO.pdfapplication/pdf4623276https://repositorio.upao.edu.pe/backend/api/core/bitstreams/0249e896-cd36-4813-b151-87df7ae09942/content76d9b0c9c10d1105d4a1371021f29659MD52AUTORIZACION_ESCOBEDO.pdfAUTORIZACION_ESCOBEDO.pdfapplication/pdf245277https://repositorio.upao.edu.pe/backend/api/core/bitstreams/4d22f5e8-fe44-47eb-841a-46d4ff751981/contenta1f1df0b46194ad50d9d2260eb08bbfaMD53TEXTREP_HUGO.ESCOBEDO_REDES.NEURONALES.pdf.txtREP_HUGO.ESCOBEDO_REDES.NEURONALES.pdf.txtExtracted texttext/plain81934https://repositorio.upao.edu.pe/backend/api/core/bitstreams/8e9834d9-5b9e-4a31-b637-a14eac4ee2e8/content542b98c5f10438aff6859a2069001a2bMD55TURNITIN_ESCOBEDO.pdf.txtTURNITIN_ESCOBEDO.pdf.txtExtracted texttext/plain975https://repositorio.upao.edu.pe/backend/api/core/bitstreams/5faeb4fe-e79c-4efa-bf18-9bfb1e469cd2/content0c59c0c8dcb565b4238700e0adfba288MD57AUTORIZACION_ESCOBEDO.pdf.txtAUTORIZACION_ESCOBEDO.pdf.txtExtracted texttext/plain1https://repositorio.upao.edu.pe/backend/api/core/bitstreams/5f17eed2-d17b-4456-8b6e-317b28d452b4/content68b329da9893e34099c7d8ad5cb9c940MD59THUMBNAILREP_HUGO.ESCOBEDO_REDES.NEURONALES.pdf.jpgREP_HUGO.ESCOBEDO_REDES.NEURONALES.pdf.jpgGenerated Thumbnailimage/jpeg4271https://repositorio.upao.edu.pe/backend/api/core/bitstreams/2cd8b4bf-65e4-41ea-a2f3-1515ec779b24/content1b1d040f3d43c764c184abe02f71a633MD56TURNITIN_ESCOBEDO.pdf.jpgTURNITIN_ESCOBEDO.pdf.jpgGenerated Thumbnailimage/jpeg5124https://repositorio.upao.edu.pe/backend/api/core/bitstreams/593fd68a-a843-44f4-9ada-a22d0c9832e8/content770a0ab59140f5de7c8b9ac359a64f47MD58AUTORIZACION_ESCOBEDO.pdf.jpgAUTORIZACION_ESCOBEDO.pdf.jpgGenerated Thumbnailimage/jpeg6331https://repositorio.upao.edu.pe/backend/api/core/bitstreams/a4c91d6d-c1de-4614-8450-6b63e4a1b1ae/content762e2157b130e68e43c5ec814c09240bMD51020.500.12759/61812oai:repositorio.upao.edu.pe:20.500.12759/618122025-02-22 03:01:32.087https://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://repositorio.upao.edu.peRepositorio de la Universidad Privada Antenor Orregodspace-help@myu.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
score 12.828757
Implementación de redes neuronales profundas para mejorar la calidad de la separación de pistas musicales de audio digital
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares