113-2 0307 meeting

progress：讀完Hidden Markov Model章節後建立build_markov_model與calculate_score函式，已經可以初步算出query作為觀測值對於target_midi拓展出的HMM算出分數，其中遇到target_diff是小數的問題，通過ceiling midi number解決。遇到沒有target_diff的機率可用的問題，通過拓展midi difference到-3~7解決。

next step：對於機率大於零的部分套上Diffused Matrix。套用完之後對於機率還是等於零的部分套用min_prob = 0.001，之後不需要再做normalize (?)

• [x] difference index 需要拓展到多少? -3~7? (-11~11)
• [x] 看不太懂(4.10)與(4.11)代表的數學意義(Gaussian mask)
• [x] 實際運算怎麼做，假如H[0, 7]作為 kernel 是直接 apply Diffused Matrix 嗎?
• [x] 全部套用之後對於機率零的部分套用 min_prob = 0.001 之後還需要 normalize 嗎?(不用)
• [x] thisis胡哲銘遺失了，請老師再複製給我

113-2 0314 meeting

progress：依照老師的建議實作出proposed hmm，修改Proposed Build_Karkov_Model，建立Apply_Diffusion。讀完modified dynamic programming

next step：建立資料庫儲存target HMM，實作Modified DP

• [x] DP：P(n)與B(n)是否為選擇且修改後的單元格總和
• [x] HMM：套用diffusion matrix 總無法得到與論文相符的結果，可能算法還需要修改
• [x] HMM：我該如何製作資料庫儲存HMM，後續如何取用資料庫中的Model
• [x] Python與資料庫協作：常常在搜尋只會找到我如何用python管理資料庫

113-2 0321 meeting

progress：

[HMM]

上次的問題二convolve與multiply都試過了，還是無法得出與論文相同結果。但我發現我用convolve做出了更好的成果，越偏離正確值反而越低 (-1~7) ，越接近的地方反而變高 (-2~-1) 。

• [ ] 或許可以不用跟論文上說的一樣要normalize，這樣只是給機率低的地方更多權重而已