Redes Perceptron Multicamadas para modelar efeitos de distorção em sinais de guitarra elétrica

Authors

  • Murilo Guimarães Correia Universidade Federal de Goiás
  • Samuel Carvalho De Almeida Universidade Federal de Goiás
  • Alisson Cardoso https://orcid.org/0000-0003-2687-2352
  • Ricardo Augusto Pereira Franco Universidade Federal de Goiás

DOI:

https://doi.org/10.56762/tecnia.v10i2.1670

Keywords:

Modelagem de Distorção de Áudio, Redes MLP, Processamento de Sinal, Sistemas Dinâmicos

Abstract

Este trabalho investiga a modelagem de efeitos de distorção em sinais de guitarra elétrica utilizando redes perceptron multicamadas (MLPs). Na proposta, a MLP é responsável por transformar o sinal elétrico original da guitarra em um sinal distorcido. Para o treinamento da rede, foram gerados/coletados dados sintéticos de efeito de distorção a partir de sinais elétricos reais aplicados em um simulador SPICE de circuitos eletrônicos. Os resultados do estudo são apresentados em termos de Erro Quadrático Médio (EQM) e testes estatísticos de aderência de Kolmogorov-Smirnov. As análises demonstram que a proposta apresentada para modelar o sistema dinâmico de um pedal elétrico de distorção com o uso da MLP tem bom desempenho, representando os sinais distorcidos com fidelidade.

References

BISHOP, C. M. Pattern recognition and machine learning. Cambridge: Springer, 2006. v. 4.

BRUNETTO, L. F. M.; SCHMIDT, C. E.; DALLA’ROSA, A. Seleção de hiperparâmetros para uma rede multi-layer perceptron aplicada na predição do preço da soja. Revista Tecnia, Goiânia, v. 8, n. 2, p. 1-15, 2023.

LTSPICE. [S. l.]: Analog, 2023. Disponível em https://www.analog.com/en/design-center/design-tools-and-calculators/ltspice-simulator.html. Acesso em: 31 maio 2023.

ENGEL, J.; RESNICK, C.; ROBERTS, A.; DIELEMAN, S.; NOROUZI, M.; ECK, D.; SIMONYAN, K. Neural audio synthesis of musical notes with wavenet autoencoders. PMLR. International Conference on Machine Learning, p. 1068-1077, 2017.

FACELI, K.; LORENA, A. C.; GAMA, J.; CARVALHO, A. C. P. L. F. Inteligência artificial: uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, 2011.

KINGMA, D. P.; BA, J. Adam: A method for stochastic optimization. Arxiv, [s. l.], v. 1, p. 1-15, 2017.

KULESHOV, V.; ENAM, S. Z.; ERMON, S. Audio super resolution using neural networks. Arxiv, [s. l.], p. 1-8, 2017. Disponível em: https://arxiv.org/abs/1708.00853. Acesso em: 5 set. 2025.

PURWINS, H.; LI, B.; VIRTANEN, T.; SCHLÜTER, J.; CHANG, S.-Y.; SAINATH, T. Deep learning for audio signal processing. IEEE Journal of Selected Topics in Signal Processing, [s. l.], v. 13, n. 2, p. 206-219, 2019.

REISS, J. D.; MCPHERSON, A. Audio effects: theory, implementation and application. Florida: CRC Press, 2014.

ROSS, S. M. Introduction to probability and statistics for engineers and scientists. [Estados Unidos]: Academic Press, 2020.

SELF, D. Small signal audio design. 4 th. Waltham: Focal Press, 2023.

STEPHENS, M. A. Edf statistics for goodness of fit and some comparisons. Journal of the American statistical Association, Taylor & Francis, v. 69, n. 347, p. 730-737, 1974.

WASSERMAN, L. All of statistics: a concise course in statistical inference. Berlim: Springer Science & Business Media, 2004.

ZHANG, A.; LIPTON, Z. C.; LI, M.; SMOLA, A. J. Dive into Deep Learning. Cambridge: Cambridge University Press, 2023.

Downloads

Published

2025-09-25

How to Cite

Guimarães Correia, M., Carvalho De Almeida , S., Alisson Cardoso, & Augusto Pereira Franco, R. (2025). Redes Perceptron Multicamadas para modelar efeitos de distorção em sinais de guitarra elétrica. Revista Tecnia, 10(2), 18. https://doi.org/10.56762/tecnia.v10i2.1670

Issue

Tecnologias Habilitadoras para a Indústria 4.0

Section

Dossiê Temático - Tecnologias Habilitadoras para a Indústria 4.0

Categories

License

  • Autores e autoras que publicam na Tecnia concordam com os seguintes termos:

    1) Autores e autoras mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

    2) Autores e autoras têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

    3) Autores e autoras têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) após a finalização do processo editorial, já que isso pode aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).