بُلندای صدا درنهایت کمیتی ذهنی است که دستگاهِ شنواییِ انسان درباره ی آن قضاوت می کند. با این وجود بلندا به فراسنج های فیزیکیِ صدا، به ویژه فشار و بسامد آن وابسته است. ارتباطِ بینِ بلندا، فشار و بسامد صدا با منحنی هایی به نامِ منحنی هایِ تَراز هم بُلندا نمایش می دهند. منحنی های موجود همه گی باتوجه به داده های تجربیِ اندازه گیری شده در آزمایش گاه ها ترسیم شده اند. این روش دو مشکلِ عمده به دنبال دارد. نخست این که این داده ها در شرایطی متفاوت اندازه گیری شده اند و درنتیجه گاهی باهم اختلاف دارند؛ و دیگر این که همین داده های تجربی هم محدود هستند و ترسیم منحنی ها بر اساس آن ها تنها با برون یابی و تخمین امکان پذیر است. این نقایص در حالی است که صافی های به کار رفته برای دستگاه های سنجش بلندا بر پایه ی این منحنی های هم بلندا طراحی می شوند. پژوهش گران به این منظور از مدل هایی نیمه تجربی استفاده می کنند و تاکنون کم تر مدلی کاملاً نظری معرفی شده است. در این پایان نامه، با استفاده از شبکه های عصبیِ مصنوعی مدلی برای پیش بینیِ تراز بلندای یک صدا معرفی می شود. برای آموزش شبکه ی عصبیِ به کار رفته در این مدل از داده های تجربیِ موجود در استاندارد iso 226 استفاده شده است. این مدل علاوه بر این که می تواند،تراز بلندای صداهایی را که برایشان داده های تجربی وجود ندارد به خوبی پیش بینی کند، باتوجه به الگوریتمِ به نسب ساده و دقتِ قابلِ قبول اش، قابلیتِ پیاده سازی برای دستگاه های سنجش صدا را نیز دارد.

دسته بندی یکی از شیوه های سازمان دهیِ اطلاعات برای بازیابی سریع آن هاست. لزوم دسته بندی نشانه های صوتی بر اساس محتوا در سازماندهی و مدیریت منابع در آرشیوهای رادیو و تلویزیون و اینترنت امری بدیهی است. از آن جا که طبقه بندیِ دستی، کاری وقت گیر و پرهزینه است، دسته بندی خودکار در این فرایند می تواند روشی ارزشمند برای سیستم های بازیابی اطلاعات و سازماندهی فایلهای صوتی بر اساس محتوا باشد. با گسترش صدای دیجیتال در سالهای اخیر، کاربرد فناوری تشخیص الگو در صدای دیجیتال رشد روز افزون یافته است. روش های مختلفی از جمله شبکه عصبی، برای دسته بندی خودکار مورد استفاده قرار می گیرد. با دادن ورودی های تکراری در گروه های دسته بندی شده به آن، این شبکه تشخیص معیارهای دسته بندی را می آموزد. و به این ترتیب می تواند ورودی های جدیدی را که در طی آموزش استفاده نکرده است ، دسته بندی کند. در این پژوهش، روشی برای دسته بندی دستگاه های موسیقی با استفاده از شبکه عصبیِ مصنوعی با توابعِ پایهِ شعاعی پیشنهاد می شود. دراین فرآیند شش دستگاه و یا آواز موسیقی ایرانی شامل (ماهور دو، بیات ترک دو، بیات اصفهان دو، چهارگاه دو، سه گاه می کرن و شور سل) مورد بررسی قرار می گیرند. برنامه با گرفتن تبدیل فوریه از قطعات ضبط شده، فرکانس های غالب را استخراج می کند و به عنوان الگوی ورودی به شبکه عصبی می دهد. در این روش از 135 داده برای آموزش و 60 داده برای آزمون شبکه استفاده می شود. و در نهایت سیستم باید دستگاه ماهور را از سایر دستگاه ها تمیز دهد. دقت طبقه بندی دستگاه ها در دو مجموعه ماهور و غیر ماهور به ترتیب 33/73% و 86% می باشد.