RelAtive SpecTrAl (RASTA) Processing of Speech
|
|
- Gabriel Koch
- vor 5 Jahren
- Abrufe
Transkript
1 RelAtive SpecTrAl (RASTA) Processing of Speech Paul Glad Mihai
2 Gliederung Einleitung Wieso RASTA? RASTA erläutert Probleme Modulationsspektrum von Sprache Methode RASTA erweitert Lin-Log Rasta Data-driven design of RASTA-like filters Zeitliche Maskierung und RASTA Matlab Demo
3 Einleitung zu RASTA Gliederung Einleitung Wieso RASTA? RASTA erläutert Probleme Modulationsspektrum von Sprache Methode RASTA erweitert Lin-Log Rasta Data-driven design of RASTA-like filters Zeitliche Maskierung und RASTA Matlab Demo
4 Einleitung zu RASTA RASTA: Verbesserung der Spracherkennung Ursprünglich: Methode für das Behandeln von langsamoder schnell-schwankenden, nichtlinguistischen Komponenten im Sprachsignal Signal enthält Information von verschiedenen Quellen: Sprecher, Aufnahmebedingungen, Übertragungskanal Interessant: was wird gesprochen oder wer es gesprochen hat
5 Einleitung zu RASTA RASTA: Verbesserung der Spracherkennung Ursprünglich: Methode für das Behandeln von langsamoder schnell-schwankenden, nichtlinguistischen Komponenten im Sprachsignal Signal enthält Information von verschiedenen Quellen: Sprecher, Aufnahmebedingungen, Übertragungskanal Interessant: was wird gesprochen oder wer es gesprochen hat
6 Einleitung zu RASTA RASTA: Verbesserung der Spracherkennung Ursprünglich: Methode für das Behandeln von langsamoder schnell-schwankenden, nichtlinguistischen Komponenten im Sprachsignal Signal enthält Information von verschiedenen Quellen: Sprecher, Aufnahmebedingungen, Übertragungskanal Interessant: was wird gesprochen oder wer es gesprochen hat
7 RASTA Gliederung Einleitung Wieso RASTA? RASTA erläutert Probleme Modulationsspektrum von Sprache Methode RASTA erweitert Lin-Log Rasta Data-driven design of RASTA-like filters Zeitliche Maskierung und RASTA Matlab Demo
8 RASTA Sprachsignal enthält nicht nur Sprache Meisten SE-Methoden können zwischen dem Sprecher und Hintergrundgeräuschen, konkurrierenden Sprechern und Kanälen nicht unterscheiden Verzerrungen von Kommunikationskanälen und Aufnahmemitteln langsame Schwankung verglichen mit Sprachdynamik Hintergrundgeräusche (Clicks, Knackgeräusche) schnelle Schwankung verglichen mit Sprachdynamik Abstellen von spektralen Komponenten die schneller oder langsamer als das gewnünschte Sprachsignal schwanken, verbessert die Sprachanalyse
9 RASTA Sprachsignal enthält nicht nur Sprache Meisten SE-Methoden können zwischen dem Sprecher und Hintergrundgeräuschen, konkurrierenden Sprechern und Kanälen nicht unterscheiden Verzerrungen von Kommunikationskanälen und Aufnahmemitteln langsame Schwankung verglichen mit Sprachdynamik Hintergrundgeräusche (Clicks, Knackgeräusche) schnelle Schwankung verglichen mit Sprachdynamik Abstellen von spektralen Komponenten die schneller oder langsamer als das gewnünschte Sprachsignal schwanken, verbessert die Sprachanalyse
10 RASTA Sprachsignal enthält nicht nur Sprache Meisten SE-Methoden können zwischen dem Sprecher und Hintergrundgeräuschen, konkurrierenden Sprechern und Kanälen nicht unterscheiden Verzerrungen von Kommunikationskanälen und Aufnahmemitteln langsame Schwankung verglichen mit Sprachdynamik Hintergrundgeräusche (Clicks, Knackgeräusche) schnelle Schwankung verglichen mit Sprachdynamik Abstellen von spektralen Komponenten die schneller oder langsamer als das gewnünschte Sprachsignal schwanken, verbessert die Sprachanalyse
11 RASTA Sprachsignal enthält nicht nur Sprache Meisten SE-Methoden können zwischen dem Sprecher und Hintergrundgeräuschen, konkurrierenden Sprechern und Kanälen nicht unterscheiden Verzerrungen von Kommunikationskanälen und Aufnahmemitteln langsame Schwankung verglichen mit Sprachdynamik Hintergrundgeräusche (Clicks, Knackgeräusche) schnelle Schwankung verglichen mit Sprachdynamik Abstellen von spektralen Komponenten die schneller oder langsamer als das gewnünschte Sprachsignal schwanken, verbessert die Sprachanalyse
12 Modulationsspektrum von Sprache Gliederung Einleitung Wieso RASTA? RASTA erläutert Probleme Modulationsspektrum von Sprache Methode RASTA erweitert Lin-Log Rasta Data-driven design of RASTA-like filters Zeitliche Maskierung und RASTA Matlab Demo
13 Modulationsspektrum von Sprache Modulationsspektrum von Sprache Hauptträger von sprachlicher Information sind Änderungen in der Form des Vokaltrakts Spiegeln sich in Änderungen der spektralen Einhüllenden des Sprachsignals wider Spektrale Analyse des zeitlichen Ablaufs der spektralen Einhüllenden der Sprache ergibt das Modulationsspektrum der Sprache.
14 Modulationsspektrum von Sprache Modulationsspektrum von Sprache Hauptsächlich Komponenten zwischen 2 Hz und 8 Hz silbenbildende, phonetische zeitliche Struktur von Sprache Menschliches Gehör sehr empfindlich bei Modulationsfrequenzen von 4 Hz Gehör verhält sich wie ein Bandpassfilter mit Impulsantwort von ms
15 Modulationsspektrum von Sprache Modulationsspektrum von Sprache
16 Modulationsspektrum von Sprache Modulationsspektrum von Sprache 2-8 Hz des Modulationsspektrums sind am wichtigsten Komponenten von 0-1 Hz und > 16 Hz können vermieden werden RASTA benutzt ungefähr Abschnitte eines Signals die der Länge einer Silbe entsprechen ( 200 ms) RASTA filtert die obigen Frequenzen raus
17 Methode Gliederung Einleitung Wieso RASTA? RASTA erläutert Probleme Modulationsspektrum von Sprache Methode RASTA erweitert Lin-Log Rasta Data-driven design of RASTA-like filters Zeitliche Maskierung und RASTA Matlab Demo
18 Methode RASTA-PLP Berechnen von CB Leistungsspektrum Komprimierung (logarithmische Amplitudentransformation) Filterung durch RASTA-Filter Expansion (exponentielle Transformation) Multiplikation mit der Equal-Loudness Kurve Power-law of hearing...
19 Methode Erster RASTA-Filter H(z) = 0.1z z 1 z 3 2z z 1 Tiefe Abschneide-Frequenz bei 0.26 Hz Steigung fällt mit 6 db/oct von 12.8 Hz ab Nullen bei 28.9 und 50 Hz Lange Integrationskonstante von etwa 500 ms
20 Methode Experimente und Ergebnisse Zahlen-Erkennung mit isolated-utterance continuous-density HMM Erkenner Erster Test: die selben Bedingungen Zweiter Test: korruption mit simulierten convolutional-noise Dritter Test: wirklichkeitsnahe Änderung im Kanal Methode selben Bed. kontrollierte Mod. w.n. Änderung PLP 4, 08% 31, 35% 31, 10% RASTA-PLP 3, 81% 5, 0% 7, 64%
21 Methode Optimierung des RASTA-Filters M(z) = z 4 ( z 1 0.1z 3 0.2z 4 ), mit Polstelle bei z = 0.94
22 Erweiterungen Gliederung Einleitung Wieso RASTA? RASTA erläutert Probleme Modulationsspektrum von Sprache Methode RASTA erweitert Lin-Log Rasta Data-driven design of RASTA-like filters Zeitliche Maskierung und RASTA Matlab Demo
23 Erweiterungen Lin-Log RASTA RASTA im cepstrum (logarithmische Spektrum) nicht geeignet für Sprache mit bedeutendem additivem Rauschen Alternativer, spektraler Bereich: quasi-linear für kleine spektrale Werte quasi-logarithmisch für grosse spektrale Werte y = ln(1 + Jx) Konstante J > 0 und hängt vom Signal ab quasi-linear für J 1 und quasi-logarithmisch für J 1
24 Erweiterungen Lin-Log RASTA Mit der exakten Umkehrfunktion: x = ey 1 J Keine Garantie dass x > 0 y Zusätzliche Prozedur eigens zu diesem Zweck Vermeiden durch eine Approximation: x = ey J
25 Erweiterungen Experimente und Ergebnisse
26 Data-driven design of RASTA-like filters Gliederung Einleitung Wieso RASTA? RASTA erläutert Probleme Modulationsspektrum von Sprache Methode RASTA erweitert Lin-Log Rasta Data-driven design of RASTA-like filters Zeitliche Maskierung und RASTA Matlab Demo
27 Data-driven design of RASTA-like filters Data-driven design of RASTA-like filters Optimierung durch ASE-Experimente teuer, meistens spezifisch für ein System Data-driven design of RASTA filters: Linear discriminant analysis (LDA)/Diskriminanzanalyse LDA: ist eine Methode der multivariaten Verfahren in der Statistik, ein Klassifikationsverfahren
28 Data-driven design of RASTA-like filters LDA Lange Abschnitte ( 1 s) des temporalen Ablaufes phonetische Klassen Vergleich Matrix mit diskriminanten Eigenvektoren eingesetzt Bilden eine Reihe von FIR-Filtern, jeder Filter bietet eine Ansicht von dem 1s Signal an Eigenwerte sterben schnell ab erste Paar FIR-Filtern dominieren den Prozess
29 Data-driven design of RASTA-like filters Data-driven design of RASTA-like filters RASTA-ähnlich mit grösserer Unterdrückung von tiefen und hohen Freqeuenzen 1. Vektor ist Differenz zwischen 2 Gaussglocken (90% Varianz) 2. Vektor (10%) erste Ableitung, 3. Vektor (< 10%) zweite Ableitung Alle 3 Filter unterdrücken langsam- und schnell-schwankende Komponente
30 Zeitliche Maskierung und RASTA Gliederung Einleitung Wieso RASTA? RASTA erläutert Probleme Modulationsspektrum von Sprache Methode RASTA erweitert Lin-Log Rasta Data-driven design of RASTA-like filters Zeitliche Maskierung und RASTA Matlab Demo
31 Zeitliche Maskierung und RASTA Zeitliche Maskierung und RASTA Wenn schwacher Ton direkt einem starken folgt Wahrnehmung nimmt ab Dauer cca. 200 ms RASTA kann das nachahmen Forward masking vergleichbar mit Zeitkonstante von RASTA filter Pegel von RASTA-bearbeitetem Maskierer am ende des Maskierers ist stark abgeschwächt Maskierer ausgeschaltet negatives Verschieben des Pegels des Signals
32 Zeitliche Maskierung und RASTA Zeitliche Maskierung und RASTA
33 Matlab Demonstration
34 Zusammenfassung Methode für das Behandeln von langsam- oder schnell-schwankenden, nichtlingvistischen Komponenten im Sprachsignal Optimiert und auf andere Gebiete erweitert Kann auch andere Eigenschaften des Gehörs simulieren, z.b. temporale Maskierung
Klatschen vs. Pfeifen
Klatschen vs. Pfeifen Verwendung akustischer Signale zur Steuerung elektrischer Systeme Referat für das Projektlabor 2006/07 TU Berlin von Christian Rudat am Mo, den 6. November 2006 1 Übersicht Theorie
MehrPhonetische Beiträge zur maschinellen Spracherkennung. ExInTra. "Extrem wertintervallgestützte Transkription",
LDV-Forum - Bd. 6, Nr. 2, Jg. 1989, S. 19-27 Phonetische Beiträge zur maschinellen Spracherkennung ExInTra Extremwertintervallgestützte Transkription Klaus Günther Schweisthal, Patrick Schweisthal Thomas
MehrBiosignal Processing II
Biosignal Processing II LEARNING OBJECTIVES Describe the main purposes and uses of the Fouriertransforms. Describe the basic properties of a linear system. Describe the concepts of signal filtering. FOURIERREIHE
MehrSprachsynthese und Spracherkennung
90 Sprachsynthese und Spracherkennung von John N. Holmes Mit 51 Bildern und 69 Übungen mit Lösungshinweisen R. Oldenbourg Verlag München Wien 1991 INHALT Vorwort 11 1 Lautsprachliche Kommunikation 15 1.1
MehrSpektrale Analysen in EMU-R: eine Einführung. Jonathan Harrington
Spektrale Analysen in EMU-R: eine Einführung Jonathan Harrington 1. Ein digitales Sinusoid 2. Fourier-Analyse 3. Ein Spektrum 4. Frequenz- und Zeitauflösung 5. Berechnung von Spektra mit Emu 1. Ein digitales
Mehr9. Vorlesung Lineare Algebra, SVD und LSI
9. Vorlesung Lineare Algebra, SVD und LSI Grundlagen lineare Algebra Vektornorm, Matrixnorm Eigenvektoren und Werte Lineare Unabhängigkeit, Orthogonale Matrizen SVD, Singulärwerte und Matrixzerlegung LSI:Latent
MehrVersuch 5: Filterentwurf
Ziele In diesem Versuch lernen Sie den Entwurf digitaler Filter, ausgehend von der Festlegung eines Toleranzschemas für den Verlauf der spektralen Charakteristik des Filters, kennen. Es können Filtercharakteristiken
MehrStörgeräuschreduktion bei stimmhaften Sprachsignalen
Störgeräuschreduktion bei stimmhaften Sprachsignalen Einkanaliges Mikrofon Nutzsignal Störgeräusche Allgemein: einkanalige Störgeräuschreduktion Folie 1 Gliederung Störgeräuschreduktion: Arten und Einsatzgebiete
MehrDie Eigenschaften von Systemen. S gesendet. S gesendet. S gesendet. Ideales System (idealer Wandler): Die Signaleigenschaften werden nicht verändert
Die Eigenschaften von Systemen Ideales System (idealer Wandler): Die Signaleigenschaften werden nicht verändert S gesendet IDEALER WANDLER S gesendet Reales System (realer Wandler): Es entstehen Verzerrungen
MehrBeat Detektion. Proseminar Computer und Musik. Daniel Sous. 12. Dezember 2017
Beat Detektion Proseminar Computer und Musik Daniel Sous 12. Dezember 2017 1 / 50 Inhalt Einleitung Onset-Detektion Lautstärke Spektrum Tempo-Tracking Beat-Tracking 2 / 50 Einleitung Beat Periodische Impulse
MehrDigitale Signalverarbeitung mit MATLAB
Martin Werner Digitale Signalverarbeitung mit MATLAB Grundkurs mit 16 ausführlichen Versuchen 4., durchgesehene und ergänzte Auflage Mit 180 Abbildungen und 76 Tabellen STUDIUM VIEWEG+ TEUBNER 1 Erste
MehrDigitale Signalverarbeitung, Vorlesung 8 - Exakte Kanalentzerrung
Digitale Signalverarbeitung, Vorlesung 8 - Exakte Kanalentzerrung Arbeitsgruppe Kognitive Signalverarbeitung 17. Dezember 2018 1 / 33 Ziele der heutigen Vorlesung Übertragungskanäle kompensieren Theoretische
MehrMultimediale Werkzeuge 1, Audio-Berabeitung. normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1
Multimediale Werkzeuge 1, Audio-Berabeitung normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1 Beachte: Teilbänder werden nach den Unter-Abtasten "aufgeblasen" (siehe
MehrAufgabe 1 (20 Punkte)
Augabe 1 (20 Punkte) Es wird ein Sprachsignal x(t) betrachtet, das über eine ISDN-Teleonleitung übertragen wird. Das Betragsspektrum X() des analogen Signals kann dem nachstehenden Diagramm entnommen werden.
MehrInhalt. Nichtlineare Systeme Voltera Reihenexpansion Statische quasi-nichtlineare Systeme Dynamikprozessoren
1 Inhalt Nichtlineare Systeme Voltera Reihenexpansion Statische quasi-nichtlineare Systeme Dynamikprozessoren Kontrollparameter Anwendungen Frequenzabhängige nichtlineare Systeme Signalverfremdung Messparameter
MehrInhalt. Nichtlineare Systeme Voltera Reihenexpansion Statische quasi-nichtlineare Systeme Dynamikprozessoren
1 Inhalt Nichtlineare Systeme Voltera Reihenexpansion Statische quasi-nichtlineare Systeme Dynamikprozessoren Kontrollparameter Anwendungen Frequenzabhängige nichtlineare Systeme Signalverfremdung Messparameter
MehrWarum z-transformation?
-Transformation Warum -Transformation? Die -Transformation führt Polynome und rationale Funktionen in die Analyse der linearen eitdiskreten Systeme ein. Die Faltung geht über in die Multiplikation von
Mehr1. Aufgabenblatt: EDS Wiederholung und Filterung
Kommunikationstechnik II 1.Übungstermin Prof. Dr. Stefan Weinzierl 19.10.2009 1. Aufgabenblatt: EDS Wiederholung und Filterung 1. Aufgabe a. Erstellen Sie ein Rechtecksignal mit der Frequenz f = 130 Hz
MehrSpracherkennung. 8. Sitzung 3. November 2008
Spracherkennung 8. Sitzung 3. November 2008 Überblick 5. Diskretisierung 6. Merkmalsberechnung 7. DTW 8. HMMs 9. Sprachmodellierung w X Textproduktion Artikulation Merkmalsextraktion Dekodierung 2. Sprachproduktion
MehrPsychoakustische Phänomene. Proseminar Musikalische Datenbanken Matthias Voh
Psychoakustische Phänomene Proseminar Musikalische Datenbanken Matthias Voh 08.12.2003 Gliederung 1. Psychoakustik 2. Psychoakustische Phänomene 1. Ruhehörschwelle und Hörfläche 2. Wahrnehmung der Tonhöhe
MehrB Anhang B: Enhanced Resolution
B Anhang B: Enhanced Resolution Digitales Filtern (Enhanced Resolution) Vorteile Realisierung Die verfügbare Abtastrate der LeCroy-Oszilloskope ist oft höher, als für die Bandbreite des zu analysierenden
MehrFrequenzbewertung von Luftschallsignalen
04/17 von Luftschallsignalen Das menschliche Ohr empfindet Töne mit gleichem Schalldruck aber unterschiedlichen Tonhöhen unterschiedlich laut. Dieser frequenzabhängige Empfindlichkeitsverlauf des menschlichen
MehrExponentialfunktion, Logarithmus
Exponentialfunktion, Logarithmus. Die Exponentialfunktion zu einer Basis > 0 Bei Exponentialfunktionen ist die Basis konstant und der Exponent variabel... Die Exponentialfunktion zu einer Basis > 0. Sei
MehrDigitale Signalverarbeitung. mit MATLAB
Martin Werner Digitale Signalverarbeitung mit MATLAB Grundkurs mit 16 ausführlichen Versuchen 3., vollständig überarbeitete und aktualisierte Auflage Mit 159 Abbildungen und 67 Tabellen Studium Technik
MehrAufgabe 4. Signal Processing and Speech Communication Lab. Graz University of Technology
Signal Processing and Speech Communication Lab. Graz University of Technology Aufgabe 4 Senden Sie die Hausübung bis spätestens 14.07.2017 per Email an hw1.spsc@tugraz.at. Verwenden Sie MatrikelNummer1
MehrLaborprotokoll SSY Lineare Verzerrungen
Laborprotokoll SSY Lineare Verzerrungen Daniel Schrenk, Andreas Unterweger SSYLB WS 05/06 Lineare Verzerrungen Seite von 7 Einleitung Ziel der Übung In dieser Laborübung sollte der Einfluss von linearen
MehrPuls-Code-Modulation. Thema: PCM. Ziele
Puls-Code-Modulation Ziele Mit diesen rechnerischen und experimentellen Übungen wird die Vorgehensweise zur Abtastung und linearen Quantisierung eines analogen Signals erarbeitet. Bei der Abtastung werden
Mehr1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
MehrAudio-Bearbeitung. Diese Freq. Anteile «verschwinden» nach dem unterabtasten Filter muß schmal genug sein! Nach Unterabtastung
Audio Signal Audio-Bearbeitung Ampl Vor Unterabtastung Teilband Grenzen Normierte Frequenz (normierte Abtastrate, maximale Frequenz ist pi oder 1) Teilbänder Diese Freq. Anteile «verschwinden» nach dem
MehrPhysik für Biologen und Zahnmediziner
Physik für Biologen und Zahnmediziner Propädeutikum 3: Funktionen und Ableitungen, Vektoren Dr. Daniel Bick 27. Oktober 2017 Daniel Bick Physik für Biologen und Zahnmediziner 27. Oktober 2017 1 / 35 Inhalt
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrUntersuchungen am Photomultiplier R594 und Spannungsteiler von Hamamatsu
Untersuchungen am Photomultiplier R594 und Spannungsteiler von Hamamatsu Kay Wittenburg MKI MKI-Note-7--98 ) Einleitung Der Photomultiplier R 594 (PM; Fig. ) ist verbunden mit einem Bleiglaszähler und
MehrTheorie digitaler Systeme
Theorie digitaler Systeme Vorlesung 2: Fakultät für Elektro- und Informationstechnik, anfred Strohrmann Einführung Frequenzgang zeitkontinuierlicher Systeme beschreibt die Änderung eines Spektrums bei
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
MehrBeispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) = sin(πx) und geben die folgenden Stützstellen und Stützwerte vor:
5 Splineinterpolation Beispiel für eine periodische Spline-Interpolationsfunktion: Wir betrachten f(x) sin(πx) und geben die folgenden Stützstellen und Stützwerte vor: x i 3 f i Damit ist n 5, h Forderung
MehrSpracherkennung. 4. Sitzung 23. Oktober 2008
Spracherkennung 4. Sitzung 23. Oktober 2008 Überblick Wiederholung 3 Akustik 3 Artikulation Studie zu Veränderung der Artikulation bei Lärm 4 Sprachwahrnehmung Kategoriale Sprachwahrnehmung beim Menschen
MehrEinführung in die digitale Signalverarbeitung WS11/12
Einführung in die digitale Signalverarbeitung WS11/12 Prof. Dr. Stefan Weinzierl Musterlösung 11. Aufgabenblatt 1. IIR-Filter 1.1 Laden Sie in Matlab eine Audiodatei mit Sampling-Frequenz von fs = 44100
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
MehrLineare Prädiktion. Stephan Arlinghaus 9. November 2006
Stephan Arlinghaus 9. November 2006 Gliederung 1 Einleitung Sprachanalyse... etwas Mathematik 2 Das autoregressive Modell (AR) (LP) 3 Kovarianzmethode Autokorrelationsmethode Methodenvergleich 4 5 Der
MehrÜbungsblatt 2 Musterlösung
MSE SS17 Übungsblatt Musterlösung Lösung 5 (Transformation von Variablen) Zur Transformation gehen wir analog zur Vorlesung vor. Zunächst bestimmen wir die durch die PDGL definierte Matrix A und deren
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
MehrStruktur des menschlichen Auges. Bildgebende Verfahren in der Medizin und medizinische Bildverarbeitung Bildverbesserung 2 / 99
Struktur des menschlichen Auges 2 / 99 Detektoren im Auge Ca. 100 150 Mio. Stäbchen Ca. 1 Mio. Zäpfchen 3 / 99 Zapfen Entlang der Sehachse, im Fokus Tagessehen (Photopisches Sehen) Scharfsehen Farbsehen
MehrMathematischer Vorkurs für Physiker WS 2012/13
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13 Übungsblatt 2 Wichtige Formeln aus der Vorlesung: Basisaufgaben Beispiel 1: 1 () grad () = 2 (). () () = ( 0 ) + grad ( 0 ) ( 0 )+
MehrKapitel 4: Meßergebnisse Vergleiche der aerodynamischen und akustischen Meßgrößen des Originalstaubsaugers und des modifizierten Staubsaugers
Kapitel 4: Meßergebnisse 65 4.4 Vergleiche der aerodynamischen und akustischen Meßgrößen des Originalstaubsaugers und des modifizierten Staubsaugers In diesem Abschnitt werden die aerodynamischen und akustischen
MehrLösungshinweise zur Klausur
Höhere Mathematik 1 und 4..14 Lösungshinweise zur Klausur für Studierende der Fachrichtungen el, kyb,mecha,phys Aufgabe 1 Entscheiden Sie, welche der folgenden Aussagen richtig und welche falsch sind.
MehrVerzerrungsfreies System
Verzerrungsfreies System x(n) y(n) n n x(n) h(n) y(n) y(n) A 0 x(n a) A 0 x(n) (n a) h(n) A 0 (n a) H(z) A 0 z a Digitale Signalverarbeitung Liedtke 8.1.1 Erzeugung einer linearen Phase bei beliebigem
MehrÜbung 3: Fouriertransformation
ZHAW, SiSy HS202, Rumc, Übung 3: Fouriertransformation Aufgabe Fouriertransformation Dirac-Impuls. a) Bestimmen Sie die Fouriertransformierte S(f) des Dirac-Impulses s(t) = δ(t) und interpretieren Sie
MehrVersuch 3: Anwendungen der schnellen Fourier-Transformation (FFT)
Versuch 3: Anwendungen der schnellen Fourier-Transformation (FFT) Ziele In diesem Versuch lernen Sie zwei Anwendungen der Diskreten Fourier-Transformation in der Realisierung als recheneffiziente schnelle
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur
MehrInhaltsverzeichnis. Daniel von Grünigen. Digitale Signalverarbeitung. mit einer Einführung in die kontinuierlichen Signale und Systeme
Inhaltsverzeichnis Daniel von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme ISBN (Buch): 978-3-446-44079-1 ISBN (E-Book): 978-3-446-43991-7 Weitere
MehrÜbung zum Seminar Akustik (Hoole) Komplexere Wellenformen aus Überlagerung von einfachen Sinusschwingungen
Übung zum Seminar Akustik (Hoole) Komplexere Wellenformen aus Überlagerung von einfachen Sinusschwingungen Übung mit dem Matlab-Programm supersine Nach den Aufgaben finden sich einige Notizen zur Analyse
MehrGliederung. Stil als Wahrscheinlichkeitsbegriff
Mathematik und Linguistik nach Lubomír Doležel Gliederung 1. Die statistische Stilanalyse 1.1. 1.2. Selektionsfaktoren 2. Die statistische Theorie der 2.1. Prager Theorie der 2.2. Statistik der 2.3. Stilcharakteristiken
MehrAkustische basierte Kommunikation
Akustische basierte Kommunikation Voraussetzungen für akustische basierte sprachliche Kommunikation: Schallerzeugung Schallwahrnehmung Schallleitendes Medium Akustische Basiseigenschaften von Sprachlauten:
MehrADC und DAC Analyse mit high end Audio Analyzer von Audio Precision
ADC und DAC Analyse mit high end Audio Analyzer von Audio Precision Anforderungen des Standards AES17 an die Messtechnik und Auswertetools Tameq Schweiz GmbH Peter Wilhelm Agenda Analyse von Audio Analog-Digital
MehrSignale, Transformationen
Signale, Transformationen Signal: Funktion s(t), t reell (meist t die Zeit, s eine Messgröße) bzw Zahlenfolge s k = s[k], k ganzzahlig s reell oder komplex s[k] aus s(t): Abtastung mit t = kt s, s[k] =
MehrEinführung in die Signalverarbeitung
Einführung in die Signalverarbeitung Phonetik und Sprachverarbeitung, 2. Fachsemester, Block Sprachtechnologie I Florian Schiel Institut für Phonetik und Sprachverarbeitung, LMU München Signalverarbeitung
MehrAusnutzung von Wahrnehmungseigenschaften in der Audiocodierung
Vorlesung Quellencodierung Ausnutzung von Wahrnehmungseigenschaften in der Audiocodierung Hintergrund Datenreduktion durch Redundanzreduktion Ausnutzung von Signaleigenschaften Irrelevanzreduktion Ausnutzung
MehrDigitale Signalverarbeitung
Karl-Dirk Kammeyer, Kristian Kroschel Digitale Signalverarbeitung Filterung und Spektralanalyse mit MATLAB-Übungen 6., korrigierte und ergänzte Auflage Mit 315 Abbildungen und 33 Tabellen Teubner Inhaltsverzeichnis
MehrProgramme (hier können Sie selber üben) Einführung in die Linguistik (Ling 101) WS 2009/10. Wiederholung. Thema heute: Sprachsignale
Fachbereich Sprachwissenschaft Einführung in die Linguistik (Ling 101) WS 2009/10 Programme (hier können Sie selber üben) Für die Demo in der heutigen Vorlesung wird Praat benutzt Link: http://www.fon.hum.uva.nl/praat/
MehrMPEG Audio Layer 1. Fachbereich Medieninformatik. Hochschule Harz. Referat. Kolja Schoon. Thema: MPEG Audio Layer 1
Fachbereich Medieninformatik Hochschule Harz MPEG Audio Layer 1 Referat Kolja Schoon 10952 Abgabe: 15.01.2007 Stand: (Januar 2007) Autor: Kolja Schoon Seite 1 Inhaltsverzeichnis 1. Einleitung / Vorwort...3
MehrEinführung in die Signalverarbeitung
Einführung in die Signalverarbeitung Phonetik und Sprachverarbeitung, 2. Fachsemester, Block Sprachtechnologie I Florian Schiel Institut für Phonetik und Sprachverarbeitung, LMU München Signalverarbeitung
MehrMathematik, Signale und moderne Kommunikation
Natur ab 4 - PH Baden Mathematik, Signale und moderne Kommunikation 1 monika.doerfler@univie.ac.at 29.4.2009 1 NuHAG, Universität Wien monika.doerfler@univie.ac.at Mathematik, Signale und moderne Kommunikation
MehrAnwendung: gedämpfter harmonischer Oszillator (ohne Antrieb) Exponentialansatz: Eigenwertproblem: Charakteristisches Polynom: Zwischenbemerkung:
Anwendung: gedämpfter harmonischer Oszillator (ohne Antrieb) Exponentialansatz: Eigenwertproblem: Charakteristisches Polynom: Zwischenbemerkung: (3q.6) folgt auch direkt, wenn ein exp-ansatz für x(t),
MehrLösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 2016/17
Institut für Analysis Prof Dr Michael Plum Lösungsvorschlag zur Modulprüfung Numerische Methoden - Wintersemester 6/7 837 Aufgabe Punkte): Gegeben sei das lineare Gleichungssystem Ax = b mit A = 6 3 und
Mehr3. Leistungsdichtespektren
Stochastische Prozesse: 3. Leistungsdichtespektren Wird das gleiche Geräusch mehrmals gemessen, so ergeben sich in der Regel unterschiedliche zeitliche Verläufe des Schalldrucks. Bei Geräuschen handelt
MehrDer natürliche Logarithmus. logarithmus naturalis
Der natürliche Logarithmus ln logarithmus naturalis Zur Erinnerung: Die Exponentialfunktion y = exp(x) ist festgelegt durch 2 y = exp(x) y (x) = y(x) 0 x y(0) = 2 Zur Erinnerung: e := y() 2.78 exp(x) =
MehrProf. Dr. Fred Böker
Statistik III WS 2004/2005; 8. Übungsblatt: Lösungen 1 Prof. Dr. Fred Böker 07.12.2004 Lösungen zum 8. Übungsblatt Aufgabe 1 Die Zufallsvariablen X 1 X 2 besitzen eine gemeinsame bivariate Normalverteilung
MehrZeitreihenökonometrie
Zeitreihenökonometrie Kapitel 11 - Filterverfahren Unterscheidung zwischen Wachstum und Konjunktur Wachstum: langfristige Entwicklung des Bruttoinlandsproduktes bei voller oder normaler Auslastung der
MehrPrüfung zur Vorlesung Signalverarbeitung am Name MatrNr. StudKennz.
442.0 Signalverarbeitung (2VO) Prüfung 8.3.26 Institut für Signalverarbeitung und Sprachkommunikation Prof. G. Kubin Technische Universität Graz Prüfung zur Vorlesung Signalverarbeitung am 8.3.26 Name
MehrAnpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood
Anpassungsrechnungen mit kleinsten Quadraten und Maximum Likelihood Hauptseminar - Methoden der experimentellen Teilchenphysik WS 2011/2012 Fabian Hoffmann 2. Dezember 2011 Inhaltsverzeichnis 1 Einleitung
MehrKlausur zur Vorlesung Digitale Signalverarbeitung
INSTITUT FÜR THEORETISCHE NACHRICHTENTECHNIK UND INFORMATIONSVERARBEITUNG UNIVERSITÄT HANNOVER Appelstraße 9A 067 Hannover Klausur zur Vorlesung Digitale Signalverarbeitung Datum:.08.00 Uhrzeit: 09:00
MehrDigitale Signalverarbeitung, Vorlesung 11 - Kurzzeitfouriertransformation
Digitale Signalverarbeitung, Vorlesung 11 - Kurzzeitfouriertransformation 30. Januar 2017 Siehe Skript Digitale Signalverarbeitung, Abschnitte 11 und 12, Kammeyer & Kroschel (Absatz 8.4.1) Anwendungen
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 5. Juli 2011 Zunächst: PCA (Hauptkomponentenanalyse) ist eine mathematische Prozedur, die eine Anzahl von (möglicherweise korrelierten) Variablen
MehrDigitale Verarbeitung analoger Signale
Digitale Verarbeitung analoger Signale Digital Signal Analysis von Samuel D. Stearns und Don R. Hush 7., durchgesehene Auflage mit 317 Bildern, 16 Tabellen, 373 Übungen mit ausgewählten Lösungen sowie
MehrAdaptive Differenz-Puls-Code-Modulation (ADPCM) und Lineare, Prädiktive Codierung (LPC)
Adaptive Dierenz-Puls-Code-Modulation (ADPCM) und Lineare, Prädiktive Codierung (LPC) Ziele Mit diesen rechnerischen und experimentellen Übungen werden die Anwendungen der DPCM mit einer Anpassung der
MehrC7.3' Allgemeine Lösungstrategien für Differentialgleichungen 1. Ordnung. rechte Seite der DG ist unabhängig von x
C7.3' Allgemeine Lösungstrategien für Differentialgleichungen 1. Ordnung (a) Trivialfall: rechte Seite der DG ist unabhängig von x Integration: Substitution auf linker Seite: Lösung: Fazit: Das Lösen von
MehrVorteile digitaler Filter
Digitale Filter Vorteile digitaler Filter DF haben Eigenschaften, die mit analogen Filtern nicht realisiert werden können (z.b. lineare Phase). DF sind unabhängig von der Betriebsumgebung (z.b. Temperatur)
MehrW-Rechnung und Statistik für Ingenieure Übung 11
W-Rechnung und Statistik für Ingenieure Übung 11 Aufgabe 1 Ein Fahrzeugpark enthält 6 Fahrzeuge. Jedes Fahrzeug hat die Wahrscheinlichkeit p = 0.1 (bzw. p = 0.3), dass es kaputt geht. Pro Tag kann nur
MehrDer diskrete Kalman Filter
Der diskrete Kalman Filter Fachbereich: Informatik Betreuer: Marc Drassler Patrick Winkler 1168954 6. Dezember 2004 Technische Universität Darmstadt Simulation und Systemoptimierung Darmstadt Dribbling
MehrHochschule München, FK 03 WS 2015/16. Ingenieurinformatik. Name Vorname Matrikelnummer Sem.Gr. Hörsaal Platz. Zulassung geprüft Note :
Hochschule München, FK 03 WS 2015/16 Ingenieurinformatik Name Vorname Matrikelnummer Sem.Gr. Hörsaal Platz Zulassung geprüft Note : Die Prüfung ist nur dann gültig, wenn Sie die erforderliche Zulassungsvoraussetzung
MehrBMI. Der P300-Speller. Alexander Schulz Der P300-Speller. Übersicht. Einleitung. Verarbeitung & Klassifikation. Experiment 1.
16.12.09 1 2 3 4 5 P300 Grundlagen Versuchsaufbau Wiederholung Evoziertes Potential (Event-related potential oder ERP) P300 Grundlagen Versuchsaufbau Wiederholung Evoziertes Potential (Event-related potential
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
MehrPRAKTIKUMSVERSUCH M/S 2
Fakultät Informatik, Institut für Angewandte Informatik, Professur Technische Informationssysteme PRAKTIKUMSVERSUCH M/S 2 Betreuer: Dipl.-Ing. Burkhard Hensel Dr.-Ing. Alexander Dementjev ALLGEMEINE BEMERKUNGEN
MehrKonvexe Menge. Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, d.h.
Konvexe Menge Eine Menge D R n heißt konvex, wenn für zwei beliebige Punkte x, y D auch die Verbindungsstrecke dieser Punkte in D liegt, dh Kapitel Extrema konvex: h x + h y D für alle h [0, ], und x,
MehrSpracherkennung. Gliederung:
Spracherkennung Gliederung: - Einführung - Geschichte - Spracherkennung - Einteilungen - Aufbau und Funktion - Hidden Markov Modelle (HMM) - HMM bei der Spracherkennung - Probleme - Einsatzgebiete und
MehrLösungen zu Mathematik I/II
Dr. A. Caspar ETH Zürich, Januar D BIOL, D CHAB Lösungen zu Mathematik I/II. ( Punkte) a) Wir benutzen L Hôpital lim x ln(x) L Hôpital x 3 = lim 3x + x L Hôpital = lim x ln(x) x 3x 3 = lim ln(x) x 3 x
MehrDemo-Text für LN-Funktionen ANALYSIS INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK. FRIEDRICH W. BUCKEL.
ANALYSIS LN-Funktionen Grundlagen Eigenschaften Wissen - Kompakt Datei Nr. 60 Neu geschrieben Stand: 0. Juni 0 FRIEDRICH W. BUCKEL INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK Demo-Tet für 60 Übersicht: Ln-Funktionen
MehrExponentialfunktionen, Eulersche Zahl, Logarithmen
Exponentialfunktionen, Eulersche Zahl, Logarithmen Jörn Loviscach Versionsstand: 16. November 2009, 19:01 1 Exponentialfunktionen Eine Funktion der Art x 7 3 x heißt Exponentialfunktion [exponential function].
MehrBiosignalverarbeitung
Peter Husar Biosignalverarbeitung Springer Inhaltsverzeichnis 1 Entstehung bioelektrischer Signale 9 1.1 Das Neuron 9 1.2 Elektrische Erregungsleitung und Projektion 15 2 Verstärkung und analoge Filterung
MehrFaltung, Korrelation, Filtern
Faltung, Korrelation, Filtern Wie beschreibe ich lineare Systeme (z.b. Seismometer) -> Faltung, Konvolution, Dekonvolution? Wie quantifiziere ich die Ähnlichkeit von Zeitreihen (-> Korrelation) Wie quantifiziere
MehrKapitel 2: Spracherkennung Automatisches Verstehen gesprochener Sprache
Automatisches Verstehen gesprochener Sprache. Spracherkennung Martin Hacker Bernd Ludwig Günther Görz Professur für Künstliche Intelligenz Department Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
MehrMatrixzerlegungen. 6. Vorlesung Numerische Methoden I. Clemens Brand. 2. April Nachträge und Wiederholung. Links-Rechts- Zerlegung
Matrixzerlegungen. 6. Vorlesung 170004 Numerische Methoden I Clemens Brand QR- QR- 2. April 2009 Gliederung Elimination faktorisiert A = L R QR- QR- QR- QR- Eine Zusammenfassung der Folien 6 14 der letzten
MehrFunktionenklassen. Einiges, was wir bisher über Funktionen gelernt haben kann auf alle Funktionen übertragen werden.
R. Brinkmann http://brinkmann-du.de Seite 0.0.008 Einführung: Funktionenklassen Bisher haben wir nur ganzrationale Funktionen kennen gelernt. Sie gehören zu der Klasse der Rationalen Funktionen. In der
MehrSkriptum zur 2. Laborübung. Transiente Vorgänge und Frequenzverhalten
Elektrotechnische Grundlagen (LU 182.692) Skriptum zur 2. Laborübung Transiente Vorgänge und Frequenzverhalten Martin Delvai Wolfgang Huber Andreas Steininger Thomas Handl Bernhard Huber Christof Pitter
MehrIngenieurmathematik mit Computeralgebra-Systemen
Hans Benker Ingenieurmathematik mit Computeralgebra-Systemen AXIOM, DERIVE, MACSYMA, MAPLE, MATHCAD, MATHEMATICA, MATLAB und MuPAD in der Anwendung vieweg X Inhaltsverzeichnis 1 Einleitung 1 1.1 Ingenieurmathematik
MehrStatistische Methoden in der Wirtschaftsund Sozialgeographie
Statistische Methoden in der Wirtschaftsund Sozialgeographie Ort: Zeit: Multimediapool Rechenzentrum Mittwoch 0.5--45 Uhr Material: http://www.geomodellierung.de Thema: Beschreibung und Analyse Wirtschafts-
MehrDiskrete Folgen, z-ebene, einfache digitale Filter
apitel 1 Diskrete Folgen, z-ebene, einfache digitale Filter 1.1 Periodische Folgen Zeitkoninuierliche Signale sind für jede Frequenz periodisch, zeitdiskrete Signale nur dann, wenn ω ein rationales Vielfaches
MehrDie Fourier-Transformation
1/20 Die Fourier-Transformation 2/20 Die FT ermittelt aus dem Signal von überlagerten Schwingungen welche Frequenzen enthalten sind FT 3/20 Von der folgenden Schwingung soll die Frequenz ermittelt werden
Mehr