Music Information Retrieval - automatische Genre-Klassifikation

Größe: px
Ab Seite anzeigen:

Download "Music Information Retrieval - automatische Genre-Klassifikation"

Transkript

1 Music Information Retrieval - automatische Genre-Klassifikation Julian Hartmann & Christoph Sünderkamp Institut für Informatik, Seminar Mustererkennung im Alltag 8./

2 Gliederung 1. Einordnung 2. Begriffe und Grundlagen 3. Merkmalsextraktion 4. Klassifikation 5. Fazit automatische Genre-Klassifikation 2

3 1. Einordnung Music Information Retrieval (MIR) Feature Extraction Melody Feature Extraction Rhythm Similarity (Query by Humming) Fingerprinting User Behaviour Genre Classification automatische Genre-Klassifikation 3

4 2. Begriffe und Grundlagen 2.1 Taxonomie, Genre-Hierarchie 2.2 Audioformat 2.3 Klang 2.4 Fouriertransformation 2.5 PCA automatische Genre-Klassifikation 4

5 2.1 Taxonomie, Genre-Hierarchie automatische Genre-Klassifikation 5

6 2.1 Taxonomie, Genre-Hierarchie automatische Genre-Klassifikation East Coast West Coast 6

7 2.1 Taxonomie, Genre-Hierarchie Zuordnung von Musikstücken in Gruppen (Genre) Genre enthält Stücke ähnlichen Stils Genre lässt sich weiter untergliedern (Subgenre) Je weiter untergliedert, umso unschärfer die Abgrenzung automatische Genre-Klassifikation 7

8 2.2 Audioformat WAVE Repräsentation von Audiosignal als PCM kontinuierliches Signal diskretisiert (Abtastrate, Quantisierung) verlustfrei hinsichtlich psychoakustischer Wahrnehmung Audioanalyse basiert auf Signal automatische Genre-Klassifikation 8

9 2.3 Klang - Bestandteile der Musik Töne Grundelemente der Musik Ton/Klang: Grundton + Obertöne Eigenfrequenzen des Klangerzeugers (z.b. schwingende Klaviersaiten) Parameter eines Tons Tonhöhe Frequenz Lautstärke Amplitude Klangfarbe wird durch Gewichtung von Obertönen bestimmt, die mit Grundton mitschwingen automatische Genre-Klassifikation 9 9

10 2.3 Klang - physikalische Musik Frequenz f und Amplitude y 0 Schwingung künstlich erzeugter Ton: Sinuston yt () = y sin(2 π ft) 0 mitschwingende Obertöne überlagerte Wellen Gesamtheit aller Obertöne Frequenzspektrum automatische Genre-Klassifikation 10

11 2.3 Klang - Beispiel automatische Genre-Klassifikation 11

12 2.4 Fouriertransformation Transformation von zeit-basierter in frequenzbasierte Darstellung Zerlegung des Signals in Frequenzen Merkmalsberechnung auf Spektrum N 1 2 π * F* n Re( F) = x( n)*cos n= 0 N N 1 2 π * F* n Im( F) = x( n)*sin n= 0 N ComplexAmplitude( F) = Re( F) i*im( F) automatische Genre-Klassifikation 12

13 2.4 Fouriertransformation - Überlagerung von Schwingungen automatische Genre-Klassifikation 13

14 2.4 Fouriertransformation - Beispiel peaks geben ursprüngliche Sinusschwingungen an automatische Genre-Klassifikation 14

15 2.5 PCA Ausgangspunkt: Vektoren in einem festgelegten Koordinatensystem Ziel: Dimensionsreduktion durch Projektion in anderes Koordinatensystem Beiträge (Linearkombinationen) mit geringer Entropie können vernachlässigt werden PCA minimiert Projektionsfehler, jedoch nicht den Klassifikationsfehler automatische Genre-Klassifikation 15

16 3. Merkmalsextraktion 1. Einordnung 2. Begriffe und Grundlagen 3.1 Vorgehen 3.2 Merkmale Timbral Texture Features Rhythmic Content Features 4. Klassifikation 5. Fazit automatische Genre-Klassifikation 16

17 3.1 Vorgehen - Fenster Signal Überlappung Texture Window Analysis Window automatische Genre-Klassifikation 17

18 3.1 Vorgehen - Fenstergröße Auswertung nur mittels eines Ausschnitts (Texture Window) Wahl des Ausschnitts? Größe des Ausschnitts? Analysis Window: wenige ms um Stationarität des Signals zu erhalten - z.b. 23 ms (512 samples bei 22 khz Abtastrate) Texture Window: umfasst mehrere Analysis Windows z.b. 1 s (43 Analysis Windows) Wieviele Ausschnitte? automatische Genre-Klassifikation 18

19 3.1 Vorgehen - Extraktion automatische Genre-Klassifikation 19

20 3.2.1 Timbral Texture Features signal-basiert Zero-Crossing RMS-Energy / Loudness Low-Energy spektrum-basiert Spectral Centroid Spectral Rolloff Spectral Flux Mel-Frequency Cepstral Coefficients (MFCC) automatische Genre-Klassifikation 20 20

21 3.2.1 signal-basierte Merkmale automatische Genre-Klassifikation 21 21

22 3.2.1 Zero-Crossing approximatives Maß für Noisiness misst die Überkreuzungen der Amplitude mit dem Nullwert (Nullstellen) N n=1 Z t = 1 2 sign(x[n]) sign(x[n 1]) automatische Genre-Klassifikation 22 22

23 3.2.1 Energy Features RMS-Energy / Loudness Maß für die Lautstärke des Stücks basiert auf Amplituden 1 n Low-Energy n i=1 s i 2 höherer Wert korrespondiert mit mehr Dynamik Fenster mit geringerem RMS als Durchschnittswert automatische Genre-Klassifikation 23 23

24 3.2.1 spektrale Merkmale automatische Genre-Klassifikation 24 24

25 3.2.1 Spectral Centroid repräsentiert das Zentrum der Verteilung des Frequenz-Spektrums Maß für die Schärfe des Klanges je höher der SC, umso heller klingt der Ton C t = N n=1 N n=1 M t [n] n M t [n] automatische Genre-Klassifikation 25 25

26 3.2.1 Spectral Rolloff weiteres Maß, um das Spektrum zu beschreiben Ermittelt wird die Rolloff-Frequenz, bis zu der sich α % der Frequenz- Verteilung aufsummieren. R t n=1 M t [n] = α 100 N n=1 M t [n] automatische Genre-Klassifikation 26 26

27 3.2.1 Spectral Flux misst die Fluktuation des Spektrums Differenz einzelner Magnituden zwischen den Ausschnitten/Frames automatische Genre-Klassifikation 27 27

28 3.2.1 MFCC die ersten fünf Koeffizienten für Musik- Klassifikation geeignet sog. perzeptive bzw. wahrnehmungs-gerechte Mel-Skala der Frequenzen berücksichtigt dies insbesondere im Frequenzbereich gesprochener Sprache FFT log Spektrum Mel-Skala DCT MFCC automatische Genre-Klassifikation 28 28

29 3.2.1 subfeatures Von allen Timbral Texture Features können subfeatures berechnet werden: Mittel M Standardabweichung S Mittel der Ableitung DM Standardabweichung der Ableitung DS... Jeweils über alle Analyse-Fenster. automatische Genre-Klassifikation 29 29

30 3.2.2 Rhythmic Content Features basieren auf beat-histogram repräsentiert die Rhythmik eines Stückes z.b. geeignet zur Unterscheidung zwischen Hip-Hop und Kammermusik automatische Genre-Klassifikation 30 30

31 3.2.2 beat-histogram 1. Wavelet-Transformation: Zerlegung des Signals in mehrere Frequenzbänder 2. Full-Wave-Rectification für einzelne Bänder 3. Low-Pass-Filtering 4. Downsampling 5. Mean-Removal 6. Aggregation 7. Enhanced-Autocorrelation automatische Genre-Klassifikation 31 31

32 3.2.2 beat-histogram - Beispiel automatische Genre-Klassifikation 32 32

33 3.2.2 Merkmale A0,A1: Relative Amplitude der beiden Hauptpeaks, im Verhältnis zur Amplitudenverteilung RA: Verhältnis der beiden größten Amplituden: P1,P2: Periodenlänge der beiden Hauptpeaks, gemessen in BPM SUM: Summe aller Amplituden des Beat-H. automatische Genre-Klassifikation 33 33

34 4. Klassifikation 1. Einordnung 2. Begriffe und Grundlagen 3. Merkmalsextraktion 4.1 Hierarchischer Ansatz 4.2 Eigene Umsetzung 4.3 Erweiterungen 5. Fazit automatische Genre-Klassifikation 34 34

35 4.1 Hierarchischer Ansatz Klassifikation anhand der Genre-Hierarchie Genre-Abhängigkeit der Merkmale Probleme der Dimensionalität Anpassung eines Klassifikators an eine geänderte Taxonomie automatische Genre-Klassifikation 35 35

36 4.1 Burred und Lerch Taxonomie mit 17 zu unterscheidenden Subgenres direkter Ansatz mit hierarchischem verglichen ähnliche Erfolgsquoten ABER: Fehler unterschiedlich zu bewerten Zuordnung eines East Coast Stücks zu West Coast weniger negativ zu werten, als zu Klassik beim direkten Ansatz keine Unterscheidung möglich automatische Genre-Klassifikation 36 36

37 4.2 Eigene Umsetzung vereinfachte Taxonomie: classic (30), non-classic (23) pop (11), rock (12) Testmenge (29) knn-klassifikator mit euklidischer Distanz als Metrik auf erster Stufe Klassifikation mit Merkmalen Loudness.M und ZeroCrossings.DS wie von Burred und Lerch vorgeschlagen automatische Genre-Klassifikation 37 37

38 4.2 Ergebnis Stufe 1 classic vs. non-classic Merkmal Loudness automatische Genre-Klassifikation 38 38

39 4.2 Ergebnis Stufe 1 classic vs. non-classic Merkmal ZeroCrossings automatische Genre-Klassifikation 39 39

40 4.2 Ergebnis Stufe 1 classic vs. non-classic Klassik-Stücke werden korrekt klassifiziert Problem: non-classic Stück zu classic zugeordnet automatische Genre-Klassifikation 40 40

41 4.2 Ergebnis Stufe 2 pop vs. rock Merkmale Low-Energy und MFCC(2).S überwiegend richtige Trennung Problem: unscharfe Klassengrenzen automatische Genre-Klassifikation 41 41

42 4.2 Vergleich hierarchisch / direkt direkte Zuordnung zu Genre Klassifikation auf Basis aller 4 Merkmale Genre Klassifikation classic pop rock classic 11 / 11 1 / 1 1 / 2 pop 6 / 3 1 / 2 rock 2 / 5 7 / 5 automatische Genre-Klassifikation 42 42

43 4.3 Erweiterungen Ausbau der Genre-Hierarchie Hinzunahme mehrerer Merkmale Auswahl und Dekorrelation per PCA größere Trainingsmenge mehr Stücke mehr Ausschnitte pro Stück automatische Genre-Klassifikation 43 43

44 5. Fazit es funktioniert es wird benötigt junges Forschungsgebiet weitere genrespezifische Merkmale allgemeingültige Taxonomien einbeziehen von Metadaten (MPEG-7) automatische Genre-Klassifikation 44 44

45 Literatur Burred, J.J.; Lerch, A.; A hierarchical approach to automatic musical genre classification; In Proc. of the 6. Int. Conference on Digital Audio Effects (DAFx-03), London, UK, September Cook, P.;Tzanetakis, G.; Musical Genre Classification of Audio Signals; IEEE Transaction on Speech and AUDIO Processing, Vol. 10, No. 5, Juli 2002 automatische Genre-Klassifikation 45 45

46 Vielen Dank für Ihre Aufmerksamkeit! automatische Genre-Klassifikation

Kybernetik Laplace Transformation

Kybernetik Laplace Transformation Kybernetik Laplace Transformation Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 50 2453 mohamed.oubbati@uni-ulm.de 08. 05. 202 Laplace Transformation Was ist eine Transformation? Was ist

Mehr

Carl von Ossietzky Universität Oldenburg. Masterarbeit

Carl von Ossietzky Universität Oldenburg. Masterarbeit Carl von Ossietzky Universität Oldenburg Masterstudiengang Hörtechnik + Audiologie Masterarbeit Eine Methode zur Gesangsdetektion basierend auf musikalischen Merkmalen und Merkmalen aus den Frequenzmodulationen

Mehr

Fourier - Transformation

Fourier - Transformation Fourier - Transformation Kurzversion 2. Sem. Prof. Dr. Karlheinz Blankenbach Hochschule Pforzheim, Tiefenbronner Str. 65 75175 Pforzheim Überblick / Anwendungen / Motivation: Die Fourier-Transformation

Mehr

Analyse spektraler Parameter des Audiosignals zur Identifikation und Abwehr von Telefon-SPAM

Analyse spektraler Parameter des Audiosignals zur Identifikation und Abwehr von Telefon-SPAM Analyse spektraler Parameter des Audiosignals zur Identifikation und Abwehr von Telefon-SPAM Christoph Pörschmann, Heiko Knospe Institut für Nachrichtentechnik Fachhochschule Köln Betzdorfer Str. 2 50679

Mehr

Digitale Signalbearbeitung und statistische Datenanalyse

Digitale Signalbearbeitung und statistische Datenanalyse Digitale Signalbearbeitung und statistische Datenanalyse Teil 5 8 Aus ontinuierlichem Signal werden in onstanten Zeitintervallen Daten entnommen ontinuierliches Signal x(t) Einheitsimpulsfuntion Gewichtete

Mehr

Mathematische Melodieanalyse - Ein Streifzug

Mathematische Melodieanalyse - Ein Streifzug RMA - MuWi UHH WS 05/06 Mathematische Melodieanalyse - Ein Streifzug Universität Hamburg Mathematische Melodieanalyse - Einleitung Mathematische Melodieanalyse befasst sich mit der algorithmischen Analyse

Mehr

Ein hierarchisches Modell zur inhaltsbezogenen Audio-Klassifikation

Ein hierarchisches Modell zur inhaltsbezogenen Audio-Klassifikation Carl von Ossietzky Universität Oldenburg Studiengang Hörtechnik und Audiologie MASTERARBEIT Ein hierarchisches Modell zur inhaltsbezogenen Audio-Klassifikation vorgelegt von Steffen Kortlang Betreuender

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

Konsolidierung von Software-Varianten in Software-Produktlinien ein Forschungsprogramm

Konsolidierung von Software-Varianten in Software-Produktlinien ein Forschungsprogramm Konsolidierung von Software-Varianten in Software-Produktlinien ein Forschungsprogramm Rainer Koschke Universität Bremen Workshop Software-Reengineering Bad Honnef 5. Mai 2005 Bauhaus Forschungskooperation

Mehr

Schwingungsanalyse an elektrischen Maschinen

Schwingungsanalyse an elektrischen Maschinen Schwingungsanalyse an elektrischen Maschinen Wolfgang Hüttl Oskar-von-Miller Str. 2, D-86356 Neusäß Tel.: +49 821 48 001-55, Fax: +49 821 48 001-40 E-Mail: wolfgang.huettl@amserv.de Internet: www.amserv.de

Mehr

Geophysikalische und geotechnische Feldversuche und deren Interpretation

Geophysikalische und geotechnische Feldversuche und deren Interpretation Geophysikalische und geotechnische Feldversuche und deren Interpretation zur Ermittlung der Bebenverstärkung und des Bodenverflüssigungspotentials infolge Erdbeben Dr. J. Studer Studer Engineering 8038

Mehr

Diphone Studio. Teil 3 Analyse resonanter Modelle und Chant-Synthese. Hans Tutschku tutschku@ircam.fr

Diphone Studio. Teil 3 Analyse resonanter Modelle und Chant-Synthese. Hans Tutschku tutschku@ircam.fr Diphone Studio Teil 3 Analyse resonanter Modelle und Chant-Synthese Hans Tutschku tutschku@ircam.fr Der Artikel bezieht eine Sammlung von Beispielklängen ein, die auf folgender web-adresse angehört werden

Mehr

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung

Mehr

Inhalt. 1. Einleitung... 9

Inhalt. 1. Einleitung... 9 Inhalt 1. Einleitung............................................... 9 2. Grundsätzliches......................................... 11 2.1 Wann muss eine Trommel gestimmt werden?................... 12 2.2

Mehr

1. Vorüberlegungen zu visueller und auditiver Eigenwahrnehmung. 2. Auditive Eigenwahrnehmung/ Eigenwahrnehmung der Stimme

1. Vorüberlegungen zu visueller und auditiver Eigenwahrnehmung. 2. Auditive Eigenwahrnehmung/ Eigenwahrnehmung der Stimme Gliederung: 1. Vorüberlegungen zu visueller und auditiver Eigenwahrnehmung 2. Auditive Eigenwahrnehmung/ Eigenwahrnehmung der Stimme 2.1 Relevanz für Kommunikation 2.2 Eigenschaften der EdS: Kanäle 2.3

Mehr

Kapitel 11* Grundlagen ME. Aufbau eines ME-Systems Entwicklung eines ME-Systems. Kapitel11* Grundlagen ME p.1/12

Kapitel 11* Grundlagen ME. Aufbau eines ME-Systems Entwicklung eines ME-Systems. Kapitel11* Grundlagen ME p.1/12 Kapitel 11* Kapitel11* Grundlagen ME p.1/12 Grundlagen ME Aufbau eines ME-Systems Entwicklung eines ME-Systems Kapitel11* Grundlagen ME p.2/12 Aufbau eines ME-Systems (1) on line Phase digitalisiertes

Mehr

Das Quelle-Filter-Modell der Vokalproduktion

Das Quelle-Filter-Modell der Vokalproduktion Jochen Trommer jtrommer@uni-leipzig.de Universität Leipzig Institut für Linguistik Phonetikanalyse SS 2007 Beispiel 1: Federpendel Beispiel 2: Weingläser Schwingung beim Federpendel Beispiel 1: Federpendel

Mehr

Mathematica - Notebooks als Bonusmaterial zum Lehrbuch

Mathematica - Notebooks als Bonusmaterial zum Lehrbuch R. Brigola, TH Nürnberg Georg Simon Ohm, 2014 Mathematica - Notebooks als Bonusmaterial zum Lehrbuch [1] Rolf Brigola Fourier-Analysis und Distributionen, Eine Einführung mit Anwendungen, edition swk,

Mehr

Multimedia-Metadaten und ihre Anwendung

Multimedia-Metadaten und ihre Anwendung Multimedia-Metadaten und ihre Anwendung 14.02.2006 Video Retrieval und Video Summarization Maria Wagner Aspekte des Video Retrieval 2/14 Videoanalyse Analyse nötig, um Struktur und Metadaten zu erkennen

Mehr

Hauptseminar: Musikalische Datenbanken

Hauptseminar: Musikalische Datenbanken Hauptseminar: Musikalische Datenbanken Hörmodelle & Psychoakustische Phänomene Wie funktioniert das Ohr und welche seltsamen DingeereignensichbeimtäglichenHören? Akustische Informationsverarbeitung des

Mehr

SFB 823. Einsatzzeiterkennung. Discussion Paper. Nadja Bauer, Julia Schiffner, Claus Weihs

SFB 823. Einsatzzeiterkennung. Discussion Paper. Nadja Bauer, Julia Schiffner, Claus Weihs SFB 823 Einfluss der Musikinstrumente auf die Güte der Einsatzzeiterkennung Discussion Paper Nadja Bauer, Julia Schiffner, Claus Weihs Nr. 10/2012 Einfluss der Musikinstrumente auf die Güte der Einsatzzeiterkennung

Mehr

Prozeßbezogene Signalverarbeitung in der LDA- und PDA-Meßtechnik

Prozeßbezogene Signalverarbeitung in der LDA- und PDA-Meßtechnik Slide 1 Prozeßbezogene Signalverarbeitung in der LDA- und PDA-Meßtechnik Postdoktorandenprogramm der DFG Zusammenarbeit mit Dantec MT Betreuung durch Universität Rostock Slide Postdoktorandenprogramm Ziel

Mehr

Allgemeine Beschreibung von Blockcodes

Allgemeine Beschreibung von Blockcodes Allgemeine Beschreibung von Blockcodes Bei Blockcodierung wird jeweils eine Sequenz von m q binären Quellensymbolen (M q = 2) durch einen Block von m c Codesymbolen mit dem Symbolumfang M c dargestellt.

Mehr

Broadband EMI Noise Measurement in Time Domain

Broadband EMI Noise Measurement in Time Domain Broadband EMI Noise Measurement in Time Domain Florian Krug, Peter Russer Institute for High-Frequency Engineering Technische Universität München fkrug@ieee.org 1 Inhalt Einführung Time-Domain Electromagnetic

Mehr

Positionierung im B2C- und B2B-Bereich

Positionierung im B2C- und B2B-Bereich Positionierung im B2C- und B2B-Bereich.. angesichts komplexer und fragmentierter Wertschöpfungsketten und paradigmatischer Umbrüche in der digitalen Medienindustrie Franz Jachim 03.11.2011 Über Spectralmind

Mehr

Abb. 1 Akustikprüfstand, gemessene Geschwindigkeitsprofile hinter der Mehrlochblende (links); Spektrogramm der Mehrlochblende (rechts)

Abb. 1 Akustikprüfstand, gemessene Geschwindigkeitsprofile hinter der Mehrlochblende (links); Spektrogramm der Mehrlochblende (rechts) IGF-Vorhaben Nr. 17261 N/1 Numerische Berechnung des durch Turbulenz erzeugten Innenschalldruckpegels von Industriearmaturen auf der Basis von stationären Strömungsberechnungen (CFD) Die Vorhersage der

Mehr

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002)

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) 3. Entscheidungsbäume Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) (aus Wilhelm 2001) Beispiel: (aus Böhm 2003) Wann sind Entscheidungsbäume

Mehr

TEXTKLASSIFIKATION. WS 2011/12 Computerlinguistik I Deasy Sukarya & Tania Bellini

TEXTKLASSIFIKATION. WS 2011/12 Computerlinguistik I Deasy Sukarya & Tania Bellini TEXTKLASSIFIKATION WS 2011/12 Computerlinguistik I Deasy Sukarya & Tania Bellini GLIEDERUNG 1. Allgemeines Was ist Textklassifikation? 2. Aufbau eines Textklassifikationssystems 3. Arten von Textklassifikationssystemen

Mehr

Das Hörsystem. Physik der Schallreize Anatomie des Hörsystems Verarbeitung im Innenohr Tonotopie im Hörsystem Lokalisation von Reizen

Das Hörsystem. Physik der Schallreize Anatomie des Hörsystems Verarbeitung im Innenohr Tonotopie im Hörsystem Lokalisation von Reizen Das Hörsystem Physik der Schallreize Anatomie des Hörsystems Verarbeitung im Innenohr Tonotopie im Hörsystem Lokalisation von Reizen Vom Sehen zum Hören Einige Gemeinsamkeiten, aber noch mehr Unterschiede.

Mehr

Bachelorarbeit (Informatik)

Bachelorarbeit (Informatik) Bachelorarbeit (Informatik) Entwicklung einer Android-App zur Erkennung von Redeanteilen im Unterricht Autor Arash Besadi Hauptbetreuung Dr. Thilo Stadelmann Dr. Mark Cieliebak Datum 05.06.2015 Zusammenfassung

Mehr

SDR# Software Defined Radio

SDR# Software Defined Radio SDR# Software Defined Radio Beispiel von DVB T USB Stick und SDR Receiver Frequenz 24 1700MHz Frequenz 0,1 2000MHz, mit Down Converter für KW Treiber und Software http://sdrsharp.com/#download 1 Nach dem

Mehr

Lautheitsaussteuerung, Normalisierung und zulässiger Maximalpegel von Audiosignalen

Lautheitsaussteuerung, Normalisierung und zulässiger Maximalpegel von Audiosignalen EBU Empfehlung R 128 Lautheitsaussteuerung, Normalisierung und zulässiger Maximalpegel von Audiosignalen Status: EBU Empfehlung This German version of EBU R 128 has been kindly provided by Messrs G. Spikofski

Mehr

Die Schicht unterhalb von GSM/UMTS, DSL, WLAN & DVB

Die Schicht unterhalb von GSM/UMTS, DSL, WLAN & DVB Die Schicht unterhalb von GSM/UMTS, DSL, WLAN & DVB Wie kommen die Bits überhaupt vom Sender zum Empfänger? (und welche Mathematik steckt dahinter) Vergleichende Einblicke in digitale Übertragungsverfahren

Mehr

Kontextbasiertes Information Retrieval

Kontextbasiertes Information Retrieval Kontextbasiertes Information Retrieval Modell, Konzeption und Realisierung kontextbasierter Information Retrieval Systeme Karlheinz Morgenroth Lehrstuhl für Medieninformatik Fakultät Wirtschaftsinformatik

Mehr

Automatische Gesprächsauswertung im Callcenter

Automatische Gesprächsauswertung im Callcenter Einleitung Forschungsbeitrag Automatische Gesprächsauswertung im Callcenter Projekt CoachOST Dipl.-Wirtsch.-Inf. Mathias Walther Prof. Dr. Taïeb Mellouli Lehrstuhl für Wirtschaftsinformatik und Operations

Mehr

Kapitel 8. Inhaltsbasierte Suche in Bilddatenbanken

Kapitel 8. Inhaltsbasierte Suche in Bilddatenbanken Kapitel 8 Inhaltsbasierte Suche in Bilddatenbanken One picture is worth 1000 words. However, a picture is worth far fewer than 1000 words if you cannot find them. Einführung Suche durch Merkmalswerte Suche

Mehr

Diplomarbeit. Dirk Jagdmann. Analyse und Resynthese des Gitarrenklangs

Diplomarbeit. Dirk Jagdmann. Analyse und Resynthese des Gitarrenklangs Hochschule für Angewandte Wissenschaften Hamburg Hamburg University of Applied Sciences Diplomarbeit Dirk Jagdmann Analyse und Resynthese des Gitarrenklangs Fachbereich Elektrotechnik und Informatik Department

Mehr

6. Künstliche Intelligenz

6. Künstliche Intelligenz 6.1. Turing-Test 6.2. Lernen In diesem Abschnitt besprechen wir wie man an Hand von Beispielen lernt, Objekte zu erkennen und verschiedene Dinge voneinander zu unterscheiden. Diese sogenannte Mustererkennung

Mehr

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht

Mehr

Textmining Klassifikation von Texten Teil 1: Naive Bayes

Textmining Klassifikation von Texten Teil 1: Naive Bayes Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive

Mehr

Aufgabe 3. Signal Processing and Speech Communication Lab. Graz University of Technology

Aufgabe 3. Signal Processing and Speech Communication Lab. Graz University of Technology Signal Processing and Speech Communication Lab. Graz University of Technology Aufgabe 3 Senden Sie die Hausübung bis spätestens 15.06.2015 per Email an hw1.spsc@tugraz.at. Verwenden Sie MatrikelNummer1

Mehr

FUNKERFASSUNG Monitoring-Systeme

FUNKERFASSUNG Monitoring-Systeme PC-basierte leistungsfähige Signal Die Software GX430 ist eine einkanalige Lösung von Rohde&Schwarz für die Analyse und Verarbeitung analoger und digitaler HF- / VHF- / UHF-Signale. Zusammen mit einem

Mehr

KLASSIFIZIERUNG VON SCHADSOFTWARE ANHAND VON SIMULIERTEM NETZWERKVERKEHR

KLASSIFIZIERUNG VON SCHADSOFTWARE ANHAND VON SIMULIERTEM NETZWERKVERKEHR Retail KLASSIFIZIERUNG VON SCHADSOFTWARE ANHAND VON SIMULIERTEM NETZWERKVERKEHR Technology Life Sciences & Healthcare Florian Hockmann Ruhr-Universität Bochum florian.hockmann@rub.de Automotive Consumer

Mehr

Automatische Erkennung von Objekten in 3D Millimeterwellen Bilddaten für den QPS Sicherheitsscanner

Automatische Erkennung von Objekten in 3D Millimeterwellen Bilddaten für den QPS Sicherheitsscanner 2. Fachseminar Mikrowellen- und Terahertz-Prüftechnik in der Praxis Vortrag 3 Automatische Erkennung von Objekten in 3D Millimeterwellen Bilddaten für den QPS Sicherheitsscanner Athanasios KARAMALIS 1,

Mehr

Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern

Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Björn Burow SE Mustererkennung in Bildern und 3D-Daten Lehrstuhl Graphische Systeme BTU Cottbus Inhaltsübersicht

Mehr

Zusammenfassung Medientyp Audio. 2.1. Physikalische Grundlagen Hörbereich: 20Hz bis 20kHz, 0 bis 130dB Sensitivität: frequenzabhängig, Maskierung

Zusammenfassung Medientyp Audio. 2.1. Physikalische Grundlagen Hörbereich: 20Hz bis 20kHz, 0 bis 130dB Sensitivität: frequenzabhängig, Maskierung Zusammenfassung Medientyp Audio 2.1. Physikalische Grundlagen Hörbereich: 20Hz bis 20kHz, 0 bis 130dB Sensitivität: frequenzabhängig, Maskierung 2.2. Digitalisierung/ Sampling Zeit-/ Frequenzbereich: Diskretisierung

Mehr

3. Vorversuche 3.1 Mechanische Lösung 3.2 Lösung mittels Phasenverschiebung

3. Vorversuche 3.1 Mechanische Lösung 3.2 Lösung mittels Phasenverschiebung Gliederung: 1. Kurzfassung 2. Lärmreduzierung mittels Antischall 3. Vorversuche 3.1 Mechanische Lösung 3.2 Lösung mittels Phasenverschiebung 4. Computergesteuerte Lärmreduzierung 4.1 Zielsetzung 4.2 Soundkartensteuerung

Mehr

PowerPoint vertonen. by H.Schönbauer 1

PowerPoint vertonen. by H.Schönbauer 1 PowerPoint vertonen by H.Schönbauer 1 Das brauchen wir dazu: PowerPoint Ein Konzept, eine Idee Ein oder mehrere Musikstücke Konvertierungssoftware Grafische Elemente wie Fotos, Cliparts Wenn wir das alles

Mehr

Rotational ODS+OMA Features 2-32+ synchrone Kanäle Frequenzbereich 0-20 khz 24 bit Auflösung ±10mV - ±10V in 1, 2, 5 Stufen Überblick AC/DC, ICP

Rotational ODS+OMA Features 2-32+ synchrone Kanäle Frequenzbereich 0-20 khz 24 bit Auflösung ±10mV - ±10V in 1, 2, 5 Stufen Überblick AC/DC, ICP Rotational ODS+OMA Features 2-32+ synchrone Kanäle Frequenzbereich 0-20 khz 24 bit Auflösung ±10mV - ±10V in 1, 2, 5 Stufen AC/DC, ICP Time Recording, Offline Analyse Sensor-Datenbank Tachosignal mit 1

Mehr

EDV-Anwendungen im Archivwesen II

EDV-Anwendungen im Archivwesen II EDV-Anwendungen im Archivwesen II 070472 UE WS08/09 Grundlagen der Digitalisierung Überblick Allgemeine Grundlagen der Digitalisierung anhand der Ton-Digitalisierung Abtastrate (Samplerate) Wortlänge (Bitrate)

Mehr

Kopieren von Audio-CDs

Kopieren von Audio-CDs Kopieren von Audio-CDs Mit Windows Media Player 11 (Windows XP, Vista) 1. Starten Sie den Windows Media Player über die Startleiste (Start Programme Windows Media Player) und legen Sie die zu kopierende

Mehr

Vorbereitungsaufgaben

Vorbereitungsaufgaben Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät

Mehr

Inhaltsverzeichnis. 1. Einleitung

Inhaltsverzeichnis. 1. Einleitung Inhaltsverzeichnis 1. Einleitung 1.1 Das Analogoszilloskop - Allgemeines 2. Messungen 2.1 Messung der Laborspannung 24V 2.1.1 Schaltungsaufbau und Inventarliste 2.2.2 Messergebnisse und Interpretation

Mehr

Einführung in die Robotik Analog-Digital und Digital-Analog Wandler

Einführung in die Robotik Analog-Digital und Digital-Analog Wandler Einführung in die Robotik Analog-Digital und Digital-Analog Wandler Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 73 / 5 2453 mohamed.oubbati@uni-ulm.de 3.. 22 Analog-Digital (A/D) Wandler Digital

Mehr

Wichtige Eigenschaft: zeitliche Abnahme der Schallintensität. Akustische Ereignisse müssen Jetzt oder Nie gehört werden

Wichtige Eigenschaft: zeitliche Abnahme der Schallintensität. Akustische Ereignisse müssen Jetzt oder Nie gehört werden Audiodesign Aufzeichnung akustischer Ereignisse Wichtige Eigenschaft: zeitliche Abnahme der Schallintensität Akustische Ereignisse sind zeitliche Phänomene mit Anfang und Ende Akustische Ereignisse sind

Mehr

Seminar Text- und Datamining Datamining-Grundlagen

Seminar Text- und Datamining Datamining-Grundlagen Seminar Text- und Datamining Datamining-Grundlagen Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 23.05.2013 Gliederung 1 Klassifikationsprobleme 2 Evaluation

Mehr

Das Schwingungsspektrum von Wasser

Das Schwingungsspektrum von Wasser Das Schwingungsspektrum von Wasser Vortrag im Rahmen des Seminars zum anorganisch-chemischen Fortgeschrittenenpraktikum Institut für Anorganische Chemie Universität Karlsruhe Matthias Ernst Freitag, 29.6.2006

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Automatisierte Dossier- Erstellung mittels Text-Mining

Automatisierte Dossier- Erstellung mittels Text-Mining Automatisierte Dossier- Erstellung mittels Text-Mining Paul Assendorp Grundseminar 11.12.2014 Paul Assendorp Automatisierte Dossier-Erstellung 1 Gliederung Motivation Textmining Tools Aktueller Stand Ausblick

Mehr

Konfigurationstipps für Computer-Audio

Konfigurationstipps für Computer-Audio Konfigurationstipps für Computer-Audio Diese Anleitung bietet Audio-Liebhabern eine kurze Übersicht über die Welt des Computer-Audio. Auch wenn man noch Tausend andere Dinge diskutieren und entdecken kann,

Mehr

Audiovisuelle Archive in der digitalen (Medien-)Welt

Audiovisuelle Archive in der digitalen (Medien-)Welt Audiovisuelle Archive in der digitalen (Medien-)Welt Mag. Herbert Hayduck 14.05.2014 Dokumentation / Archiv-Erfassung Dokumentation Unter Dokumentation versteht man die Nutzbarmachung von Informationen

Mehr

Einführung in die Netzwerkanalyse

Einführung in die Netzwerkanalyse Einführung in die Netzwerkanalyse am Beispiel des DG8SAQ-Networkanalyzers Horst Germann DL6NDW DARC OV München-Nord, C12 3. Mai 2011 1 Was kann man messen? Eintore (Zweipole): Antennen Antennen mit Anschlußkabeln...

Mehr

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

Towards Automated Analysis of Business Processes for Financial Audits

Towards Automated Analysis of Business Processes for Financial Audits Towards Automated Analysis of Business Processes for Financial Audits Michael Werner Universität Hamburg michael.werner@wiso.uni hamburg.de Max Brauer Allee 60 22765 Hamburg StB Prof. Dr. Nick Gehrke Nordakademie

Mehr

Versuch 5: Spreizbandcodierung

Versuch 5: Spreizbandcodierung Versuch 5: Spreizbandcodierung Einleitung In diesem Versuch sollen Sie ausgehend von dem schematic aus Versuch 3 ein Übertragungssystem mit Spreizbandcodierung realisieren. Sie werden die Spektren und

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

Der Bipolar-Transistor und die Emitterschaltung Gruppe B412

Der Bipolar-Transistor und die Emitterschaltung Gruppe B412 TECHNISCHE UNIVERSITÄT MÜNCHEN Der Bipolar-Transistor und die Emitterschaltung Gruppe B412 Patrick Christ und Daniel Biedermann 16.10.2009 1. INHALTSVERZEICHNIS 1. INHALTSVERZEICHNIS... 2 2. AUFGABE 1...

Mehr

Grafikformate. Grafikformate. Digitale Bildverarbeitung Bildkompression

Grafikformate. Grafikformate. Digitale Bildverarbeitung Bildkompression Digitale Bildverarbeitung Bildkompression Einleitung Datenmenge für ein unkomprimiertes Bild Verwendungszweck des Bildes Bild soll weiterverarbeitet werden Bild soll archiviert werden Bild soll per E-Mail

Mehr

Kurtosis - der fehlende Knopf bei der Schwingprüfung oder Sigma Dehnung mit B&K Regelsystem 1059

Kurtosis - der fehlende Knopf bei der Schwingprüfung oder Sigma Dehnung mit B&K Regelsystem 1059 Kurtosis - der fehlende Knopf bei der Schwingprüfung oder Sigma Dehnung mit B&K Regelsystem 1059 Wer sich mit der Schwingprüfung in der Umweltsimulation befasst, verwendet dabei oft weißes, also normal-

Mehr

Der Klassiker wird aufgefrischt: ECM mit SharePoint

Der Klassiker wird aufgefrischt: ECM mit SharePoint Der Klassiker wird aufgefrischt: ECM mit SharePoint Collaboration, Content Management Interoperability Service (CMIS), Change Management, Records Management, Archivierung Kein Produkt hat die klassischen

Mehr

Digitale Medien 9 DIGITAL AUDIO

Digitale Medien 9 DIGITAL AUDIO Digitale Medien 9 DIGITAL AUDIO Allgemein vergangene LVen: Darstellung von Informationen: Bilder Heute: Audio Auditive Wahrnehmung Digitalisierung Speicherung von Audiodaten Formate Schnitt 2 Medientypen

Mehr

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY

Data Cube. Aggregation in SQL. Beispiel: Autoverkäufe. On-line Analytical Processing (OLAP) 1. Einführung. 2. Aggregation in SQL, GROUP BY Data Cube On-line Analytical Processing (OLAP). Einführung Ziel: Auffinden interessanter Muster in großen Datenmengen 2. Aggregation in SQL, GROUP BY 3. Probleme mit GROUP BY 4. Der Cube-Operator! Formulierung

Mehr

AW2-Vortrag. Ambient Telephony. Nicolas Bänisch HAW Hamburg 07.06.2012

AW2-Vortrag. Ambient Telephony. Nicolas Bänisch HAW Hamburg 07.06.2012 1 AW2-Vortrag Ambient Telephony Nicolas Bänisch HAW Hamburg 07.06.2012 2 Gliederung Einführung Related Work Konferenzen Forschungsgebiete Verwandte Arbeiten Zusammenfassung 3 Einführung 4 Einführung Ambient

Mehr

Audiokommunikation im Computer. Andreas Jäger

Audiokommunikation im Computer. Andreas Jäger Audiokommunikation im Computer Wie kommunizieren die Teile einer DAW miteinander? Host Hardware Host Was gibt es in der Praxis zu beachten? Wo liegen Gefahren? Konkreter: Warum ist ASIO besser als MME?

Mehr

Taxonomy of Evolution and Dependability. Integration Engineering SS 2009 Andreas Landerer

Taxonomy of Evolution and Dependability. Integration Engineering SS 2009 Andreas Landerer Taxonomy of Evolution and Dependability Integration Engineering SS 2009 Andreas Landerer Agenda Informationen über Massimo Felici Definition zentraler Begriffe Inhalt des Artikels Kernaussagen des Artikels

Mehr

Datamining-Cup 2012 - TeamFK i. Datamining-Cup 2012 - TeamFK

Datamining-Cup 2012 - TeamFK i. Datamining-Cup 2012 - TeamFK i Datamining-Cup 2012 - TeamFK ii Inhaltsverzeichnis 1 Programme und Datenvorverarbeitung 1 2 Vorbetrachtung der Daten 2 2.1 Zeitintervalle..................................................... 2 2.2 Mittelwert

Mehr

Event-Aggregation in Frühwarnsystemen. Till Dörges. 2009 by PRESENSE Technologies GmbH

Event-Aggregation in Frühwarnsystemen. Till Dörges. 2009 by PRESENSE Technologies GmbH Event-Aggregation in Frühwarnsystemen Till Dörges Gliederung Motivation Definitionen Aggregationsverfahren Implementierung Ergebnisse / Ausblick Folie 2 / Event-Aggregation 18. März 2009 Hamburg Motivation

Mehr

Testen und Metriken. Einige Fehler. Fehler vermeiden. Andreas Zeller Universität des Saarlandes Microsoft Research. http://www.st.cs.uni-sb.

Testen und Metriken. Einige Fehler. Fehler vermeiden. Andreas Zeller Universität des Saarlandes Microsoft Research. http://www.st.cs.uni-sb. Testen und Metriken Andreas Zeller Universität des Saarlandes Microsoft Research http://www.st.cs.uni-sb.de/ Einige Fehler Fehler vermeiden Spezifizieren Beweisen Gegenlesen Testen Module Welche sollte

Mehr

Netzwerke und Sicherheit auf mobilen Geräten

Netzwerke und Sicherheit auf mobilen Geräten Netzwerke und Sicherheit auf mobilen Geräten Univ.-Prof. Priv.-Doz. DI Dr. René Mayrhofer Antrittsvorlesung Johannes Kepler Universität Linz Repräsentationsräume 1. Stock (Uni-Center) 19.1.2015, 16:00

Mehr

PRÜFBERICHT Nr. 2004-875-1446-CT6D 08 March, 2004

PRÜFBERICHT Nr. 2004-875-1446-CT6D 08 March, 2004 Reg.-Nr.: DAT-P-033/93-02 PRÜFBERICHT Nr. 2004-875-1446-CT6D 08 March, 2004 Übertragungseigenschaften der Verbindungstechnik Standard : - ISO/IEC 11801: 2002-09 - EN 50173-1: 2002 - TIA/EIA-568-B.2-1 (Juni

Mehr

Kapitel 4 Leitungscodierung

Kapitel 4 Leitungscodierung Kapitel 4 Leitungscodierung Prof. Dr. Dirk W. Hoffmann Hochschule Karlsruhe w University of Applied Sciences w Fakultät für Informatik Übersicht Quelle Senke Kompression Huffman-, Arithmetische-, Lempel-Ziv

Mehr

Der Fröhlich-Faktor. Referent: Stefan Fröhlich

Der Fröhlich-Faktor. Referent: Stefan Fröhlich Der Fröhlich-Faktor Referent: Stefan Fröhlich Entstehung des Fröhlich-Faktor Wenn man sich mit der Entwicklung und dem Backtesting von Handelssystemen beschäftigt wird der Fröhlich-Faktor immer dann wichtig

Mehr

Welche Unterschiede gibt es zwischen einem CAPAund einem Audiometrie- Test?

Welche Unterschiede gibt es zwischen einem CAPAund einem Audiometrie- Test? Welche Unterschiede gibt es zwischen einem CAPAund einem Audiometrie- Test? Auch wenn die Messungsmethoden ähnlich sind, ist das Ziel beider Systeme jedoch ein anderes. Gwenolé NEXER g.nexer@hearin gp

Mehr

Soundbearbeitung. mit Audacity. office@wofi.at www.wofi.at

Soundbearbeitung. mit Audacity. office@wofi.at www.wofi.at Soundbearbeitung mit Audacity office@wofi.at www.wofi.at Inhaltsverzeichnis Inhaltsverzeichnis 0. DIGITAL AUDIO...4 0.1. Einleitung...4 0.2. Grundlagen...4 0.3. Das Ohr...4 0.3.1. Tonhöhenempfindung...4

Mehr

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten

Mehr

Online-Monitoring an Industriemaschinen

Online-Monitoring an Industriemaschinen professionell kundenorientiert kostenbewusst Online-Monitoring an Industriemaschinen Dipl.-Ing. R. Schuhmann, Fachzentrum - Rotating Equipment III. RTM Forum Stuttgart 15.April 2008 Die BASF in das weltweit

Mehr

Einführung in die automatische Spracherkennung

Einführung in die automatische Spracherkennung Einführung in die automatische Spracherkennung Hans-Günter Hirsch http://dnt.kr.hs-niederrhein.de http://dnt.kr.hs-niederrhein.de/asr14/ email: hans-guenter.hirsch@hs-niederrhein.de Folie 1 Persönlicher

Mehr

Unsupervised Kernel Regression

Unsupervised Kernel Regression 9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung

Mehr

Einführung in die Informatik und Medieninformatik

Einführung in die Informatik und Medieninformatik Name, Vorname Matrikelnummer Klausur zur Vorlesung Einführung in die Informatik und Medieninformatik LVNr. 36 600, WS 2012/13, im Studiengang Medieninformatik Dienstag, 12. Februar 2013 16:00 18:00 Uhr

Mehr

Erdgastransport von Russland nach Westeuropa Analyse des Modells von Christian von Hirschhausen (The Energy Journal, Vol. 26, No.

Erdgastransport von Russland nach Westeuropa Analyse des Modells von Christian von Hirschhausen (The Energy Journal, Vol. 26, No. Erdgastransport von Russland nach Westeuropa Analyse des Modells von Christian von Hirschhausen (The Energy Journal, Vol. 26, No. 2, April 2005) Igor Litvinov 1 Gliederung 1. Simulationsanalyse: Erdgastransport

Mehr

INSTALLATION J. RIVER MEDIA CENTER

INSTALLATION J. RIVER MEDIA CENTER INSTALLATION J. RIVER MEDIA CENTER Installation und Konfiguration der J. River Media Center 15 Software unter Microsoft Windows Vista (SP2) und Microsoft Windows 7 unique high end audio INDEX 1. Installation

Mehr

Licht-unterstütztes Leitsystem auf Basis von selbst verortenden Funknetzen

Licht-unterstütztes Leitsystem auf Basis von selbst verortenden Funknetzen Licht-unterstütztes Leitsystem auf Basis von selbst verortenden Funknetzen Anwendung 2 Related Work Johannes Meyer Gliederung Einführung Related Work Verbesserung der Lokalisierungsgenauigkeit Einordnung

Mehr

In diesem Dokument soll kurz auf die Bedienung von VST3PluginTestHost.exe eingegangen werden.

In diesem Dokument soll kurz auf die Bedienung von VST3PluginTestHost.exe eingegangen werden. Hochschule für Angewandte Wissenschaften Hamburg Hamburg University of Applied Sciences Fakultät Technik und Informatik Department Informations- und Elektrotechnik Projekt E7 im Bachelorstudiengang Informations-

Mehr

I N F O B R O S C H Ü R E 2 0 0 7

I N F O B R O S C H Ü R E 2 0 0 7 I N F O B R O S C H Ü R E 2 0 0 7 KLANGERLEBNISSE So kann Ihr Unternehmen klingen: Hochwertiger Musiktitel mit professioneller Sprachansage, maßgeschneidert produziert in unseren Studios. Musik: Große,

Mehr

Informationsflut bewältigen - Textmining in der Praxis

Informationsflut bewältigen - Textmining in der Praxis Informationsflut bewältigen - Textmining in der Praxis Christiane Theusinger Business Unit Data Mining & CRM Solutions SAS Deutschland Ulrich Reincke Manager Business Data Mining Solutions SAS Deutschland

Mehr

Mobiles Mess-System Multi-Handy 2020

Mobiles Mess-System Multi-Handy 2020 Mobiles Mess-System Multi-Handy 2020 Multi-Handy mehr als nur ein Einstieg (ab Seite 10) Die Produkte der Multi-Handy Familie sind für den unkomplizierten Einsatz vor Ort konzipiert. Exakte Datenerfassung,

Mehr

Überblick über Empfängerschaltungen

Überblick über Empfängerschaltungen Überblick über Empfängerschaltungen Antenne LNA IF Roland Pfeiffer 6. Vorlesung Auswahl einer Empfängerschaltung Ihr Chef stellt Ihnen die Aufgabe, eine optimale Empfängerschaltung für ein Single-Chip-Handy

Mehr

Digitales Video I Wie wird Video am Computer codiert?

Digitales Video I Wie wird Video am Computer codiert? Digitales Video I Wie wird Video am Computer codiert? Bilder Auflösung Speicherung am Computer Bewegte Bilder Interlacing Kompression / Codec Ton Audioformate / Codecs Videoformate Bilder Auflösung: z.b.:

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

DENON DJ Music Manager

DENON DJ Music Manager DENON DJ Music Manager Der DENON DJ Music Manager verfügt über folgende Funktionen Datenbanken erstellen und aktualisieren Wiedergabe Dateiattribute ändern Dateisuche Wiedergabelisten erstellen und aktualisieren

Mehr