Kapitel 2: Spracherkennung Automatisches Verstehen gesprochener Sprache
|
|
- Emma Günther
- vor 6 Jahren
- Abrufe
Transkript
1 Automatisches Verstehen gesprochener Sprache. Spracherkennung Martin Hacker Bernd Ludwig Günther Görz Professur für Künstliche Intelligenz Department Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg Zur Erinnerung Spracherkennung und Sprachverstehen -"#+%&.()%)/("$*+#,!"#$%&'()%)*("+,$#-.(/0"(),$#-!"#"$%&"'"()*+#,!)%'()5+(($- 6()07%&'(8$)%09+,!(0"()*+#,!($50)($7/+0)($- :)$()0(++*+#,."%&0#6%$%#(6($+- ;<%'*5(, -)%57(&&, -)%5.()'$(5(+,!)%%,5#%*(-.%+($*%$/- 8($,+9()60(&&- -=+$%8%+%&='(, C)%77%90, -(7%+90%+%&='(,!7D+(+7(&&, ;)%#7%90%+%&='(,!"'0*)'7(&&, E+$(8$7(&&, / 9 / 9 Problemstellung Was ist hier gesagt worden? Um das Sprachsignal interpretieren zu können, müssen wir wissen, wie es erzeugt worden ist. 6 / 9
2 Anatomisches zum Sprechen () Anatomisches zum Sprechen () 8 / 9 7 / 9 Lautartikulation Mathematisches zum Sprechen Der Prozess der Spracherzeugung kann durch Hintereinanderschaltung linearer zeitinvarianter Systeme simuliert werden. Dabei werden die Artikulatoren als Filter modelliert; das Ergebnis ist ein (diskretes) Sprachsignal: F (z) = G(z) V (z) R(z) 9 / 9 0 / 9 Je nach Lautsorte sind die Artikulatoren unterschiedlich an der Lautbildung beteiligt. Rekonstruktion der Anregung und der Filterwirkung Anregung: vom Sprecher erzeugtes Signal Messwert: die vom Filter modifizierte Anregung Konsonanten und Vokale haben charakteristische Eigenschaften im Spektralbereich (insbes. Formanten). / 9
3 Merkmale für Laute () Merkmale für Laute () Problem: Wie kann man das originale Signal und die Wirkung der einzelnen Komponenten des Filters auseinanderhalten? fn = gn vn rn Ziel: Da man weiß, welche Artikulatoren welche Laute erzeugen, kann man den gesprochenen Laut rekonstruieren, wenn man weiß, welcher Filter wie gewirkt hat. Extraktion von Merkmalen für einzelnes Analysefenster Zuordnung von Lauten zu einer Folge von Analysefenstern (Quelle: Elmar Nöth, Informatik 5 (LME)) (Quelle: Elmar Nöth, Informatik 5 (LME)) N Abtastwerte (f0,..., fn ) in einem Analysefenster: Durch Fouriertransformation Übergang in den Spektralbereich: FT(fn ) = FT(gn ) FT(vn ) FT(rn ) Formanten für Vokale liegen immer in festen Bereichen des Spektrums (Schmalbandspektrogramm), Plosivphasen lassen sich gut an Breitbandspektrogrammen ablesen: Filterung mit verschiedenen Bandpassfiltern / 9 / 9 Digitalisierung Abtastung (vgl. Abtasttheorem) (üblich für Sprache: 6 khz oder 8 khz für Telefon) Quantisierung (üblich für Sprache: 6 Bit, µ-law) 6 / 9 Merkmalgewinnung Anwendung von Zeitfenstern Überführung in den Spektralbereich (diskrete Fourier-Transformation) kann man Muster für Konsonanten und Vokale aus Filterparametern gewinnen (Modellierung), aus einem gemessenen Sprachsignal die Filterparameter rückrechnen und den Konsonanten bzw. Vokal zuordnen, dessen Parameter den zurückgerechneten am ähnlichsten sind (Klassifikation). Gewinnung von Merkmalen aus Spektrum und Cepstrum (Quelle: Elmar Nöth, Informatik 5 (LME)) 7 / 9 Erkennungsaufgabe: Wenn man die Filter kennt, die aus der Anregung Konsonanten und Vokale erzeugen, dann 8 / 9 Klassifikation
4 Von Merkmalsvektoren zum Wort Bisher: Merkmalsvektor für ein Zeitfenster Ein geeigneter Klassifikator kann den Laut zu diesem bestimmten Zeitpunkt ermitteln (wenn auch unzuverlässig). Jetzt: Folge von Merkmalvektoren X = x,..., xt Schwierig: Bei einer Folge unabhängiger Klassifikationsentscheidungen erhielten wir statt hab@n so etwas wie haoa@oaa@fbp@nnm Phoneme können sich über mehrere Fenster erstrecken Fenster sind nicht unabhängig. Z.B. langgezogenes a statt schnellem Wechsel zwischen a-ähnlichen Lauten. Auch die Phoneme bedingen sich gegenseitig (am Ende muss ein echtes Wort herauskommen) 0 / 9 Von Merkmalsvektoren zum Wort Phonemerkennung () Gegeben: Folge von Merkmalvektoren X = x,..., xt Welches Wort versteckt sich dahinter? Wie lange dauert ein Phonem? Was ist die beste Segmentierung der Vektorfolge? Was ist die beste Zuordnung der Segmente zu Phonemen unter der Bedingung, dass insgesamt ein bekanntes Wort herauskommt? Zwei Unbekannte : Wie lange dauert das Phonem? Wie hört es sich zum Zeitpunkt t an? Beides ist abhängig von vielen Faktoren und von Situation zu Situation verschieden. Referenzmuster Will oder kann man nicht alle Kausalitäten explizit berücksichtigen, modelliert man sie mit Zufallsprozessen. / 9 / 9 Phonemerkennung () Modellierung der Verweildauer und Lautabfolge durch Markow-Kette Zustandsabhängige Wahrscheinlichkeitsverteilung für Merkmalsvektoren P(xt p) Zu jedem Phonem aus dem Inventar gibt es ein HMM. Lernproblem Bestimme Parameter (d.h. Übergangs- und Ausgabewahrscheinlichkeiten) aus Stichprobe Z. B. mit Baum-Welch-Algorithmus Die beiden Zufallsprozesse kann man miteinander verzahnen: Auf jeden Zustandsübergang folgt die Emission einer Beobachtung. Klassifikationsproblem Welches HMM hat die Beobachtungskette X erzeugt? Berechne für jedes HMM p die Produktions-Wahrscheinlichkeit P(X p) Das geht effizient mit dem Vorwärts-Algorithmus Maximiere A-posteriori-Wahrscheinlichkeit p)p(p) P(p X ) = P(XP(X (Bayes-Regel!) ) P(X ) für gegebenes X konstant, daher irrelevant! Da der Zustand für den Beobachter unsichtbar ist, erhält man damit ein Hidden-Markow-Modell (HMM). / 9 / 9 Phonemerkennung ()
5 Worterkennung Analyse durch Synthese () Von Lauten zu Wörtern: Welches Wort im Lexikon kann die beobachtete Lautfolge erzeugen? Das Prinzip der Verschachtelung von Markov-Modellen besitzt folgende Vorteile: Modelliere mögliche Aussprachevarianten (Abfolgen von Phonemen) mit weiterem Markow-Prozess. Man kann die Phonemmodelle wiederverwerten. Somit braucht man nur eine begrenzte Anzahl akustischer Modelle (für jedes Phonem eines) zu trainieren. Diese Modelle können aus einer überschaubaren Anzahl transkribierter Sprachaufnahmen gelernt werden. Dessen Zustände sind die HMMs für die Phoneme. Das verschachtelte Modell kann man ausmultiplizieren und erhält ein neues HMM: Darüber hinaus muss man nur die phonetische Umschrift aller Wörter im Lexikon kennen. Nachteile: Kontexteffekte (Koartikulation zwischen Phonemen) werden nicht modelliert. Quelle: J URAFSKY und M ARTIN 6 / 9 5 / 9 Analyse durch Synthese () Worterkennung () Für die Wortmodellierung benötigt man Lexika mit Vollformen. Morphologische Wortbildungsregeln werden nicht explizit angewandt. Die Wahl der geeigneten Basis-HMM-Einheit stellt also einen Trade-off zwischen Erkennungsqualität und Lernaufwand dar. Für Systeme mit kleinem Wortschatz können daher tendenziell größere Basiseinheiten gewählt werden. Aussprachelexikon für die vier englischen Wörter knee, neat, need und new Bei sehr großem Wortschatz können als Kompromiss größere Wortuntereinheiten (Diphone, Triphone, Halbsilben, Silben) verwendet werden. Quelle: J URAFSKY und M ARTIN Literatur Christopher D. Manning, Hinrich Schütze: Foundations of Statistical Natural Language Processing. MIT Press, Cambridge (Massachusetts), 999 Gut verständliche Einführung in HMMs (Kapitel 9. und 9.) Beachte insbesondere die Darstellung des Vorwärts- und Viterbi-Algorithmus auf S. 6 f. Ernst Günter Schukat-Talamazzini, Automatische Spracherkennung, Vieweg 995 Weiterführende Literatur zu allen angesprochenen Themen Online verfügbar als PDF (s. Link auf der Webseite) D. Jurafsky, J. H. Martin: Speech and Language Processing. An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. Prentice-Hall,. Auflage, 008 Kap. I.7 9 / 9 8 / 9 7 / 9
Part-Of-Speech-Tagging mit Viterbi Algorithmus
Part-Of-Speech-Tagging mit Viterbi Algorithmus HS Endliche Automaten Inna Nickel, Julia Konstantinova 19.07.2010 1 / 21 Gliederung 1 Motivation 2 Theoretische Grundlagen Hidden Markov Model Viterbi Algorithmus
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
MehrAufabe 7: Baum-Welch Algorithmus
Effiziente Algorithmen VU Ausarbeitung Aufabe 7: Baum-Welch Algorithmus Florian Fest, Matr. Nr.0125496 baskit@generationfun.at Claudia Hermann, Matr. Nr.0125532 e0125532@stud4.tuwien.ac.at Matteo Savio,
MehrTelematik bei mm-lab. 5. Tag der Informationslogistik, HFT Stuttgart. mm-lab GmbH Stammheimer Straße 10 70806 Kornwestheim
Telematik bei mm-lab 5. Tag der Informationslogistik, HFT Stuttgart Dr. Andreas Streit Managing Director mm-lab GmbH Stammheimer Straße 10 70806 Kornwestheim Andreas.Streit@mmlab.de www.mmlab.de Die mm-lab
MehrEinführung in die Computerlinguistik Statistische Grundlagen
Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume
MehrEinführung in die Computerlinguistik Überblick
Einführung in die Computerlinguistik Überblick Hinrich Schütze & Robert Zangenfeind Centrum für Informations- und Sprachverarbeitung, LMU München 2015-10-12 1 / 19 Was ist Computerlinguistik? Definition
MehrSeminar Textmining SS 2015 Grundlagen des Maschinellen Lernens
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining
MehrDer Viterbi-Algorithmus.
Der Viterbi-Algorithmus. Eine Erläuterung der formalen Spezifikation am Beispiel des Part-of-Speech Tagging. Kursskript Karin Haenelt, 9..7 (.5.) Einleitung In diesem Skript wird der Viterbi-Algorithmus
MehrSeminar 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
Mehr1 Part-of-Speech Tagging
2. Übung zur Vorlesung NLP Analyse des Wissensrohstoes Text im Sommersemester 2008 Dr. Andreas Hotho, Dipl.-Inform. Dominik Benz, Wi.-Inf. Beate Krause 28. Mai 2008 1 Part-of-Speech Tagging 1.1 Grundlagen
MehrMaschinelles Lernen in der Bioinformatik
Maschinelles Lernen in der Bioinformatik Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) VL 2 HMM und (S)CFG Jana Hertel Professur für Bioinformatik Institut für Informatik
MehrQuelle: www.omekinteractive.com. Ganzkörper- Gestensteuerung. Mit 3-D Sensor (z.b. MS Kinect, ASUS Xtion) Zwischenpräsentation 21.05.
Quelle: www.omekinteractive.com Ganzkörper- 1 Gestensteuerung Mit 3-D Sensor (z.b. MS Kinect, ASUS Xtion) Zwischenpräsentation 2 Gliederung Motivation Wozu braucht man eine Gestensteuerung? Aktuelle Anwendungen
MehrSignalübertragung und -verarbeitung
ILehrstuhl für Informationsübertragung Schriftliche Prüfung im Fach Signalübertragung und -verarbeitung 6. Oktober 008 5Aufgaben 90 Punkte Hinweise: Beachten Sie die Hinweise zu den einzelnen Teilaufgaben.
Mehr5. SCITOS Robot (TTS): Pilot Status Message
5. SCITOS Robot (TTS): Pilot Status Message SCITOS gibt Status des Piloten über Sprachausgabe aus: fahre zum Ziel, Ziel erreicht, ich komme nicht weiter M.Eker & C.Handel Agenda Aufgabenstellung Motivation
MehrElementare statistische Methoden
Elementare statistische Methoden Vorlesung Computerlinguistische Techniken Alexander Koller 28. November 2014 CL-Techniken: Ziele Ziel 1: Wie kann man die Struktur sprachlicher Ausdrücke berechnen? Ziel
MehrTextmining 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
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
MehrKapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen
Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen
MehrAutomatische 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
MehrWEKA A Machine Learning Interface for Data Mining
WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010
MehrArgumente für die diskrete Realisierung der Fourierintegrale
Argumente für die diskrete Realisierung der Fourierintegrale Die Fouriertransformation gemäß der Beschreibung in Kapitel 3.1 weist aufgrund der unbegrenzten Ausdehnung des Integrationsintervalls eine unendlich
MehrDiphone 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
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
MehrEinführung Computerlinguistik. Überblick
Einführung Computerlinguistik Überblick Hinrich Schütze & Robert Zangenfeind Centrum für Informations- und Sprachverarbeitung, LMU München 2013-10-14 Schütze & Zangenfeind: Überblick 1 / 30 Take-away Schütze
MehrSpezielle Themen der KI. NLP Natural Language Processing. Sprachverstehen
Spezielle Themen der KI NLP Natural Language Processing Sprachverstehen NLP - Verarbeitungsstufen des Sprachverstehen 47 Phonologie und Phonetik Phonologie Lautlehre oder Sprachgebilde-Lautlehre untersucht
MehrRheinlandtreffen 7. November 2006
Dirk Thorleuchter No 1 Inhalt Einleitung Motivation Aufgabenstellung Methode / Vorgehensweise KDT-Prozess Beispiele Evoluation Zusammenfassung No 2 1 Einleitung Motivation Trend zur kontinuierlich ansteigende
MehrModellierung von Arbeitsprozessen
Informatik II: Modellierung Prof. Dr. Martin Glinz Kapitel 9 Modellierung von Arbeitsprozessen Universität Zürich Institut für Informatik Inhalt 9.1 Grundlagen 9.2 Ereignisgesteuerte Prozessketten (EPK)
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrSeminar Digitale Signalverarbeitung
Universität Koblenz-Landau Institut für integrierte aturwissenschaften Abteilung Physik Dr. Merten Joost Seminar Digitale Signalverarbeitung Thema: Fast Fourier Transformation Praktische Durchführung einer
MehrDigitale Regelung. Vorlesung: Seminarübungen: Dozent: Professor Ferdinand Svaricek Ort: 33/2211 Zeit:Di 15.00 16.30 Uhr
Vorlesung: Dozent: Professor Ferdinand Svaricek Ort: 33/2211 Zeit:Di 15.00 16.30 Uhr Seminarübungen: Dozent: Alexander Weber Ort: 33/1101 Zeit: Mo 9.45 11.15 Uhr (Beginn: 20.04.2015) Vorlesungsskript:
MehrEinführung 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
MehrNetzwerke - Bitübertragungsschicht (1)
Netzwerke - Bitübertragungsschicht (1) Theoretische Grundlagen Fourier-Analyse Jedes Signal kann als Funktion über die Zeit f(t) beschrieben werden Signale lassen sich aus einer (möglicherweise unendlichen)
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Hidden-Markov-Modelle Viterbi - Algorithmus Ulf Leser Wissensmanagement in der Bioinformatik Inhalt der Vorlesung Hidden Markov Modelle Baum, L. E. and Petrie, T. (1966). "Statistical
MehrEin (7,4)-Code-Beispiel
Ein (7,4)-Code-Beispiel Generator-Polynom: P(X) = X 3 + X 2 + 1 Bemerkung: Es ist 7 = 2^3-1, also nach voriger Überlegung sind alle 1-Bit-Fehler korrigierbar Beachte auch d min der Codewörter ist 3, also
MehrSTOCHASTISCHE GRAMMATIKMODELLE. Meine Lehrveranstaltungen für... Informatiker & Bioinformatiker & Informatikerinnen & Bioinformatikerinnen
STOCHASTISCHE GRAMMATIKMODELLE Vorlesung im Sommersemester 2015 Prof. E.G. Schukat-Talamazzini Stand: 20. Juli 2015 Lehrbereich Informatik Intelligente Systeme Vertiefung Künstliche Intelligenz und Mustererkennung
MehrDFT / FFT der Titel der Präsentation wiederholt (Ansicht >Folienmaster) Dipl.-Ing. Armin Rohnen, Fakultät 03, rohnen@hm.edu
1 Grundlagen Abtasttheorem Fenster Zeit - Frequenzauflösung Pegelgenauigkeit Overlap Mittelung 2 2 volle Schwingungen 32 Abtastwerte Amplitude = 1 Pascal Signallänge = 1 Sekunde Eine Frequenzline bei 2
MehrAnlage 1: Modularisierung des Bachelor-Studiengangs Theoretische und Angewandte Computerlinguistik
Anlage : Modularisierung des Bachelor-Studiengangs Theoretische und Angewandte Legende: PM = Pflichtmodul; WPM = Wahlpflichtmodul; WM = Wahlmodul VL = Vorlesung; PS = Proseminar; HS = Hauptseminar; Ü =
MehrREGELBASIERTE GENERIERUNG FREMDSPRACHLICH AKZENTGEFÄRBTER AUSSPRACHEVARIANTEN. 1 Einleitung. Stefan Schaden
REGELBASIERTE GENERIERUNG FREMDSPRACHLICH AKZENTGEFÄRBTER AUSSPRACHEVARIANTEN Stefan Schaden Institut für Kommunikationsakustik (IKA), Ruhr-Universität Bochum, D-44780 Bochum schaden@ika.ruhr-uni-bochum.de
Mehrx 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen
5.1 Lernen mit Entscheidungsbäumen Falls zum Beispiel A = {gelb, rot, blau} R 2 und B = {0, 1}, so definiert der folgende Entscheidungsbaum eine Hypothese H : A B (wobei der Attributvektor aus A mit x
MehrPhonetik I: Artikulatorische Phonetik (V) Erstellen und Vertonen von Wortlisten
Phonetik I: Artikulatorische Phonetik (V) Erstellen und Vertonen von Wortlisten Abschluss: Artikulation, vorläufiger Abschluss: SpeechTrainer: Erläuterung der Funktionen: Listen erstellen, Listen vertonen,
MehrInformationsextraktion. Karin Haenelt 1.12.2012
Informationsextraktion Karin Haenelt 1.12.2012 Informationsextraktion Ziel Identifikation bestimmter Information (Daten) in einem unstrukturierten oder teilstrukturierten textuellen Dokument Transformation
MehrSpeechRecorder skriptgestützte Sprachaufnahmen im Feld und im Studio
LARIN-D Workshop München, 31.03.2014 SpeechRecorder skriptgestützte Sprachaufnahmen im Feld und im Studio Christoph Draxler draxler@phonetik.uni-muenchen.de 31.03.2014 CLARIN-D Workshop München, 31.03.2014
MehrData Mining als Arbeitsprozess
Data Mining als Arbeitsprozess Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 31. Dezember 2015 In Unternehmen werden umfangreichere Aktivitäten oder Projekte im Bereich des Data Mining
MehrSprachbasierte Informationssysteme
Sprachbasierte Informationssysteme Gunar Fiedler Arbeitsgruppe Technologie der Informationssysteme CAU Kiel WWW: http://www.is.informatik.uni-kiel.de/~fiedler E-Mail: fiedler@is.informatik.uni-kiel.de
MehrTransformationszeichen mit L A TEX 2ε trfsigns
Transformationszeichen mit L A TEX 2ε trfsigns Kai Rascher Am Remenhof 17a D 38104 Braunschweig rascher@ifn.ing.tu-bs.de Version 1.01 1 Kurzinformation In den atur- und Ingenieurswissenschaften spielen
MehrInformationsgehalt von Messungen von IR-Bildsensor und FTIR Spektrometer für die Bestimmung von CO2 und CO Säulengehalten über Vegetationsfeuern
Informationsgehalt von Messungen von IR-Bildsensor und FTIR Spektrometer für die Bestimmung von CO2 und CO Säulengehalten über Vegetationsfeuern M.HESS, F.SCHREIER und A.DOICU Institut für Methodik der
MehrEXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN
EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,
Mehr2. Eigenschaften digitaler Nachrichtensignale
FH OOW / Fachb. Technik / Studiengang Elektrotechnik u. Automatisierungstechnik Seite 2-2. Eigenschaften digitaler Nachrichtensignale 2. Abgrenzung zu analogen Signalen Bild 2.- Einteilung der Signale
MehrAutomatische Mustererkennung
Automatische Mustererkennung Eine Einführung Eine Präsentation von Valentin Kraft Im Modul Digitale Bildverarbeitung Prof. Vogel FH Düsseldorf WS 12/13 Gliederung Anwendungsgebiete / Definition Ziele Zentrales
MehrInstitut für Telematik Universität zu Lübeck. Programmieren. Kapitel 0: Organisatorisches. Wintersemester 2008/2009. Prof. Dr.
Institut für Telematik Universität zu Lübeck Programmieren Kapitel 0: Organisatorisches Wintersemester 2008/2009 Prof. Dr. Christian Werner 1-2 Überblick Ziele Inhaltsüberblick Ablauf der Veranstaltung
MehrSeminar zum Thema Künstliche Intelligenz:
Wolfgang Ginolas Seminar zum Thema Künstliche Intelligenz: Clusteranalyse Wolfgang Ginolas 11.5.2005 Wolfgang Ginolas 1 Beispiel Was ist eine Clusteranalyse Ein einfacher Algorithmus 2 bei verschieden
MehrFIDeS: Frühwarn und Intrusion Detection System auf der Basis von kombinierten Methoden der KI
FIDeS: Frühwarn und Intrusion Detection System auf der Basis von kombinierten Methoden der KI Workshop Informationssicherheit Carsten Elfers 06.11.2009 System Qualität und Informationssicherheit Rahmenbedingungen
Mehr2.7 Baum-Welch-Training
2.7. BAUM-WELCH-TRAINING 33 Die Evaluierung unserer Modelle soweit sollte eine Word Accuracy im Bereich von 40% ergeben (das ist übrigens schon ziemlich gut, wenn man bedenkt, wie schwierig die Aufgabe
MehrÜbung 1 zur Vorlesung SYSTEMORIENTIERTE INFORMATIK HW-,SW-CODESIGN
Fakultät Informatik, Institut für Angewandte Informatik, Professur Technische Informationssysteme Übung 1 zur Vorlesung SYSTEMORIENTIERTE INFORMATIK HW-,SW-CODESIGN Übungsleiter: Dr.-Ing. H.-D. Ribbecke
MehrVorlesung Information Retrieval Wintersemester 04/05
Vorlesung Information Retrieval Wintersemester 04/05 20. Januar 2005 Institut für Informatik III Universität Bonn Tel. 02 28 / 73-45 31 Fax 02 28 / 73-43 82 jw@informatik.uni-bonn.de 0 Themenübersicht
Mehr2. Digitale Codierung und Übertragung
2. Digitale Codierung und Übertragung 2.1 Informationstheoretische Grundlagen 2.2 Speicherbedarf und Kompression 2.3 Digitalisierung, Digitale Medien Ludwig-Maximilians-Universität München Prof. Hußmann
MehrTechnik der Fourier-Transformation
Was ist Fourier-Transformation? Fourier- Transformation Zeitabhängiges Signal in s Frequenzabhängiges Signal in 1/s Wozu braucht man das? Wie macht man das? k = 0 Fourier- Reihe f ( t) = Ak cos( ωkt) +
MehrGrundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
MehrRapid Control Prototyping
Dirk Abel Alexander Bollig Rapid Control Prototyping Methoden und Anwendungen Mit 230 Abbildungen und 16 Tabellen Springer Inhaltsverzeichnis Einführung und Überblick 1 1.1 Allgemeines 1 1.2 Entwicklungsprozesse
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrDatensicherheit durch Kryptographie
Datensicherheit durch Kryptographie Dr. Michael Hortmann Fachbereich Mathematik, Universität Bremen T-Systems Michael.Hortmann@gmx.de 1 Kryptographie: Klassisch: Wissenschaft und Praxis der Datenverschlüsselung
MehrTiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining
Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe
MehrTeil I Beschreibende Statistik 29
Vorwort zur 2. Auflage 15 Vorwort 15 Kapitel 0 Einführung 19 0.1 Methoden und Aufgaben der Statistik............................. 20 0.2 Ablauf statistischer Untersuchungen..............................
MehrSegmentierung von Faserstrukturen in tomographischen Aufnahmen. Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern
Segmentierung von Faserstrukturen in tomographischen Aufnahmen Workshop Analyse der Mikrostruktur von Faserverbundwerkstoffen in Volumenbildern Oliver Wirjadi Frankfurt, 7.03.007 Bildquelle: Institut für
MehrDigitale Bildverarbeitung Einheit 12 3D-Rekonstruktion
Digitale Bildverarbeitung Einheit 12 3D-Rekonstruktion Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einen Eindruck davon
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Additive Modelle Katharina Morik Informatik LS 8 Technische Universität Dortmund 7.1.2014 1 von 34 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 34 Ausgangspunkt:
MehrModellierungstechniken im Softwaredesign. Praxisprojekt [ai] Control WS 2011/2012 Lara Baschour und Anne Heiting
Modellierungstechniken im Softwaredesign Praxisprojekt [ai] Control WS 2011/2012 Lara Baschour und Anne Heiting Was ist Modellierung? Modell = Ein Modell ist eine Repräsentation eines Systems von Objekten,
MehrEchtzeit-Analyse/Synthese von Sprachsignalen unter Berücksichtigung des Sprachverständlichkeitsindex (SII)
Allgemeine Nachrichtentechnik Prof. Dr.-Ing. Udo Zölzer Echtzeit-Analyse/Synthese von Sprachsignalen unter Berücksichtigung des Sprachverständlichkeitsindex (SII) Von Sayak Ghosh Choudhury Prof. Dr.-Ing.
MehrLernen von Entscheidungsbäumen. Volker Tresp Summer 2014
Lernen von Entscheidungsbäumen Volker Tresp Summer 2014 1 Anforderungen an Methoden zum Datamining Schnelle Verarbeitung großer Datenmengen Leichter Umgang mit hochdimensionalen Daten Das Lernergebnis
MehrSLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann
SLAM Simultaneous Localization and Mapping KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann Simultaneous Localization And Mapping SLAM Problematik SLAM Arten SLAM Methoden: (E)KF SLAM GraphSLAM Fast
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Tobias Scheffer
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachportale Tobias Scheffer Motivation Es gibt, grob geschätzt: 1.15 Md Mrd. 15Mrd 1.5 Mrd. 668 Mio. Die wenigsten Computer verfügen
MehrWeka: Software-Suite mit Maschineller Lernsoftware
: Software-Suite mit Maschineller Lernsoftware Computational Linguistics Universität des Saarlandes Sommersemester 2011 21.04.2011 Erste Schritte Waikato Environment for Knowledge Analysis entwickelt von
MehrPR Statistische Genetik und Bioinformatik
PR Statistische Genetik und Bioinformatik Johanna Bertl Institut für Statistik und OR, Universität Wien Oskar-Morgenstern-Platz 1/6.344, 1090 Wien, Tel.: 01-4277-38617 johanna.bertl@univie.ac.at, homepage.univie.ac.at/johanna.bertl
MehrSocial Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG
Social Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG DB Fernverkehr AG Dr.-Ing. Axel Schulz, Dr. Matthias Platho P.FMB 2, DB Fernverkehr AG Frankfurt, 22.05.2015 Motivation An meinem
MehrVorbereitungsaufgaben
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
Mehr6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)
6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden
MehrDigitalisierung als Grundlage des Informationszeitalters
Digitalisierung als Grundlage des Informationszeitalters Prof. Dr.-Ing. Eckehard Steinbach Lehrstuhl für Kommunikationsnetze, Fachgebiet Medientechnik Technische Universität München 80290 München Email:
MehrBioinformatik Statistik und Analyse mit R 22.05.2009-1 -
Bioinformatik Statistik und Analyse mit R 22.05.2009-1 - Definition: Bioinformatik Die Bioinformatik http://de.wikipedia.org/wiki/bioinformatik (englisch bioinformatics, auch computational biology) ist
Mehra) Zeichnen Sie in das nebenstehende Streudiagramm mit Lineal eine Regressionsgerade ein, die Sie für passend halten.
Statistik für Kommunikationswissenschaftler Wintersemester 2009/200 Vorlesung Prof. Dr. Helmut Küchenhoff Übung Cornelia Oberhauser, Monia Mahling, Juliane Manitz Thema 4 Homepage zur Veranstaltung: http://www.statistik.lmu.de/~helmut/kw09.html
MehrUniversität Osnabrück Fachbereich Mathematik. Spracherkennung. Seminar Multimedia: Konzepte und Werkzeuge Prof. Dr. Oliver Vornberger WS 00/01
Universität Osnabrück Fachbereich Mathematik Spracherkennung Seminar Multimedia: Konzepte und Werkzeuge Prof. Dr. Oliver Vornberger WS 00/01 Inga Wallrabenstein Cognitive Science, 5. Semester iwallrab@uos.de
MehrAutomatisches Übersetzen von Gebärdensprache
5. Aachener Gebärdenworkshop 2004 29.10.2004 Automatisches Übersetzen von Gebärdensprache Jan Bungeroth Human Language Technology and Pattern Recognition Lehrstuhl für Informatik VI D-52056 Aachen, Deutschland
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf
MehrNachrichtentechnik. Martin Werner. Eine Einführung für alle Studiengänge 7., erweiterte und aktualisierte Auflage Mit 284 Abbildungen und 47 Tabellen
Martin Werner Nachrichtentechnik Eine Einführung für alle Studiengänge 7., erweiterte und aktualisierte Auflage Mit 284 Abbildungen und 47 Tabellen STUDIUM VIEWEG+ TEUBNER IX Inhaltsverzeichnis 1 Aufgaben
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg,
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg, Literatur Richard Hartle and Andrew Zisserman. Multiple View Geometr in computer vision, Cambridge Universit Press, 2 nd Ed., 23. O.D.
MehrHigh-Speed Optical Transmission Systems Grundlagen der numerischen Simulation
High-Speed Optical Transmission Systems Grundlagen der numerischen Simulation 8. Februar 2 In dieser Übung sollen einige Grundlagen der numerischen Simulation mit dem Programm VPItransmissionMaker behandelt
MehrMonte-Carlo Simulation
Monte-Carlo Simulation Sehr häufig hängen wichtige Ergebnisse von unbekannten Werten wesentlich ab, für die man allerhöchstens statistische Daten hat oder für die man ein Modell der Wahrscheinlichkeitsrechnung
MehrVermessung und Verständnis von FFT Bildern
Vermessung und Verständnis von FFT Bildern Viele Auswertungen basieren auf der "Fast Fourier Transformation" FFT um die (ungewünschten) Regelmäßigkeiten im Schliffbild darzustellen. Die Fourier-Transformation
MehrWahrnehmung und Aufmerksamkeit
Wahrnehmung und Aufmerksamkeit Letzte Vorlesung im Sommersemester 2009 zum Thema Wahrnehmung 1 Haben Sie Fragen zum organisatorischen Ablauf oder zur letzten Vorlesung? 2 Literatur zur Klausur Genaue Angaben
MehrMechanismus Design Auktionen
Mechanismus Design Auktionen Universität Hohenheim Alexander Staus Mechanismus Design Universität Hohenheim 1/25 Welche Auktionen kennen Sie? traditionelle Auktionshäuser ebay Immobilien Fahrräder Blumen
MehrErzeugung von charakteristischen Last-Profilen zur simulationsgestützten Analyse von TTEthernet: Related Methods
Erzeugung von charakteristischen Last-Profilen zur simulationsgestützten Analyse von TTEthernet: Related Methods Hermand Dieumo Kenfack dieumo_h@informatik.haw-hamburg.de Hochschule für Angewandte Wissenschaften
MehrWiederholung: Informationssicherheit Ziele
Wiederholung: Informationssicherheit Ziele Vertraulichkeit: Schutz der Information vor unberechtigtem Zugriff bei Speicherung, Verarbeitung und Übertragung Verschlüsselungsverfahren Integrität: Garantie
MehrDas 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
MehrKontinuierliche Digitaltechnik als völlig neues Prinzip der Digitalisierung
Kontinuierliche Digitaltechnik als völlig neues Prinzip der Digitalisierung Horst Völz Die Digitalisierung von Signalen insbesondere bei Audio und Video erfolgt im Wesentlichen unverändert seit reichlich
MehrEinfÅhrung in die objektorientiere Programmierung (OOP) unter Delphi 6.0. EDV Kurs 13/2
EinfÅhrung in die objektorientiere Programmierung (OOP) unter Delphi 6.0 EDV Kurs 13/2 Inhaltsverzeichnis 1 Objekte... 1 2 Klassen... 3 2.1 Beziehungen zwischen Klassen... 4 2.1.1 Vererbung... 4 2.1.2
MehrEinfluß von Wind bei Maximalfolgenmessungen
1 von 5 05.02.2010 11:10 Der Einfluß von Wind bei Maximalfolgenmessungen M. KOB, M. VORLÄNDER Physikalisch-Technische Bundesanstalt, Braunschweig 1 Einleitung Die Maximalfolgenmeßtechnik ist eine spezielle
MehrA1.7: Entropie natürlicher Texte
A1.7: Entropie natürlicher Texte Anfang der 1950er Jahre hat Claude E. Shannon die Entropie H der englischen Sprache mit einem bit pro Zeichen abgeschätzt. Kurz darauf kam Karl Küpfmüller bei einer empirischen
MehrKapitel 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
MehrPersonalisierung. 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
MehrAuf dem Weg zu Website-Fingerprinting in der Praxis
Auf dem Weg zu Website-Fingerprinting in der Praxis Identifizierung von Webseiten mit dem multinomialen Naïve-Bayes-Klassifizierer Dominik Herrmann Lehrstuhl Management der Informationssicherheit Universität
MehrZur Definition von Definition Albert J. J. Anglberger, Peter Brössel
Zur Definition von Definition Albert J. J. Anglberger, Peter Brössel Zusammenfassung Wir werden in dieser Arbeit zwei neue Definitionsvorschläge von Definition entwickeln, die folgende Eigenschaften aufweisen:
Mehr