Biometryczne rozpoznawanie mówców w kryminalistyce
|
|
- Dawid Stachowiak
- 8 lat temu
- Przeglądów:
Transkrypt
1 Wa ldemar Ma ciejko Biometryczne rozpoznawanie mówców w kryminalistyce Wstęp Pomiar dowolnej w ielkośc i fizyc znej jest obciążony błędem wynikającym z dokładności aparatury pom iarowej oraz metodyki pomiaru. Do oceny i eliminacji tych b ł ę dów w klasy cznej metrologii wykor zystywana jest analiza statystyczna. Pomiar w ie lkości fizycznych opisujących anatomiczne i behawioralne cechy ludzkie jest znacznie bardziej zł ożon y, p o n ieważ j u ż samo badane zjawisko jest niepewne. Oprócz czynników wymienionych wy że j na wynik pom iaru ma wpływ szereg dodatkowych zjawisk. Każda badana wiel ko ś ć jest wypadkową uwaru nkowań indywidu alnych i grupowych. Dlateg o zaobserwowana u jednostki cec ha musi b yć rozpatrywana w k on t e kś ci e b a d a ń tej cechy w populacji. Analiza statystyc zna w pomiarach biome trycznych, inaczej n iż w klasycznej metrologii, jest narzędz iem opis ującym relację, jaka zachodzi pom iędzy cec h ą obserwowaną u jednostki a t ą samą cechą zmierzoną u zbio rowośc i ', Ws półcześn ie dorobek biometrii s ł u ż y budowie wyko rzyst u j ą c ych anatomiczne lub behawioralne cechy ludzkie zautomatyzowanych systemów rozpoznawania osób. J edn ą z techn ik biometrycznych jest automatyczne rozpoznawanie osób na podstawie mowy. Ten rodzaj rozpoznawania osób znala z ł zastosowanie tam, gdzie ważna jest weryfikacja tożsamo ś ci na odl e g ło ść z wykorzystaniem telefonii, czyli główni e w instytucjach finan sowy ch. Inną d zie d z iną jest dyscypl ina kryminalistyki - tonoskopia. Wykorzystanie systemów automa tycznego rozpoznawania m ówc ów (w skrócie ARM ) w kryminalistyce przez wiele lat n ap ot y ka ło poważn e trud ności. Prz ykładem może tu być projekt AUROS rozw ijany w latach 70. ubieg łego wieku w Niemczech Zachodnich oraz system SA SIS budowany w USA. Oba twor zone były na potrze by badań kryminalistycznych i zostały porzucone ze wzg lędu na niesatysfa kcjonujące wyniki'. Gł ó wn ymi przeszkodami była zła jakość na g ra ń oraz krótki czas ich trwania. Pojawienie s i ę szybkich kompute rów oraz opracowanie nowych metod parametryzacji sygnał u i modelowania statystycznego cech osobniczych u mo ż l i wiły wd rożen ie nowej generacji systemów. Dotychczasowe trudn o ś c i zw i ą z a n e gł ównie z jakością nagra ń w dużym stopniu z o stały przezw yci ężo n e. Krokiem milowym w rozwoju systemów autornatycz nego rozpoznania mówców by ła zmiana pod e j śc i a do procesu obliczania cech osobn iczych. Metody wyko rzystywane obecnie, b az u j ąc e na liniowym kodowaniu predykcyjnym, modelowaniu perceptualnym oraz analizie homeomorficznej opracowywano g ł ównie w latach GO. i 70. ub i eg ł eg o wieku. Wówczas rozw ijane systemy ARM o pi era ły si ę g łów nie na niskopoziomowych cechach widmowych. Systemy w s pó łcze s ne natomiast na podstawie obserwacji cech widmowych z uż yciem metod modelowania statystycznego dokonują opisu jednostek fonetycznych mowy. Według danych literatu rowyc h najczę śc i ej proces mode lowania statystycznego prowadzony jest z wykorzystaniem metody GMM3. Celem niniejszegoopracowaniajest przedstawienie algorytmów obliczania widmowych cech gł osu oraz metody ichmodelowania statystycznego opartego na mieszaninie modeli normalnych. Prezentowane wyniki ba d a ń przeprowadzono z wykor zystaniem bazy m ówc ów p o l s koj ęz ycz nych. Przy tej okazji przedstawiono równi eż met odologię oceny pracy systemu o p racowaną przez NIST (Nationa l Institute ot Standards and Technology). Automatyczny system rozpoznawania mówców Działanie systemu automatycznegorozpoznania mówców s k ła da si ę z trzech głównych etap ów, są to: przetwarzanie wstę p ne, modelowanie i testowanie. Proces powyż sz y przebiega równolegle j synchronicznie na trzech ź ró dłach syg nału : wypowiedzi dowodowej (okreś la n ej w publikacji jako wypowiedzi testowa - na rycinie 1 to wy powie d ż }), wypowiedzi porównawczej (inaczej wy powi edź wzorcewa - na rycinie 1 to wy pow iedź mówcy,\1) oraz wypowiedziach mówców z bazy populacyjnej (na rycin ie 1 to wypowied ż - Af). Struktura takie go systemu przedstawiona jest na rycini e 1. Wyniki b ad a ń z dziedziny psychoakustyki wskazują, ż e postrzeganie wysokośc i tonu przez c z łowie ka jest uwarunkowane przede wszystkim częstotliwo ś ci ą tego tonu oraz jego poziomem. Stwierdzono rów nież, że najmniejsza postrzegana różnica częstotliwoś ci występuje dla w arto ści około 1 khz i dla dżwięków o poziomie z zakre su G0-70 PROBLEMY KRYMINALISTYKI 75(1) 01 19
2 db SPL'. Wyniki tych badań doprowadziły do stworzenia subiektywnej skali wysokości, tzw. mel-ska li. Między mel - s k a l ą a skalą częstotliwościową istnieje liniowa zale ż ność do około 1000 Hz, powyżej natomiast tej wartośc i zale ż no ś ć przechod zi w logarytmiczną. Parametry widmowe, na których opiera się przedmiotowy system ARM, bazują właśn ie na met-skali. Obliczane są one według schematu przedstawionego na rycinie. Bazą parametrów MFCC (Mel Frequency Cepstrel Goellicienls) jest dyskretne widmo sygnału. Widmo poddawane jest filtracji za pomocą filtrów pasmowo-przepustowych, których częstotliwości środkowe są równomiernie rozłożone na melowej osi częstot liwośc i (tzw. bank filtrów). Ten etap jest rodzajem ważenia charakterystyki widmowej, której efektem jest modyfikowanie rozdzielczości zależnie od zakresu częstot liwości". Następnie wektory obserwacji z wszystkich pasm poddawane są logarytmowaniu i obliczona zostaje dyskretna odwrotna transformata Fouriera. To ostatnie przekształcenie to tzw. transformata cepstralna. Dodatkowa informacja obejmująca dynamikę zmian sygnału w czasie reprezentowana jest przez tzw. wsp ółczynniki delta. W ten sposób z każdej ramki otrzymywany jest wektor cech złożony z 16 współczynników MFCC, 16 LlMFCC, energii E oraz ile. W sumie daje to 34 cechy widmowe w jednym wektorze obserwacji. Wyliczone zgodnie z ryciną parametry widmowe stanowią bazę dalszych obliczeń. Następnym etapem jest identyfikacja i eliminacja wektorów obserwacji, które nie niosą informacji osobniczej, a które zo s t a ły obliczone na fragmentach nagrań, gdzie brak jest sygna łu mowy. Pauzy są nieodłącznym elementem każdej wypow iedzi. Są to zawieszenia głosu między dwoma kolejnymi dźw iękami w strumieniu fonetycznym. Pauzy są też elementem składn i oraz podkreślają intonacyjne rozczłonkowanie ciągu wypowiedzenioweqo". System ARM samoczynnie potrafi rozpoznać sygnał nie niosący informacji osobniczej, jednakże cały proces ekstrakcji i przygotowania danych widmowych przebiega przy założeniu, że nagranie poddane analizie zawiera wypowiedź pochodzącą od jednego mówcy. Zgodnie z ryciną 1 w przypadku wypowiedzi dowodowej jest to mówca y, a porównawczej mówca M. Tak więc podobnie jak w przypadku klasycznej analizy fonoskopijnej badania z wykorzystaniem systemu ARM muszą zostać poprzedzone identyfikacją mówcy Prze twa rzani e w s tęp ne Modelowanie mówcy Testowanie _ Parametry Wyk rywanie Normalizacja' Uczen ie, Model M Mówca M syg n a łu : ciszy model parametrów MAP MFCC, PLP bi-modaln y CMS Parametry Wykrywa nie Normalizacja, P(Y IM) LR Wypo wiedź Y syg n ału : ciszy model parametrów P(Y I-M) MFCC, PLP bi-modaln y CMS,-, sygna łu : ciszy model parametrów i: ML-EM Mówca - M Parametry Wykrywanie Normalizacja ' Uczen ie, Model-M MFCC, PLP bi-modalny CMS (UBM) li :J Ryc. 1. Schemat pracy systemu Fig. 1. Main modules ot automatic speaker recognition Źródło (ryc. 1-11): autor. -i Preemfaza Okienkowanie FFT Bank filtrów melowych Odwrotna FFT MFCC Energia E Delta MFCC Delta E Ryc.. Proces obliczania parametrów widmowyc h MFCC Fig.. Btock diagram ot processing steps for extracfing spectral MFC coefficients 0 PROBLEMY KRYMINALISTYKI 75(1) 01
3 w obręb ie materiału. W niniejszych badaniach do detekcji ramek mowy wykorzystano kryterium energe tyczne. Me toda ta polega na porównaniu energii poszczególnych ramek. Na podstawie analizy statystycznej prowadzonej na przestrzeni całeg o nagrania ustanowiony jest próg elirni nacji. Ramki, reprezentowane przez wsp ółczynn ik energetyczny, którego wa rtość znajd uje s ię pon iżej prog u, są etykietowane i pomijane w dalszej analiz ie. Założe n iem tej metody jest istotna różn ica charakterystyk ene rgetycz nyc h pom ięd zy sygna łe m ciszy a sygnałem mowy. Energia sekwencji próbek {s... fi c A1 obliczana jest ze wzoru:.v (1 ), E, = logl>; n=l gdzie s" to wartość sygnatu w danej chw ili. Najbardziej zło żonym etapem jest ustalenie progu eliminacji. Jedno z pode j ść wykorzystuje do tego celu analizę sta tystyczną. Metoda ta polega na zamodelowaniu dwu modalnego rozkładu gęstości współczynników energetycznych obliczonych na wszystkich wek torach obserwacji (ryc. 3). Nastę p nie weryfikowany jest warunek: p (E, IPDF,""",,) < p(e, IPDFe;,,,) (). Jeżel i warunek jest prawdziwy wektor zostaje zaety kielowany jako cisza i pom in ię ty w dalszej analizie. Sygna ł p rzesyłany przez ok reś ło ny kan ał transm isji to splot dwóch składowych: sygnału oryginalnego i odpowiedzi kanału. Takie zjawiska jak echo kanał u i inne zakłócenia addytywne powst aj ą ce w trakcie trans misji, mod yf i k u j ąc parame try widmowe, wp lywają negatywnie na efektywność pracy systemu. Jedną z metod pozwa l aj ą cą u s u n ą ć z wektorów obserwacji skladową d odaną przez kana ł jest technika CMS (Cepslral Mean Sublraclion). Zgodnie z tą metodą obliczenie nowych parametrów następuje przez odjęcie od warto śc i danego współczynnika obliczonegow danej ramce sygnału k.) współczynn ika uś rednionego po calej wypow iedzi', Wyrażenie to przedstawiono na równaniu (3): N c.c'is(n) = c. (n) - I le.(i)] ;=1 R p(x 10) = I i=l m,p;(x) (3). Z czasem metoda ta została zmodyfikowana i uzupelniona o normal izację współczynników, natomiast operacja uśre dnian ia jest prowadzona jedynie na ramkach reprezentujących wypowiedzi. Oznacza to, ż e zmodyfi kow ana operacj a CMS mus i być poprzedzona algorytmem detekcji s yg na ł u mowy. Op isane wyż ej d ziałan ia to w s tępny proces przetwarzan ia parametrów widmowych. Zgodnie z ryciną 1 kolejny etap to modelowanie cech osobniczych mówcy. Prezentowana tutaj metoda wykorzystuje mieszaninę modeli normalnych (Gaussian Mix lure Models). Modele mieszanin roz kładów Gaussa op i erają s ię na założeniu, że gęstość p rawdopodob ie ń stwa wystąp ienia pewnej cechy zde finiowanej w przestrzeni wielowymiarowej mo że zostać przybliżona f unkcją b ę d ącą w ażoną sumą sko ńczone j liczby rozkła d ó w normal nyc h. P rawdopodo b i e ń stwo wystąpienia zatem danej cechy zdef iniowane jes t nas tępująco : (4), gdzie R to liczba rozkł adów Gaussa (tzw. rz ą d mode lu) w mieszaninie, w,to waga każd eg o komponentu mieszaniny s pe ł niająca n astęp u j ąc y wa runek : R Im,= 1 ;=1 Czynnik p,(x) z wy ra ż e nia (4) obliczany jes t ze wzoru: p,(x) (5). I. ' e x P { - ' ( X- )l )' ( L r '( x -)l)} ( Jl")""IL,I''' ", (5), gdzie D to liczba elementów wektora, 11, jest wektorem wartości ś rednich o wymiarach D x I, E, jest macierzą kowarlanej o wymiarach D.r D. Rea s u m ując, model ", , "... \ norm/looi Ell.f---+-,- IIIJiliIl Ryc. 3. Rozkład dwumodalny (rząd modelu równy ) obliczony na okola a-mlnutcwym nagraniu Fig. 3. Bi'gaussian modeling (order equa/s ) ot the energy distribulion cetcatetea on 3-minutes utterance PROBLEM Y KRYMINALISTYKI 75(1) 01 1
4 mówcy opisany za pomocą GMM zdefin iowany jest przez następujący zbiór parametrów mieszaniny rozkladów : O (w" u, :) gdzie i l,... R". Model graficzny stworzony na bazie obliczonych parametrów rozkładu przedstawiono na rycinie 4. Model populacyjny, którego parametry są wykorzystywane do oszacowania wartości mianownika wyrażenia (7), stanowi estymację parametrów populacji na podstawie próby z tej populacji. Model taki w skrócie nazywany jest UBM (Universal Background Mode. Kryterium wyboru odpo-..r----r '" ł fi: cr uoe norm{c1) Ryc. 4. Model GMM rz ędu równego 8 dla pojedynczego współczyn nika MFCC obliczonego na zo- sekunco we] wypowiedzi mówcy posł ug uj ąceg o si ę j ęzykiem polskim Fig. 4. Gaussian Mixture Model, order equafs 8 of the MFC coefficientcalcu/atedon 0 seconds utterance ot Polishspeaker Na podstawie empirycznych obserwacji stwierdzono, że komponenty mieszaniny zbudowane na podstawie dłu gookresowych obserwacji widma sygnału reprezen t ują jednostki fonetyczne, które określane są jako klasy akustyczne. Pojedyncze rozkłady reprezentują samogłoski i spółgłoski, a ich kombinacja jest rep rezentacją układu artykulacyjnego mówcy. Ponieważ modelowane klasy nie są w żaden sposób oznaczane, mówi się o niejawnych klasach lub modelach'. Ostatnim elementem pracy systemu jest identyfikacja. Polega ona na ocenie ilorazu dwóch prawdopodobieństw według następującej zależności: akceptacja c> LLR łog( p (Y 1M) ) <: s (7). p(y 1- M uom ) Licznik wyrażenia (7) to prawdopodobieństwo przynale ż noś c i parametrów widmowych wypowiedzi Y do modelu GMM mówcy M. Mianownik natomiast to prawdopodobieństwo przyna leżności parametrów Y do modelu populacyjnego - M. Jeże li wynik ilorazu przekroczy określony wcześniej próg h, tożsamość mówcy zostaje zaakceptowana. Wyrażenia (7) nie na le ż y utożsamiać z ilorazem wiarygodnoś ci (Likelihood Ratio) oznaczanym w literaturze również przez LR (lub LLR), którego formal izacja matematycznajest podoona'vuoraz wiarygodności stanowi ocenę prawdziwoś ci jednej z dwóch przeciwstawnych hipotez". W niniejszym opracowaniu autor, posługując s i ę skrótem LLR, odnosi się do wartości zdefiniowanej w wyrażeni u (7). wiedniej próby z populacji jest jednoc ześnie konkretną apl ikacją systemu. Dotyczy to przede wszystkim systemów pracujących na potrzeby analizy kryminalistycznej. Tutaj istotny jest dobór struktury modelu populacyjnego nie tylko ze względu na płeć, wiek oraz język, którym posługują się mówcy, ale rów n i e ż technikę rejestracji, jaka została użyta w celu utrwalenia g ł osów będących przedm iotem analizy. Wyniki badań Miarą stopnia zgodności cech osobniczych mówców jest wartość uzyskana na podstawie wyrażenia (7). Wynik pracy systemu interpretuje się na podstawie wyznaczonego zgodnie z badaniam i eksperymentalnego progu J. Przyjęty próg pracy systemu determinuje prawdopodobieństwo popełnienia błędu. Zależność tę obrazuje rycina 5. Przedstawia on dwa rozkłady utworzone na podstawie wyników LLR, gdzie rozkład zielony reprezentuje międzyosobniczą z mi e n n oś ć wyników porównań. Rozkład czerwony natomiast jest interpretowany jako wewnątrzo sobniczy zakres zmienności LLR. Gdy 6 ro śnie, rośnie równ ież prawdopodo bieństwo błędnego odrzucenia, maleje natomiast prawdopodobieństwo b łędnej akceptacji. Gdy J maleje. jedn ocze śnie maleje prawdopodobieństwo błędnego odrzucenia, rośnie natomiast prawdopodobień stwo błędnej akceptacji. Istnieje zatem funkcja pomiędzy progiem J a prawdopodobieństwem b łędnego odrzucenia i prawd opodobieństwem błędnej akceptacj i. PROBLEMY KRYMINALISTYKI 75(1) 01
5 O" ''" 0 Ci. DO> o 005 ł prawdopodobieństwo g. o lm błęd n e g o odrzucen ia t a: :- llr prawdopodob ieństwo błędnej akceptacji '" l 3 Ryc. 5. Roz kłady wa rtości logarytm u LR wyznaczonego zgodnie z wyraża n i e m (7) dla wyników 1754 porów na ń pomi ędzy tymi samymi mówcam i ( ro z k ł ad czerwo ny) oraz 5446 porównań pomi ędzy róż nym i mówcami (rozkład zielony) Fig. 5. Distribulions ot log LR scores cetcutstea according to expresston no. 7, red curve repres ents within score variability cafcufated for 1754 comparisons, green curve repres ents between score variability calcu /ated for 5446 comparisons Funkcja taka prezentowana jes t graficzn ie za pomocą charakterystyk DET (Oetection Error Tredeoiti. Charakterystyki te mówi ą o relacji, jaka zachodzi p omięd z y prawdopodo bie ństwe m wy stąp ienia błędn ej akceptacji (P,) i p rawdopodob ieńs twem błędneg o odrzucenia (P,J Dzięki nie liniowo wys kalowanym osio m ro ś n i e rozdzielczość chara kterystyki, co ułatwia porównanie ró żnych krzywych reprezentujących pracę w różnyc h warunkach lub różnych system ów", Oprócz charakterystyk DET do oceny wykorzys tano również w sp ółc zyn nik EER (Equal Error Rate). Jest to punkt na krzywej DET. dla którego wa rtośc i prawdopodob i eń stwa wystąp ienia jednego z dwóch rodzajów b łędów są sobie równe. Rycina 6 przedstawia dwie charakterystyki DET wraz z ich interpret acj ą. Do ba dań wykorzystano bazę składającą się z 44 mówców polskojęzycznych. Jej opis zawarty jest w tabeli. 40 Porównanre sku teczności przypadków: pracy systemu dla dwóch nagranie testowe (dowodowe) o czasie trwania około 30 sekund, nag ranie wzarcane (porównawcze) o czasie trwania około 30 sekund Otrzymano rezultat prawdopodobieństwa błedu EER = - 5.1%. nagrame testowe (dowodowe) o czasie trwania około 5 sekund, nagranie wzorcowe (porównawcze) o czasie trwania około 30 sekund. Otrzymano rezultat prawdopodob ieństwa błędu EER = - 11% Interpretacja: skrócenie czasu trwania nagrania dowodowego o 5 sekund spowodowało pogorszenie pracy systemu 0-6% (z - 5,1 % do - 11%). Pogorszenie skuteczności pracy systemu jest widoczne przez odsuni ęc ie s ię charaktery stki w kierun ku prawego górnego rogu pola wy kresu Prawdopodobienstwo błędne] akceptacji (%) Pfa Ryc. 6. Charakterystyki DET wraz z ich interpretacją. Wyniki uzyskano na podstawie wypow iedzi 44 mówców polskojęzycznych kom un ikuj ący ch si ę za pośrednictwem telefonii GSM Fig. 6. Example ot two DET curves with description. Test base consists ot 44 Polish language speakers communicating with GSM PROBLEMY K RYMłNA listyk I75(1j 01 3
6 Opis bazy mówców wykorzystanej w badaniach Tabela Description ot group ot apeakers used in the study Badanie Opis bazy Liczba i opis wypowiedzi testowych (dowodowych) Liczba i opis wypowiedzi wzorcowych (porównawczych) Wpływ czasu trwania nagrania testowego oraz wpływ czasu trwan ia nagran ia wzorcowego na skuteczność 44 mówców, rejestracja z wykorzystaniem GSM 160 wypowiedzi 170 wypowiedzi (częstotliwość próbkowania (średnio ok. 4 wypowiedzi (średnio ok. 4 wypowiedzi 8000 khz, rozdzielczość od kazdego mówcy) od kazdego mówcy) 16 bit, zapis PGM WAV) Wpływ jakości nagrania 44 mówców, rejestracja z wykorzystaniem GSM z dodaniem szumu białego (częstotliwość próbkowania 8000 khz. rozdzielczość 16 bit, zapis PGM WAV) 160 wypowiedzi 170 wypowiedzi (średnio ok. 4 wypowiedzi (średnio ok. 4 wypowiedzi od każdego mówcy) od każdego mówcy) 44 mówców, wypowiedzi GSM : 160 wypowiedzi GSM : 170 wypowiedz! każdego zarejestrowano ( śred n i o ok. 4 wypowiedzi (średnio ok. 4 wypowiedzi trzema technikami od każdego mówcy). od każdego mówcy). GSM, PSTN oraz w PSTN : 13 wypowiedzi PSTN : 49 wypowiedzi Badanie wpływu warunkach pokojowych (średnio ok. 5 wypowiedzi (średnio ok. 5 wypowiedzi transmisji mik. pojemnościowy od każdego mówcy). od każdego mówcy). (częstotliwość próbkowania Mik. pojemnościowy : Mik. pojemnościowy : Hz, rozdzielczość wypowiedzi (średnio 31 wypowiedzi (średnio bit, zap is bezstratny PCM ok. 8-9 wypowiedzi ok. 8-9 wypowiedzi WAV). od każdego mówcy) od każdego mówcy) W ramach eksperymentu zbadano wpływ czasu trwania, jakości oraz techniki transmisji na skuteczność sys temu. W badaniach wykorzystano nagrania typowe dia kryminalistycznej identyfikacji mówców. W pierwszej kolejności zbadano jak obniży się sku teczność systemu w miarę skracania trwania nagrania testowego (dowodowego). Badania te przeprowadzono dla wypowiedzi zarejestrowanych za pośrednictwem GSM. Wynik przedstawiony jest na rycinie 7. Krzywa czerwona reprezentuje wyniki dla przypadku, w którym nagrania testowe (dowodowe) trwają 30 s, krzywa czarna 10 s, a jasnoniebieska 5 s. Najlepszy rezultat otrzymano dla wypowiedzi testowych (dowodowych) trwających około 30 s, dla których prawdopodobieństwobłędu (EER) wynosi najmniej i jest równe około 5,%. Dla wypowiedzi o czasie trwania 10 s oraz 5 s otrzymano bardzo zbliżone wyniki, prawdopodobieństwo błędu (E ER) równe jest około 11%. W kolejnej serii pomiarowej sprawdzono wpływ czasu trwania nagrania wzorcowego (porównawczego) na skuteczność systemu ARM. Wypowiedzi zarejestrowano za pośrednictwem telefonii GSM. Wyniki tych badań przedstawiono na rycinie 8. Badania przeprowadzono w czterech seriach pomiarowych. We wszystkich przypadkach czas trwania nagrania dowodowego to 30 s. Krzywa czerwona reprezentuje wyniki badań, w których czas trwania nagran ia porównawczego czerwona), dla tego przypadku uzyskano prawdopodobieńwynosi 30 s. Krzywa żółta reprezentuje wyniki dla przypadku, w którym czas trwania nagrania porównawczego wynosi 15 5, krzywa czarna 10 s i krzywa jasnoniebieska 5 s. Wyniki jednoznacznie wskazują, że im dłuższy czas trwania nagrania wzorcowego, tym wyższa skuteczność systemu (krzywe zbliżają się do lewego dolnego rogu wykresu). Najlepszy rezultat uzyskano dla nagrań o czasie trwania 30 s, dla którego prawdopodobieństwobłędu wynosi - 5,%, najgorszy natomiast dla czasu trwania równego 5 s. Dla tego przypadku prawdopodobieństwobłędu wynosi około 38,6%. Kolejne badania dotyczyły skutecznościsystemu w funkcji stopnia zakłóceńnagraniatestowego (dowodowego) oraz nag rania wzorcowego (porównawczego). Zakłócenia symulowano szumem białym. Stopień zakłóceniaopisano za pomocą współczynnika SNR, zdefiniowanego poniżej (8). SNR = 101 (PHMS. Sygnal J db agio p RMS,Szum (8). Wypowiedzi zostały zarejestrowane za pośredn ictwem telefonii GSM. Wyn ik badań przedstawiony jest na rycinie 9. Najlepszy rezultat uzyskano dla sytuacji, w której wy powiedż testową (dowodową) oraz wzorcową (porównawczą) charakteryzuje współczynnik SNR > 0 db (krzywa 4 PROBLEMY KRYMINALISTYKI 75(1) 01
7 Z PRAKTYK I siwo błęd u równe 5,%. W mia rę, gdy maleje SNR, skutecz ność systemu spada. Dla wypowiedzi testowych (dowodowych), dla których SNR = 5 db, sk utecz ność systemu spada do - 0%. Jednak dla wypowiedzi wzorcowych o takim samym SNR sk uteczność spada j u ż do - 4%. Ostatnimelementem zbadanym w ramach niniejszej pracy jest sku teczność systemu zal eżnie od toru elektroakustyc znego. Przeanalizowano wypowiedzi zarejestrowaneza pośrednictwem trzech różnych kanałów: telefonij stacjonarnej PSTN, telefonii komórkowej GSM oraz mikrofonu pojemnościowego - wypowiedzi bezpośrednie zarejestrowane w warunkach pokojowych. Czas trwania porównywanych wypowiedzi wynosi ł o koło 30 s, ws półczynnik SNR > 0 db. W wyniku ba dań uzyskano ws półczynnik EER dla teletonii stacjonarnej (krzywa czerwona) równy około 6,6%, dla telefonii komórkowej 5,% (krzywa niebieska) oraz dla _ tesł"3os, wzóp3qs EER= btst-105, wzo<t30s EER-l0690 tes.-or.-30s EER l ł 0 g, {; o 10 lest= 30s. wzór-:30s EER=5.163 test=30s. wzór-:15s EER= test=30s, wzór=10 s EER= lest=30s. wzór=5s EER= < :o ł 5 l l' t" '.- --* == "'''--J Prawdopodob ienstwo biednej akceptacji (%) 40 Ryc. 7. Ocena pracy systemu ARM dla malejącego czasu trwania nagrania testowego (dowodowego) przy stałym czasie trwania nagrania wzorcowego (porównawczego) Fig. 7. Automatic speaker recognition evajuation in function ot duration ot test utterance and conslant duration ot target unerance RyC. 8. Badanie s ku tecz nośc i pracy systemu ARM dla malejącego czasu trwania nagran ia wzorcowego przy stałym czasie trwania nagrania testowego Fig. 8. Automatic speaker recognition eva/uation in tunction ot duration ot target utterance and constant duration ot test unerance _.. SNR:Ode. WZÓfSNR>Od8 PSTN-PSTN ec EERaS 163.'.0 EER-S 60S _ tnł SNR.l5dB. ""ZÓf SNR,.OdB Mic.MId EER.1 S 40tO EERa43541 GSM-GSM _test SNR-5dB. wzór SNR>OdB EER EER S163 l _$l: SNR"OdB. wzór SNR"'lSdB l.0 EER o te'sł SNR>OdB. 'fiz'óifsnr=5db 0 EERa j i j! "! " l 5 5 i i ł l S 10 0 P '-oopodo n s two biednej akceptacji (%) " P'lIWdopodobienstwo biednej e kceptłlcji (% ) " Ryc. 9. Badanie s ku teczności systemu ARM zależnie od j a k ości nag rań testowego i wzorcowego Fig. 9. Automalie speaker recognition evaluation in tunction ot quality ot target and test utterance RyC. 10. Porównan ie skutecznoś ci systemu ARM dla wypowiedzi przesł a nych różnym i metoda mi transmisji syg nał u mowy Fig. 10. Comparison ot automatic speaker recognition system tor test and targe t utterances transmitted with 3 different methods PROBLEMV KRYMIN ALISTYKI 75(1) 01 5
8 mikrofonu pojemnościowego4,4% (krzywa zielona). Wyn i ki te pokazują, że zbudowany system nie jest uzależniony od techniki rejestracji i transmisji dźw ięku. We wszystkich analizowanych przypadkach rezultat był podobny. analizy porównawczej wypowiedzi mówców obcojęzycznych oraz wypowiedzi zaledwie kilkusekundowych ró ż n iących s ię pod względem leksykalnym. Fundamentalna, ze wzg lędu na ocenę dowodu z opinii b iegłego przez organ procesowy, jest zn a j omoś ć prawdopodobieństwa błędu Wnioski Na podstawie badań stwierdzono: Spadek czasu trwania nagrania dowodowego powoduje spadek skuteczności systemu. Dla wypowiedzi trzydziestosekundowych uzyskano wynik prawdopod obieństwa błędu równy 5,%, dla wypowiedzi ozies ię ciosekundowych 10,7% oraz dla pięciosekundowych 11,6 %. Materiał badawczy zare jestrowano za pośrednictwem telefonii GSM. Spadek czasu trwania nagrania porównawczego powoduje spadek skuteczności systemu. Dla wypowiedzi piętnastosekundowych uzyskano wynik 18,%, dla wypowiedzi dz iesięc iose kundowyc h prawdopodobieństwo błędu wynosi 4,1% i dla wypowiedzi p ięciosekundowych 38,8%. Materiał badawc zy zarejestrowano za pośred nictwem telefonii GSM. Pogorszenie j a k o śc i nagrań powoduje spadek skutec zności systemu. Na podstawie bad ań stwierdzono, że parametr SNR ana lizowanych nag ra ń nie powinien być mniejszy niż 0 db. Materiał badawczy zarejestrowano za pośredn ictwem telefonii GSM. technika rejestracji nie wpływa na skuteczność systemu. Przebadano wypowiedzi zarejestro wane za pośrednictwem telełonii GSM, PSTN oraz bezpośrednio mikrofonu pojemnościowego w warunkach pokojowych. Dla trzech przypadków uzyskano podobny rezultat. W badaniach wykorzystano nagran ia o następujących paramet rach: c z ę s totl i wo ść próbkowania 8 khz (dla nag rań telefonicznych) oraz 44 khz (dla wypowiedzi bezpośredn ic h ), rozdz ie lczość 16 bit, format zap isu PCM WAV. Podsumowanie Praca powyższa koncentruje się na współcześn ie stosowanych metodach w systemach automatycznego rozpoznawan ia mówców oraz na próbie odpowiedzi na pytanie: czy biometryczne systemy tego typu mogą być skutecznym narzędziem w badaniach fonoskopijnych. W pracy, dzięki przeanalizowaniu wpływu różnych, typowych dla spraw kryminalistycznych czynników, potwierdzono wartość diagnostyczną metody' >. Przytoczone wyniki badań pokazuj ą jednoznacznie użyteczność tego typu oprogramowania w kryminalistyce. Wykorzystanie systemów automatycznej identyfikacji mówców, w przeciwieństwie do tradycyjnych metod stosowanych dotychczas w fonoskopii opartych głównie na analizie językowo-audytywnej, ma wiele niewątpliwych zalet, są to m.in. obiektywizacja wyn iku, możliwość metody zastosowanej w badaniach. Ważne jest to równ ież w ko n te k ś c ie normy PN-EN ISO/lEC 1705 :005, która zakład a, że wynik miarodajny to wynik, którego w artość rzeczywista z określonym prawdopodob ieństwem znajduje s i ę w ewnątrz znanego przedziału niepewn ości". Niewątpliwe zalety s p ow o d uj ą, że oprogramowanie tego typu w nieda lekiej przysz łoś ci stanie się ważnym narzędziem wspierającym biegłych fonoskopii p osł ugujących się tradycyjnymi metodam i opartymi na audytywnej ana lizie j ę zy k owej. PRZYP ISY 1 R. Tadeusiew icz, A. Izworski, J. Majewski: Biometria, Wyda wnic two AGH, Kraków 1993, s D, Meuwly: Encyclopedia of forensic sciences, Academic Press 000, s B.G,B, Fauve, D, Matrouf, N, 5chefler, J,F, Bonastre, J.S,O, Mason: State-of-the-art performance in text-i n dependent speaker verification through open-source sottware, "IEEE Transactions on audio, speech and language processing" wrzesień 007, vol. 15, nr 7. 4 C.J.B. Moore: Wprowadzenie do psychologii s łyszenia, PWN, Wars zawa-poznań 1999, s ,B, Davis, p, Mermelstein: Comparison of parametric representations for monosytlabie word recognition in continuously spoken sentences, "IEEE Transacti ons on acous tics, speech and signal processing" 1980, 8 (4), s J, Malczewski: Nauka o j ę z y k u, Wydawnictwo Szkolne i Pedagogiczne, Warszawa 1990, s S. Furui: Cepstral analysis tech nique for automatic speaker verification, "IEEE Transact ions acoustics, spe ech, signal processing" 1981, ASSP-9, s O,A, Reynolds, T,F, Quatieri, R.B, Ounn: Speaker verification using adapted gaussian mixture mode ls,.diqital Signal Processing" 000, nr 1O, s O,A, ReynoJds, R,C, Rose: Robust text -independent speaker identification using gaussian mixture speaker models, "IEEE Transactions on Speech and Audio Proces sing" 1995, nr 3 (1), s C.G.G. Aitken, F. Taroni: Statistics and the evaluation of evidence for forensic scient lsts. John Wiley & Sons, Ltd., Chichester 004, s ; p, Rose: Foren sic speaker identification, Taylor & Francis 00, s J. Gonzales-Rodriguez, A. Drygajlo, O. Ram o s-castro, M, Garcia-Gomar, J. Ortega-Garcia: Robust estimation, interpretation and assessment of likelihood ratlos in terensic speaker recognition,.cornputer Speech and Language" 006, nr 0, s PROBLEMY KRYMINALI STYKI 75(1) 01
9 1A. Martin, G. Doddington, T. Kamm, M. Ordowski, M. Przybocki: The DET curve in assessment of detection task performance, [w:] Proceedings of the 5'" European Conference on Speech Communication and Technology, vol. 4, Rhodes, Greece 1997, s Termin wartości diagnostycznej (identyfikacyjnej) zdefiniowano w literaturze, patrz na przykład: T. Wid/a: Ocena dowodu z opinii biegłego, Prace naukowe Uniwersytetu Śląskiego w Katowicach nr 1309, Uniwersytet Ślą ski, Katowice 199, s PN-EN iso/lec 1705:005, Ogólne wymagania dotyczące kompetencji laboratoriów badawczych i wzorc uj ą c yc h, PKN, Warszawa 005. Streszczenie Automatyczne Rozpoznawanie Mówców (ARM) jest jedną z najszybciej rozwijających się metodbionletrycznych. Wspó łczesj lc systemy, dzięki efektywnemu przetwarzani u sygna łu mowy oraz skutecznym metodom rozpoznawania, If/og ą być wykorzystane UJ wielu dziedzinach, m.in. identyfikacji kryminalistycznej. W pracy opisono krótktj h is torię rozwojuarm, przedstaunono system zgodny ze współczesnym stanem wiedzy w zakresie przetwarzania sygna łu oraz metod rozpoznawania. Opisal/o rów n ież metody oceny pracysystemu. Słowa kluczowe: Au tomatyczne Rozpoznawanie Mówców, GMM, UHM, OET, EER, LR, wartość diagnostyczna metody Summary Automatic Speaker Recognition (ARM) belongs to one oj tue most extensively devcloped biometrie tcchnioues. Tbe highfy effeetive sigi/al proceeeing and recognition methods can be sllcccssfully imptetncntca ill oavious ficlds, such aslorensie science. Tl,is paper describes a brief liistory of ARM deoelopment, etate-oj-the-art signal processing and recognition met!lods, inctuding tedmiq uceoj systems asscssmcut, Keywords: Automat/c Speaker Recognition, GMM, UBM, VET, EER, LR, method'sdiagnoeticoalue PROBLEMY KRYMINALISTYKI 75(1) 01 7
Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, Spis treści
Automatyczne rozpoznawanie mowy - wybrane zagadnienia / Ryszard Makowski. Wrocław, 2011 Spis treści Przedmowa 11 Rozdział 1. WPROWADZENIE 13 1.1. Czym jest automatyczne rozpoznawanie mowy 13 1.2. Poziomy
Bardziej szczegółowoEgzamin / zaliczenie na ocenę*
WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI Zał. nr 4 do ZW 33/01 KARTA PRZEDMIOTU Nazwa w języku polskim CYFROWE PRZETWARZANIE SYGNAŁÓW Nazwa w języku angielskim DIGITAL SIGNAL PROCESSING Kierunek studiów
Bardziej szczegółowoĆwiczenie 3,4. Analiza widmowa sygnałów czasowych: sinus, trójkąt, prostokąt, szum biały i szum różowy
Ćwiczenie 3,4. Analiza widmowa sygnałów czasowych: sinus, trójkąt, prostokąt, szum biały i szum różowy Grupa: wtorek 18:3 Tomasz Niedziela I. CZĘŚĆ ĆWICZENIA 1. Cel i przebieg ćwiczenia. Celem ćwiczenia
Bardziej szczegółowoROZPOZNAWANIE GRANIC SŁOWA W SYSTEMIE AUTOMATYCZNEGO ROZPOZNAWANIA IZOLOWANYCH SŁÓW
ROZPOZNAWANIE GRANIC SŁOWA W SYSTEMIE AUTOMATYCZNEGO ROZPOZNAWANIA IZOLOWANYCH SŁÓW Maciej Piasecki, Szymon Zyśko Wydziałowy Zakład Informatyki Politechnika Wrocławska Wybrzeże Stanisława Wyspiańskiego
Bardziej szczegółowoPomiary w technice studyjnej. TESTY PESQ i PEAQ
Pomiary w technice studyjnej TESTY PESQ i PEAQ Wprowadzenie Problem: ocena jakości sygnału dźwiękowego. Metody obiektywne - np. pomiar SNR czy THD+N - nie dają pełnych informacji o jakości sygnału. Ważne
Bardziej szczegółowoPRACA DYPLOMOWA INŻYNIERSKA
AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE Wydział Informatyki, Elektroniki i Telekomunikacji Katedra Elektroniki PRACA DYPLOMOWA INŻYNIERSKA Temat: Adaptacyjny system redukcji szumu
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoLABORATORIUM PODSTAW TELEKOMUNIKACJI
WOJSKOWA AKADEMIA TECHNICZNA im. Jarosława Dąbrowskiego w Warszawie Wydział Elektroniki LABORATORIUM PODSTAW TELEKOMUNIKACJI Grupa Podgrupa Data wykonania ćwiczenia Ćwiczenie prowadził... Skład podgrupy:
Bardziej szczegółowoRozwiązywanie umów o pracę
Ryszard Sadlik Rozwiązywanie umów o pracę instruktaż, wzory, przykłady Ośrodek Doradztwa i Doskonalenia Kadr Sp. z o.o. Gdańsk 2012 Wstęp...7 Rozdział I Wy po wie dze nie umo wy o pra cę za war tej na
Bardziej szczegółowoPrzekształcenia sygnałów losowych w układach
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Sygnały i kodowanie Przekształcenia sygnałów losowych w układach Warszawa 010r. 1. Cel ćwiczenia: Ocena wpływu charakterystyk
Bardziej szczegółowoPOMIARY WYBRANYCH PARAMETRÓW TORU FONICZNEGO W PROCESORACH AUDIO
Politechnika Rzeszowska Katedra Metrologii i Systemów Diagnostycznych Laboratorium Elektroniczne przyrządy i techniki pomiarowe POMIARY WYBRANYCH PARAMETRÓW TORU FONICZNEGO W PROCESORACH AUDIO Grupa Nr
Bardziej szczegółowoGdyńskim Ośrodkiem Sportu i Rekreacji jednostka budżetowa
Z a ł» c z n i k n r 5 d o S p e c y f i k a c j i I s t o t n y c h W a r u n k Zó aw m ó w i e n i a Z n a k s p r a w y G O S I R D Z P I 2 7 1 0 1 1 2 0 14 W Z Ó R U M O W Y z a w a r t a w Gd y n
Bardziej szczegółowo, , , , 0
S T E R O W N I K G R E E N M I L L A Q U A S Y S T E M 2 4 V 4 S E K C J I G B 6 9 6 4 C, 8 S E K C J I G B 6 9 6 8 C I n s t r u k c j a i n s t a l a c j i i o b s ł u g i P r z e d r o z p o c z ę
Bardziej szczegółowoTransformata Fouriera
Transformata Fouriera Program wykładu 1. Wprowadzenie teoretyczne 2. Algorytm FFT 3. Zastosowanie analizy Fouriera 4. Przykłady programów Wprowadzenie teoretyczne Zespolona transformata Fouriera Jeżeli
Bardziej szczegółowoPopulacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część
Populacja generalna (zbiorowość generalna) zbiór obejmujący wszystkie elementy będące przedmiotem badań Próba (podzbiór zbiorowości generalnej) część populacji, którą podaje się badaniu statystycznemu
Bardziej szczegółowoAutomatyczne rozpoznawanie mowy. Autor: mgr inż. Piotr Bratoszewski
Automatyczne rozpoznawanie mowy Autor: mgr inż. Piotr Bratoszewski Rys historyczny 1930-1950 pierwsze systemy Automatycznego rozpoznawania mowy (ang. Automatic Speech Recognition ASR), metody holistyczne;
Bardziej szczegółowoWYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU
Zał. nr do ZW WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU Nazwa w języku polskim Analiza sygnałów Nazwa w języku angielskim Signal analysis Kierunek studiów (jeśli dotyczy): Matematyka stosowana
Bardziej szczegółowoOmówienie różnych metod rozpoznawania mowy
Omówienie różnych metod rozpoznawania mowy Na podstawie artykułu: Comparative study of automatic speech recognition techniques Beniamin Sawicki Wydział Inżynierii Mechanicznej i Robotyki Inżynieria Akustyczna
Bardziej szczegółowoAnaliza szeregów czasowych: 2. Splot. Widmo mocy.
Analiza szeregów czasowych: 2. Splot. Widmo mocy. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2007/08 Splot Jedna z najważniejszych własności transformaty Fouriera jest to, że transformata
Bardziej szczegółowoAKUSTYKA MOWY. Podstawy rozpoznawania mowy część I
AKUSTYKA MOWY Podstawy rozpoznawania mowy część I PLAN WYKŁADU Część I Podstawowe pojęcia z dziedziny rozpoznawania mowy Algorytmy, parametry i podejścia do rozpoznawania mowy Przykłady istniejących bibliotek
Bardziej szczegółowoĆwiczenie 3++ Spektrometria promieniowania gamma z licznikiem półprzewodnikowym Ge(Li) kalibracja energetyczna i wydajnościowa
Ćwiczenie 3++ Spektrometria promieniowania gamma z licznikiem półprzewodnikowym Ge(Li) kalibracja energetyczna i wydajnościowa Cel ćwiczenia Celem ćwiczenia jest zapoznanie się - z metodyką pomiaru aktywności
Bardziej szczegółowoWYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI
WYZNACZANIE NIEPEWNOŚCI POMIARU METODAMI SYMULACYJNYMI Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskiego 8, 04-703 Warszawa tel. (0)
Bardziej szczegółowoANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU
ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU i klasyfikacja sygnału audio dr inż. Jacek Naruniec Sygnał mowy mózg (układ sterujący) głośnia (źródło dźwięku) rezonator akustyczny (filtr) sygnał mowy 2 Sygnał mowy
Bardziej szczegółowoKwantowanie sygnałów analogowych na przykładzie sygnału mowy
Kwantowanie sygnałów analogowych na przykładzie sygnału mowy Treść wykładu: Sygnał mowy i jego właściwości Kwantowanie skalarne: kwantyzator równomierny, nierównomierny, adaptacyjny Zastosowanie w koderze
Bardziej szczegółowoZjawisko aliasingu. Filtr antyaliasingowy. Przecieki widma - okna czasowe.
Katedra Mechaniki i Podstaw Konstrukcji Maszyn POLITECHNIKA OPOLSKA Komputerowe wspomaganie eksperymentu Zjawisko aliasingu.. Przecieki widma - okna czasowe. dr inż. Roland PAWLICZEK Zjawisko aliasingu
Bardziej szczegółowoGdyńskim Ośrodkiem Sportu i Rekreacji jednostka budżetowa
W Z Ó R U M O W Y z a w a r t a w G d y n i w d n i u 2 0 1 4 r po m i d z y G d y s k i m O r o d k i e m S p o r t u i R e k r e a c j i j e d n o s t k a b u d e t o w a ( 8 1-5 3 8 G d y n i a ), l
Bardziej szczegółowoS.A RAPORT ROCZNY Za 2013 rok
O P E R A T O R T E L E K O M U N I K A C Y J N Y R A P O R T R O C Z N Y Z A 2 0 1 3 R O K Y u r e c o S. A. z s i e d z i b t w O l e ~ n i c y O l e ~ n i c a, 6 m a j a 2 0 14 r. S p i s t r e ~ c
Bardziej szczegółowoKompresja dźwięku w standardzie MPEG-1
mgr inż. Grzegorz Kraszewski SYSTEMY MULTIMEDIALNE wykład 7, strona 1. Kompresja dźwięku w standardzie MPEG-1 Ogólne założenia kompresji stratnej Zjawisko maskowania psychoakustycznego Schemat blokowy
Bardziej szczegółowoAnaliza szeregów czasowych: 2. Splot. Widmo mocy.
Analiza szeregów czasowych: 2. Splot. Widmo mocy. P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ semestr letni 2006/07 Splot Jedna z najważniejszych własności transformaty Fouriera jest to, że transformata
Bardziej szczegółowoSYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY. Autorzy: M. Lewicka, K. Stańczyk
SYSTEM BIOMETRYCZNY IDENTYFIKUJĄCY OSOBY NA PODSTAWIE CECH OSOBNICZYCH TWARZY Autorzy: M. Lewicka, K. Stańczyk Kraków 2008 Cel pracy projekt i implementacja systemu rozpoznawania twarzy, który na podstawie
Bardziej szczegółowoW2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne.
W2. Zmienne losowe i ich rozkłady. Wnioskowanie statystyczne. dr hab. Jerzy Nakielski Katedra Biofizyki i Morfogenezy Roślin Plan wykładu: 1. Etapy wnioskowania statystycznego 2. Hipotezy statystyczne,
Bardziej szczegółowoLABORATORIUM POMIARY W AKUSTYCE. ĆWICZENIE NR 4 Pomiar współczynników pochłaniania i odbicia dźwięku oraz impedancji akustycznej metodą fali stojącej
LABORATORIUM POMIARY W AKUSTYCE ĆWICZENIE NR 4 Pomiar współczynników pochłaniania i odbicia dźwięku oraz impedancji akustycznej metodą fali stojącej 1. Cel ćwiczenia Celem ćwiczenia jest poznanie metody
Bardziej szczegółowoMetoda weryfikacji mówcy na podstawie nieuzgodnionej wypowiedzi
BIULETYN INSTYTUTU AUTOMATYKI I ROBOTYKI NR, 005 Metoda weryfikacji mówcy na podstawie nieuzgodnionej wypowiedzi Leszek GRAD Zakład Automatyki, Instytut Teleinformatyki i Automatyki WAT, ul. Kaliskiego,
Bardziej szczegółowoZastosowanie automatycznego rozpoznawania mówców w kryminalistyce
III. TECHNIKA, TECHNOLOGIA I BEZPIECZEŃSTWO INFORMATYCZNE 133 Waldemar Maciejko Zastosowanie automatycznego rozpoznawania mówców w kryminalistyce Wprowadzenie Rozpoznawanie przez człowieka znanych mu osób
Bardziej szczegółowoWSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno
WSTĘP DO REGRESJI LOGISTYCZNEJ Dr Wioleta Drobik-Czwarno REGRESJA LOGISTYCZNA Zmienna zależna jest zmienną dychotomiczną (dwustanową) przyjmuje dwie wartości, najczęściej 0 i 1 Zmienną zależną może być:
Bardziej szczegółowoWidmo akustyczne radia DAB i FM, porównanie okien czasowych Leszek Gorzelnik
Widmo akustycznych sygnałów dla radia DAB i FM Pomiary widma z wykorzystaniem szybkiej transformacji Fouriera FFT sygnału mierzonego w dziedzinie czasu wykonywane są w skończonym czasie. Inaczej mówiąc
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoWykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.
Wykład 9. Terminologia i jej znaczenie. Cenzurowanie wyników pomiarów.. KEITHLEY. Practical Solutions for Accurate. Test & Measurement. Training materials, www.keithley.com;. Janusz Piotrowski: Procedury
Bardziej szczegółowoRozpoznawanie mówcy i emocji
Katedra Elektroniki, Zespół Przetwarzania Sygnałów www.dsp.agh.edu.pl http://rozpoznawaniemowy.blogspot.com/ Rozpoznawanie mówcy i emocji Bartosz Ziółko Wykorzystano materiały Davida Sierry, Wojciecha
Bardziej szczegółowoTestowanie hipotez statystycznych
9 października 2008 ...czyli definicje na rozgrzewkę n-elementowa próba losowa - wektor n zmiennych losowych (X 1,..., X n ); intuicyjnie: wynik n eksperymentów realizacja próby (X 1,..., X n ) w ω Ω :
Bardziej szczegółowoOpakowania na materiały niebezpieczne
Założyciel firmy Georg Utz 1916 1988 Opakowania na materiały 208 GGVS Opakowania na materiały 209 Opakowania na materiały Cer ty fi ko wa ne po jem ni ki Utz jest pro du cen tem sze ro kiej ga my opa ko
Bardziej szczegółowo2 Ocena celu badań i sformułowanej tezy naukowej
Prof. dr hab. inż. Adam Dąbrowski Politechnika Poznańska Wydział Informatyki Katedra Sterowania i Inżynierii Systemów Pracownia Układów Elektronicznych i Przetwarzania Sygnałów Poznań, 23.05.2016 r. OCENA
Bardziej szczegółowoPodstawy Przetwarzania Sygnałów
Adam Szulc 188250 grupa: pon TN 17:05 Podstawy Przetwarzania Sygnałów Sprawozdanie 6: Filtracja sygnałów. Filtry FIT o skończonej odpowiedzi impulsowej. 1. Cel ćwiczenia. 1) Przeprowadzenie filtracji trzech
Bardziej szczegółowodr inż. Jacek Naruniec
dr inż. Jacek Naruniec Przetwarzanie wstępne Wyznaczenie obszarów zainteresowania Ekstrakcja cech - dźwięk Klasyfikacja detekcja mowy okno analizy spektrogram filtr preemfazy wokodery (formantów, kanałowe,
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium JAVA Zadanie nr 2 Rozpoznawanie liter autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z problemem klasyfikacji
Bardziej szczegółowoWYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO
Zał. nr 4 do ZW WYDZIAŁ BUDOWNICTWA LĄDOWEGO I WODNEGO KARTA PRZEDMIOTU Nazwa w języku polskim STATYSTYKA STOSOWANA Nazwa w języku angielskim APPLIED STATISTICS Kierunek studiów (jeśli dotyczy): Specjalność
Bardziej szczegółowoMetody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia. Mgr inż.
Metody kodowania wybranych cech biometrycznych na przykładzie wzoru naczyń krwionośnych dłoni i przedramienia Mgr inż. Dorota Smorawa Plan prezentacji 1. Wprowadzenie do zagadnienia 2. Opis urządzeń badawczych
Bardziej szczegółowoKARTA MODUŁU / KARTA PRZEDMIOTU
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu Nazwa modułu Nazwa modułu w języku angielskim Cyfrowe przetwarzanie sygnałów pomiarowych_e2s
Bardziej szczegółowoParafia Rokitnica. Kalendarz
Parafia Rokitnica Kalendarz 2012 KOŚCIÓŁ PARAFIALNY P.W. NAJŚW. SERCA PANA JEZUSA W ZABRZU ROKITNICY Wj eż d ż a ją c d o Ro k i t n i c y, z w ł a s z c z a d r o g a m i o d s t r o n y Mi e ch o w i
Bardziej szczegółowoTeoria błędów. Wszystkie wartości wielkości fizycznych obarczone są pewnym błędem.
Teoria błędów Wskutek niedoskonałości przyrządów, jak również niedoskonałości organów zmysłów wszystkie pomiary są dokonywane z określonym stopniem dokładności. Nie otrzymujemy prawidłowych wartości mierzonej
Bardziej szczegółowoTWORZENIE MODELU AKUSTYCZNEGO NA POTRZEBY WERYFIKACJI MÓWCY PRZY UŻYCIU UKRYTYCH MODELI MARKOWA
MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 40, s. 249-256, Gliwice 2010 TWORZENIE MODELU AKUSTYCZNEGO NA POTRZEBY WERYFIKACJI MÓWCY PRZY UŻYCIU UKRYTYCH MODELI MARKOWA IWONA WANAT MAREK IWANIEC Katedra Automatyzacji
Bardziej szczegółowoMonitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji
Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji Analiza składników podstawowych - wprowadzenie (Principal Components Analysis
Bardziej szczegółowoANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH
Małgorzata Szerszunowicz Uniwersytet Ekonomiczny w Katowicach ANALIZA ZDOLNOŚCI PROCESU O ZALEŻNYCH CHARAKTERYSTYKACH Wprowadzenie Statystyczna kontrola jakości ma na celu doskonalenie procesu produkcyjnego
Bardziej szczegółowo2 7k 0 5k 2 0 1 5 S 1 0 0 P a s t w a c z ł o n k o w s k i e - Z a m ó w i e n i e p u b l i c z n e n a u s ł u g- i O g ł o s z e n i e o z a m ó w i e n i u - P r o c e d u r a o t w a r t a P o l
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoWYMAGANIA WSTĘPNE W ZAKRESIE WIEDZY, UMIEJĘTNOŚCI I INNYCH KOMPETENCJI
WYDZIAŁ GEOINŻYNIERII, GÓRNICTWA I GEOLOGII KARTA PRZEDMIOTU Nazwa w języku polskim: Statystyka matematyczna Nazwa w języku angielskim: Mathematical Statistics Kierunek studiów (jeśli dotyczy): Górnictwo
Bardziej szczegółowo8. Analiza widmowa metodą szybkiej transformaty Fouriera (FFT)
8. Analiza widmowa metodą szybkiej transformaty Fouriera (FFT) Ćwiczenie polega na wykonaniu analizy widmowej zadanych sygnałów metodą FFT, a następnie określeniu amplitud i częstotliwości głównych składowych
Bardziej szczegółowoAnaliza obrazów - sprawozdanie nr 2
Analiza obrazów - sprawozdanie nr 2 Filtracja obrazów Filtracja obrazu polega na obliczeniu wartości każdego z punktów obrazu na podstawie punktów z jego otoczenia. Każdy sąsiedni piksel ma wagę, która
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Informatyka Rodzaj przedmiotu: moduł specjalności obowiązkowy: Sieci komputerowe Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE
Bardziej szczegółowoSystemy multimedialne. Instrukcja 5 Edytor audio Audacity
Systemy multimedialne Instrukcja 5 Edytor audio Audacity Do sprawozdania w formacie pdf należy dołączyc pliki dźwiękowe tylko z podpunktu 17. Sprawdzić poprawność podłączenia słuchawek oraz mikrofonu (Start->Programy->Akcesoria->Rozrywka->Rejestrator
Bardziej szczegółowoCzęść I. Pomiar drgań własnych pomieszczenia
LABORATORIUM INśYNIERII DŹWIĘKU 2 ĆWICZENIE NR 10 Część I. Pomiar drgań własnych pomieszczenia I. Układ pomiarowy II. Zadania do wykonania 1. Obliczyć promień krytyczny pomieszczenia, przy załoŝeniu, Ŝe
Bardziej szczegółowoP R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H
W O J S K O W A A K A D E M I A T E C H N I C Z N A W Y D Z I A Ł E L E K T R O N I K I Drukować dwustronnie P R Z E T W A R Z A N I E S Y G N A Ł Ó W B I O M E T R Y C Z N Y C H Grupa... Data wykonania
Bardziej szczegółowoProjekt badawczy. Zastosowania technologii dynamicznego podpisu biometrycznego
Projekt badawczy Zastosowania technologii dynamicznego podpisu biometrycznego Multimodalny biometryczny system weryfikacji tożsamości klienta bankowego Warszawa, 27.10.2016 r. Projekt finansowany przez
Bardziej szczegółowoElektroniczne przyrządy pomiarowe Kod przedmiotu
Elektroniczne przyrządy pomiarowe - opis przedmiotu Informacje ogólne Nazwa przedmiotu Elektroniczne przyrządy pomiarowe Kod przedmiotu 06.5-WE-EP-EPP Wydział Kierunek Wydział Informatyki, Elektrotechniki
Bardziej szczegółowoSystemy i Sieci Telekomunikacyjne laboratorium. Modulacja amplitudy
Systemy i Sieci Telekomunikacyjne laboratorium Modulacja amplitudy 1. Cel ćwiczenia: Celem części podstawowej ćwiczenia jest zbudowanie w środowisku GnuRadio kompletnego, funkcjonalnego odbiornika AM.
Bardziej szczegółowo58. Otwarte Seminarium z Akustyki, OSA '11, Gdańsk-Jurata, September 2011
109 ROZPOZNAWANIE MÓWCY W SYSTEMACH Z KODOWANIEM MOWY STEFAN BRACHMAŃSKI Politechnika Wrocławska, Instytut Telekomunikacji, Teleinformatyki i Akustyki Wybrzeże Wyspiańskiego 27, 50-370 Wrocław Stefan.brachmanski@pwr.wroc.pl
Bardziej szczegółowoTemat ćwiczenia. Wyznaczanie mocy akustycznej
POLITECHNIKA ŚLĄSKA W YDZIAŁ TRANSPORTU Temat ćwiczenia Wyznaczanie mocy akustycznej Cel ćwiczenia Pomiary poziomu natęŝenia dźwięku źródła hałasu. Wyznaczanie mocy akustycznej źródła hałasu. Wyznaczanie
Bardziej szczegółowoRPMP /17
Ustalenie wartości szacunkowej zamówienia RFI/01/10/2018 Nazwa Projektu: Opracowanie i wdrożenie strategii działalności międzynarodowej przedsiębiorstwa w zakresie rozwoju eksportu na rynkach zagranicznych.
Bardziej szczegółowoPodstawowe działania w rachunku macierzowym
Podstawowe działania w rachunku macierzowym Marcin Detka Katedra Informatyki Stosowanej Kielce, Wrzesień 2004 1 MACIERZE 1 1 Macierze Macierz prostokątną A o wymiarach m n (m wierszy w n kolumnach) definiujemy:
Bardziej szczegółowoDYSKRETNA TRANSFORMACJA FOURIERA
Laboratorium Teorii Sygnałów - DFT 1 DYSKRETNA TRANSFORMACJA FOURIERA Cel ćwiczenia Celem ćwiczenia jest przeprowadzenie analizy widmowej sygnałów okresowych za pomocą szybkiego przekształcenie Fouriera
Bardziej szczegółowoĆwiczenie - 1 OBSŁUGA GENERATORA I OSCYLOSKOPU. WYZNACZANIE CHARAKTERYSTYKI AMPLITUDOWEJ I FAZOWEJ NA PRZYKŁADZIE FILTRU RC.
Ćwiczenie - 1 OBSŁUGA GENERATORA I OSCYLOSKOPU. WYZNACZANIE CHARAKTERYSTYKI AMPLITUDOWEJ I FAZOWEJ NA PRZYKŁADZIE FILTRU RC. Spis treści 1 Cel ćwiczenia 2 2 Podstawy teoretyczne 2 2.1 Charakterystyki częstotliwościowe..........................
Bardziej szczegółowoAnaliza sygnałów biologicznych
Analiza sygnałów biologicznych Paweł Strumiłło Zakład Elektroniki Medycznej Instytut Elektroniki PŁ Co to jest sygnał? Funkcja czasu x(t) przenosząca informację o stanie lub działaniu układu (systemu),
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoTranspozer czasowy mowy
Transpozer czasowy mowy Politechnika Gdańska ul. Narutowicza 11/12 80-233 Gdańsk www.pg.gda.pl 1. Wprowadzenie Transpozer czasowy mowy został opracowany w celu wspierania rozumienia mowy przez osoby z
Bardziej szczegółowoImię i nazwisko (e mail) Grupa:
Wydział: EAIiE Kierunek: Imię i nazwisko (e mail) Rok: Grupa: Zespół: Data wykonania: LABORATORIUM METROLOGII Ćw. 12: Przetworniki analogowo cyfrowe i cyfrowo analogowe budowa i zastosowanie. Ocena: Podpis
Bardziej szczegółowoLiturgia eucharystyczna. Modlitwa nad darami œ
Msza święta Liturgia eucharystyczna K. Pa - nie, nasz Bo - że, niech ta O - fia - ra, któ - rą skła - da - my...... Przez Chry - stu - sa, Pa - na na - sze - go. Modlitwa nad darami... Któ - ry ży - e
Bardziej szczegółowoANALIZA JAKOŚCIOWA I ILOŚCIOWA TESTÓW SZKOLNYCH MATERIAŁ SZKOLENIOWY
ANALIZA JAKOŚCIOWA I ILOŚCIOWA TESTÓW SZKOLNYCH MATERIAŁ SZKOLENIOWY Instrukcja przeprowadzania analiz badań edukacyjnych i sporządzania raportów po badaniach. Cele prowadzenia analiz jakościowych i ilościowych
Bardziej szczegółowoPrzetwarzanie sygnałów biomedycznych
Przetwarzanie sygnałów biomedycznych dr hab. inż. Krzysztof Kałużyński, prof. PW Człowiek- najlepsza inwestycja Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego
Bardziej szczegółowoRozdział 1. Nazwa i adres Zamawiającego Rozdział 2. Informacja o trybie i stosowaniu przepisów Rozdział 3. Przedmiot zamówienia
Z n a k s p r a w y G O S I R D Z P I 2 7 1 0 1 0 2 0 1 4 S P E C Y F I K A C J A I S T O T N Y C H W A R U N K Ó W Z A M Ó W I E N I A f S p r z» t a n i e i u t r z y m a n i e c z y s t o c i g d y
Bardziej szczegółowoP o l s k a j a k o k r a j a t a k ż e m y P o l a c y s t o i m y p r d s n s ą j a k i e j n i g d y n i e m i e l i ś m y i p e w n i e n i g d y m i e ć n i e b ę d e m y J a k o n o w i c o n k o
Bardziej szczegółowoKontekstowe wskaźniki efektywności nauczania - warsztaty
Kontekstowe wskaźniki efektywności nauczania - warsztaty Przygotowała: Aleksandra Jasińska (a.jasinska@ibe.edu.pl) wykorzystując materiały Zespołu EWD Czy dobrze uczymy? Metody oceny efektywności nauczania
Bardziej szczegółowo9 6 6 0, 4 m 2 ), S t r o n a 1 z 1 1
O p i s p r z e d m i o t u z a m ó w i e n i a - z a k r e s c z y n n o c i f U s ł u g i s p r z» t a n i a o b i e k t ó w G d y s k i e g o O r o d k a S p o r t u i R e ks r e a c j i I S t a d i
Bardziej szczegółowoMETODY STATYSTYCZNE W BIOLOGII
METODY STATYSTYCZNE W BIOLOGII 1. Wykład wstępny 2. Populacje i próby danych 3. Testowanie hipotez i estymacja parametrów 4. Planowanie eksperymentów biologicznych 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoROZPOZNAWANIE SYGNAŁÓW FONICZNYCH
Przetwarzanie dźwięków i obrazów ROZPOZNAWANIE SYGNAŁÓW FONICZNYCH mgr inż. Kuba Łopatka, p. 628 klopatka@sound.eti.pg.gda.pl Plan wykładu 1. Wprowadzenie 2. Zasada rozpoznawania sygnałów 3. Parametryzacja
Bardziej szczegółowoprzekrój prostokàtny
Szcze gól ne miej sce w wen ty la cji me cha nicz nej znaj du je wen ty - la cja o prze kro ju pro sto kąt nym. Co raz czę ściej sto so wa na i co raz czę ściej po szu ki wa na przez wy ko naw ców. Naj
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA WYKŁAD 4. WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X.
STATYSTYKA MATEMATYCZNA WYKŁAD 4 WERYFIKACJA HIPOTEZ PARAMETRYCZNYCH X - cecha populacji, θ parametr rozkładu cechy X. Wysuwamy hipotezy: zerową (podstawową H ( θ = θ i alternatywną H, która ma jedną z
Bardziej szczegółowo4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych...
Spis treści 1 Wstęp 11 1.1 Do kogo adresowana jest ta książka... 12 1.2 Historia badań nad mową i językiem... 12 1.3 Obecne główne trendy badań... 16 1.4 Opis zawartości rozdziałów... 18 2 Wyzwania i możliwe
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych. Wykład tutora na bazie wykładu prof. Marka Stankiewicza
Podstawy opracowania wyników pomiarów z elementami analizy niepewności pomiarowych Wykład tutora na bazie wykładu prof. Marka Stankiewicza Po co zajęcia w I Pracowni Fizycznej? 1. Obserwacja zjawisk i
Bardziej szczegółowoSCENARIUSZ LEKCJI. TEMAT LEKCJI: Zastosowanie średnich w statystyce i matematyce. Podstawowe pojęcia statystyczne. Streszczenie.
SCENARIUSZ LEKCJI OPRACOWANY W RAMACH PROJEKTU: INFORMATYKA MÓJ SPOSÓB NA POZNANIE I OPISANIE ŚWIATA. PROGRAM NAUCZANIA INFORMATYKI Z ELEMENTAMI PRZEDMIOTÓW MATEMATYCZNO-PRZYRODNICZYCH Autorzy scenariusza:
Bardziej szczegółowo10. Redukcja wymiaru - metoda PCA
Algorytmy rozpoznawania obrazów 10. Redukcja wymiaru - metoda PCA dr inż. Urszula Libal Politechnika Wrocławska 2015 1 1. PCA Analiza składowych głównych: w skrócie nazywana PCA (od ang. Principle Component
Bardziej szczegółowoĆwiczenie 3. Właściwości przekształcenia Fouriera
Politechnika Wrocławska Wydział Elektroniki Mikrosystemów i Fotoniki Przetwarzanie sygnałów laboratorium ETD5067L Ćwiczenie 3. Właściwości przekształcenia Fouriera 1. Podstawowe właściwości przekształcenia
Bardziej szczegółowoPRAWA ZACHOWANIA. Podstawowe terminy. Cia a tworz ce uk ad mechaniczny oddzia ywuj mi dzy sob i z cia ami nie nale cymi do uk adu za pomoc
PRAWA ZACHOWANIA Podstawowe terminy Cia a tworz ce uk ad mechaniczny oddzia ywuj mi dzy sob i z cia ami nie nale cymi do uk adu za pomoc a) si wewn trznych - si dzia aj cych na dane cia o ze strony innych
Bardziej szczegółowo8 6 / m S t a n d a r d w y m a g a ń e g z a m i n m i s t r z o w s k i dla zawodu E L E K T R Y K K o d z k l a s y f i k a c j i z a w o d ó w i s p e c j a l n o ś c i d l a p o t r z e b r y n k
Bardziej szczegółowoLaboratorium Przetwarzania Sygnałów
PTS - laboratorium Laboratorium Przetwarzania Sygnałów Ćwiczenie 4 Transformacja falkowa Opracował: - prof. dr hab. inż. Krzysztof Kałużyński Zakład Inżynierii Biomedycznej Instytut Metrologii i Inżynierii
Bardziej szczegółowoLABORATORIUM Z FIZYKI
LABORATORIUM Z FIZYKI LABORATORIUM Z FIZYKI I PRACOWNIA FIZYCZNA C w Gliwicach Gliwice, ul. Konarskiego 22, pokoje 52-54 Regulamin pracowni i organizacja zajęć Sprawozdanie (strona tytułowa, karta pomiarowa)
Bardziej szczegółowoAnaliza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Bardziej szczegółowo1 8 / m S t a n d a r d w y m a g a ń e g z a m i n m i s t r z o w s k i dla zawodu M E C H A N I K - O P E R A T O R P O J A Z D Ó W I M A S Z Y N R O L N I C Z Y C H K o d z k l a s y f i k a c j i
Bardziej szczegółowo1 0 2 / m S t a n d a r d w y m a g a ñ - e g z a m i n m i s t r z o w s k i dla zawodu R A D I E S T E T A Kod z klasyfikacji zawodów i sp e cjaln o ci dla p ot r ze b r yn ku p r acy Kod z klasyfikacji
Bardziej szczegółowoTechnologia i Zastosowania Satelitarnych Systemów Lokalizacyjnych GPS, GLONASS, GALILEO Szkolenie połączone z praktycznymi demonstracjami i zajęciami na terenie polig onu g eodezyjneg o przeznaczone dla
Bardziej szczegółowo