ZAAWANSOWANE ZAGADNIENIA ELEKTRONIKI
|
|
- Mariusz Zieliński
- 8 lat temu
- Przeglądów:
Transkrypt
1 ZAAWANSOWANE ZAGADNIENIA ELEKTRONIKI Rozpoznawanie mówców, fonoskopia dr inż. Stefan Brachmański pok.505 C-5
2 Etapy rozpoznawanie mówcy Identyfikacja Weryfikacja Autentyzacja
3 Weryfikacja W trakcie weryfikacji jest podejmowana decyzja, czy badana wypowiedź należy do mówcy o deklarowanej tożsamości. Kryterium podjęcia decyzji to miara podobieństwa wypowiedzi do modelu mówcy o deklarowanej tożsamości, zarejestrowanego w systemie. Wynikiem tego procesu jest akceptacja bądź odrzucenie przez system deklarowanej przez użytkownika tożsamości. W przypadku dużego podobieństwa pomiędzy modelem mówcy a badanym głosem zostaje podjęta decyzja o akceptacji i system uznając, że badana osoba jest tym, za kogo się podaje umożliwia jej dostęp do miejsc zastrzeżonych dla zarejestrowanych użytkowników.
4 Identyfikacja W procesie identyfikacji tożsamość nie jest wstępnie deklarowana, a mówca, którego głos podlega badaniu, może być już uprzednio zarejestrowany w systemie bądź jest kimś zupełnie nieznanym dla systemu rozpoznającego. Podczas identyfikacji w zbiorze zamkniętym zakłada się, iż dostęp do systemu mają wyłącznie osoby, których modele głosów zostały wcześniej stworzone w systemie. System rozpoznający podejmuje wówczas decyzję typu 1 z N, gdzie N stanowi liczbę zarejestrowanych użytkowników. Gdy założenie to nie jest prawdą, następuje identyfikacja w zbiorze otwartym. Wtedy dodatkowo należy rozważyć, czy podobieństwo cech wypowiedzi nieznanego mówcy do cech jednego z modeli mówców zarejestrowanych w systemie jest na tyle duże, że można podjąć decyzję o zidentyfikowaniu osoby czy też uznać wypowiedź jako nie należącą do żadnego z mówców zarejestrowanych w systemie. W drugiej z opisanych sytuacji system może podjąć decyzję o odrzuceniu mówcy bądź też jego zarejestrowaniu.
5 Autentyzacja Ostatnią z procedur realizowanych przez systemy rozpoznawania mówców jest autentyzacja. Polega ona na ustaleniu, czy wypowiedź należy do jednego z mówców wcześniej zarejestrowanych w systemie czy też nie. Systemy rozpoznawania mówców są dzielone na zależne od tekstu (text dependent) oraz niezależne od tekstu (text independent). Zależność od tekstu oznacza, iż w trakcie próby rozpoznania system wymaga, aby osoba rozpoznawana wypowiedziała słowo lub słowa, które znalazły się w sekwencji uczącej, wykorzystywanej do stworzenia modelu mówcy. Jeżeli natomiast w wypowiedzi, na podstawie której osoba jest identyfikowana, mogą znaleźć się dowolne słowa, to mówimy o systemach niezależnych od tekstu.
6 Ogólna struktura systemów rozpoznawania mówców W każdym systemie rozpoznawania mówców można wyróżnić kilka głównych elementów składowych. Sygnał akustyczny, po spróbkowaniu i podziale na segmenty (ramki) o długości do kilkudziesięciu milisekund, jest poddawany operacjom matematycznym, mającym na celu ekstrakcję parametrów (feature extraction), które w możliwie największym stopniu przenoszą informację osobniczą, identyfikującą mówcę. Mała liczba parametrów: szybciej wykonywane obliczenia pogorszenie własności systemu Duża liczba parametrów: rośnie liczba niezbędnych obliczeń, a tym samym czas ich wykonania wzrasta lecz nie w sposób znaczący efektywności rozpoznawania
7 Parametry ekstrahowane z sygnału mowy powinny w możliwie jak największym stopniu przenosić informacje charakterystyczne dla mówcy. Dobór ich właściwego zestawu jest jednym z najpoważniejszych zadań, warunkujących wysoką efektywność rozpoznawania. Schemat blokowy systemu identyfikacji mówców
8 Identyfikacja Identyfikacja w zbiorze otwartym - polega na wprowadzeniu pewnego progu, którego przekroczenie pozwala ustalić, czy osoba rozpoznawana jest już w systemie, czy jest to ktoś zupełnie nowy dla układu rozpoznającego Identyfikacja w zbiorze zamkniętym - sposób identyfikacji jest właściwy tylko w przypadku identyfikacji w zbiorze, w którym dostęp do systemu mają jedynie osoby zarejestrowane w systemie czyli zostaje wybrany ten model, dla którego prawdopodobieństwo wygenerowania zarejestrowanej wypowiedzi jest największe.
9 Parametry wyodrębnione z wypowiedzi osoby rozpoznawanej tworzą ciąg wielowymiarowych wektorów, zwanych sekwencją testową. Identyfikacja osoby polega na obliczeniu podobieństwa pomiędzy sekwencją testową, a wszystkimi modelami mówców. Osoba zostaje rozpoznana jako ta, dla której sumaryczna odległość pomiędzy jej modelem a ciągiem testowym jest najmniejsza
10 Weryfikacja W przypadku weryfikacji obliczenie podobieństwa modelu do ciągu testowego wykonuje się tylko dla modelu mówcy, którego tożsamość jest deklarowana. W odróżnieniu jednak od identyfikacji w zbiorze zamkniętym istnieje konieczność określenia dla każdego z mówców wartości progu, po przekroczeniu którego zostaje podjęta decyzja o akceptacji bądź odrzuceniu użytkownika.
11 Dodatkową cechą odróżniającą identyfikację od weryfikacji jest wpływ populacji mówców na efektywność działania systemu rozpoznającego. W przypadku identyfikacji ze wzrostem liczby zarejestrowanych mówców czyli klas, rośnie monotonicznie prawdopodobieństwo błędnej klasyfikacji, podczas gdy w przypadku weryfikacji jest ono praktycznie stałe.
12 Parametry fizyczne systemu rozpoznawania mówcy Zasadniczym czynnikiem, który wpływa na efektywność systemu rozpoznawania głosów, jest wybór najlepszych mierzalnych wielkości fizycznych sygnału mowy związanych z rozpoznawanymi klasami. Efektywność systemu rozpoznawania mówcy zależy w dużej mierze od tego, w jakim stopniu badane parametry fizyczne sygnału mowy będą odpowiadały za przenoszenie cech osobniczych mówcy. Najważniejsze cechy, jakimi powinny charakteryzować się te parametry, to ich duża odporność na zmiany sygnału mowy mówcy w czasie czyli tzw. niska zmienność wewnątrz osobnicza oraz wysoka zmienność międzyosobnicza. Parametry o tych własnościach umożliwiają, mimo nieuchronnych zmian głosu mówcy w czasie, poprawne zidentyfikowanie tego głosu wśród innych mówców. Do wielkości oraz parametrów fizycznych sygnału mowy najczęściej stosowanych w procesie automatycznego rozpoznawania mówcy należy zaliczyć:
13 parametry wyznaczone bezpośrednio z przebiegu czasowego` względne długości czasu wypowiedzi poszczególnych elementów fonetycznych obwiednia czasowa amplitudy dźwięku parametry analizy przejść przez zero sygnału mowy rozkład interwałów czasowych parametry wyznaczone z widma sygnału mowy: uśrednione widmo amplitudowe częstotliwość podstawowa tonu krtaniowego częstotliwości, stosunki amplitudowe oraz szerokości pasm formantów widmo krótkoterminowe momenty widmowe parametry liniowego kodowania predykcyjnego (LPC) inne, jak np. charakterystyki prozodyczne
14 Weryfikacja mówcy etap uczenia Mówca A N wypowiedzi Fala dźwiękowa (mowa) mówcy A Osoba znana: Mówcą jest A Cyfrowa akwizycja sygnału Mowa cyfrowa Ekstrakcja cech Wektory cech N wymiarowe wektory cech Rejestracja modelu Kanał transmisyjny sygnału Model mówcy A
15 Metody rozpoznawania mówców Po otrzymaniu ciągu wektorów testowych ekstrahowanych z wypowiedzi mówcy należy obliczyć jego podobieństwo do znajdującego się w systemie modelu (weryfikacja) bądź modeli mówców (identyfikacja). Pozostaje pytanie, jak obliczyć to podobieństwo i skąd uzyskać model mówcy. Metody rozpoznawania można podzielić na dwie grupy, a mianowicie oparte na modelach nieparametrycznych i parametrycznych mówcy.
16 Modele nieparametryczne Jednym z algorytmów nieparametrycznych jest metoda, w której model mówcy stanowią wszystkie wektory uzyskane z sekwencji treningowej. Ponieważ w przypadku rozpoznawania niezależnego od tekstu mówca musi dostarczyć wypowiedzi o czasie trwania rzędu kilkudziesięciu sekund, to jasne się staje, że model uzyskany na podstawie tej metody będzie stanowić zbiór wielu tysięcy wielowymiarowych wektorów. Rozpoznanie osoby polega na znalezieniu dla każdego wektora z sekwencji testowej najbardziej podobnego wektora z modelu, tzw. Najbliższego sąsiada NN (nearest neighbour) i obliczeniu pomiędzy nimi odległości. Sumaryczna odległość dla całej sekwencji testowej unormowana względem jej czasu trwania, stanowi miarę podobieństwa wypowiedzi do danego modelu i stanowi podstawę do podjęcia decyzji o identyfikacji bądź weryfikacji mówcy.
17 Modele parametryczne Innym sposobem modelowania mówcy jest zastosowanie modeli parametrycznych, w których wynikiem rozpoznania jest prawdopodobieństwo, że dana wypowiedź została wygenerowana przez określoną osobę. Grupa tych algorytmów znajduje się obecnie w centrum uwagi badaczy, zajmujących się tematyką rozpoznawania mówcy, ze względu na bardzo dużą efektywność rozpoznawania. Istnieje również wiele innych metod rozpoznawania mówców, jak choćby opartych na modelach kowariancyjnych, ergodycznych ukrytych łańcuchach Markowa (HMM) lub też różnego rodzaju modyfikacjach kwantyzacji wektorowej.
18 Zastosowanie technik identyfikacji osób - Fonoskopia
19 Co to są badania fonoskopijne? Fonoskopia (gr. phone - dźwięk, skopeo - patrzę) jest działem badań kryminalistycznych, który zajmuje się: - badaniem utrwalonej mowy, - identyfikacją osób biorących udział w nagraniu, - ustaleniem liczby osób biorących udział w nagraniu, - wnioskowaniem o osobowości, pochodzeniu i cechach charakterystycznych NN osób na podstawie analizy mowy ciągłej, jego stanie emocjonalnym, chorobach i zaburzeniach narządu mowy - badanie wpływu alkoholu, leków, narkotyków i innych środków odurzających na mowę, - odsłuchem treści nagrań intensywnie zakłóconych i zniekształconych, - badaniem autentyczności dowodowych nagrań, - identyfikacją urządzeń do rejestracji i transmisji, - badaniem warunków akustyczno-technicznych nagrania, - określeniem czasu i miejsca zdarzenia.
20 Autentyczność zapisu Aby sąd uznał nagranie za dowód konieczne jest wykazanie jego autentyczności. Badanie autentyczności nagrania polega na ocenie integralności zapisu całego zdarzenia (np. rozmowy) przy uwzględnieniu takich zjawisk zachodzących w trakcie nagrania, na które potencjalny fałszerz nie mógł mieć wpływu. W tym celu bada się m.in.: treść rozmowy, linię intonacyjną zarejestrowanych słów, fraz, zdań oraz bada się ciągłość sygnałów wynikającą z psychofizjologicznego procesu mówienia, kontekstu sytuacyjnego, warunków akustycznych oraz jakości urządzeń rejestrujących (a w pewnych przypadkach także przekazujących dźwięk). Po wykonaniu badania autentyczności zapisu możemy odpowiedzieć sobie na następujące pytania:
21 Autentyczność zapisu czy zapisano całą rozmowę czy tylko jej fragmenty; czy po nagraniu nic z niego nie usunięto (np. fragmenty zdań, słowa); czy nie zmieniono kolejności wypowiedzi; jeśli zmontowano dane nagranie to czy z jednej, czy też kilku innych rozmów; czy nagranie lub nagrania zarejestrowano na tym samych sprzęcie i w tych samych warunkach akustycznych.
22 Stenogram Czas sporządzania stenogramu waha się od 1 2 godz. dla każdej minuty nagrania; czas ten uzależniony jest od jakości nagrania oraz ilości osób biorących udział w nagranej rozmowie i sposobie jej prowadzenia (jeżeli występują jednoczesne wypowiedzi kilku osób, wypowiedzi zagłuszone są szumem lub innymi zakłóceniami, sporządzenie stenogramu z 1 min nagrania może przekroczyć czasami nawet 2 godzin pracy biegłego).
23 Rys historyczny Rozpoznawanie osób na podstawie ich głosu znane jest od bardzo dawna. Pierwszy przypadek rozpoznania osoby na podstawie głosu, jest opisany w Biblii, a dotyczy sytuacji wymuszenia podstępem ojcowskiego błogosławieństwa. Niewidomy Izaak rozpoznał głos swego syna Jakuba przebranego za Ezawa. ( Zbliżył się tedy Jakub do Izaaka, ojca swego, który dotknął się go, i rzekł: Głos jest głosem Jakuba ale ręce są rękami Ezawa, Księga Rodzaju (Genesis), 27.22).
24 Rys historyczny Historycznie po raz pierwszy dla potrzeb sądownictwa mówcę na podstawie głosu rozpoznano w Anglii w r W USA w 1907 r. rozpoznano głos gwałciciela na podstawie dwóch zdań wypowiedzianych w sądzie.
25 Rys historyczny Bruno Richard Hauptmann (stracony r. w Trenton) Charles Lindbergh Bardzo spektakularnym przypadkiem było rozpoznanie przez słynnego pilota Lindbergha, głosu mordercy swego syna. Syn Lindbergha został porwany 1 marca 1932r. Porywacz zażądał 50000$, a negocjacje prowadzone były listownie oraz poprzez ogłoszenia w lokalnej gazecie.
26 Rys historyczny Bruno Richard Hauptmann (stracony r. w Trenton) Charles Lindbergh W nocy 2 kwietnia 1932 Lindbergh wraz z negocjatorem pojechali na cmentarz, aby przekazać okup. Lindbergh siedząc w aucie nie widział porywacza lecz słyszał jak ten wołał negocjatora słowami Here, Doctor. Over here! Over here!.
27 Rys historyczny Bruno Richard Hauptmann (stracony r. w Trenton) Charles Lindbergh Pięć tygodni później znaleziono zwłoki syna Lindberga. Policja aresztowała Brunona Hauptmana podejrzanego o porwanie i morderstwo. W toczącym się śledztwie, we wrześniu 1934r czyli 29 miesięcy po usłyszeniu słów na cmentarzu, Lindbergh ponownie je usłyszał, tym razem powtórzone przez Hauptmana. Lindbergh rozpoznał głos Hauptmana jako głos z cmentarza. Na rozprawie sądowej w styczniu 1935 roku zeznał pod przysięgą, że rozpoznał głos Hauptmana.
28 Rys historyczny W Polsce badania fonoskopijne mają swój początek w 1961 roku kiedy to Sąd Najwyższy w ogłoszonym wyroku orzekł, że taśma magnetofonowa z zarejestrowanym na niej przebiegiem całości lub poszczególnych fragmentów postępowania przygotowawczego, czy też rozprawy, ma charakter dokumentu. W 1963 roku Sąd Najwyższy wydał orzeczenie, w którym ostatecznie zawarł rozstrzygnięcie, że dowód z taśmy magnetofonowej stanowi dowód rzeczowy.
29 Metody identyfikacji 1. Metoda Kersta - metoda identyfikacji głosu opracowana przez Lawrence a G. Kersta, fizyka z Bell Laboratories; dokładność identyfikacji tą metodą według autora sięga 99 %, a według jego uczniów od 90 do 98%. Według metody Kersta można identyfikować wyłącznie analogiczne słowa, zwroty lub zdania, które zostały zarejestrowane odpowiednio w dobrych warunkach akustycznych i w szerokim paśmie częstotliwości, a nagrania nie są zakłócone i zniekształcone. 2. Metoda polska oparta na analizie cech mowy. Uwzględnia ona właściwości lingwistyczne, fonematyczne i akustyczne mowy. Analizuje nie tylko barwę głosu, ale też zależności pomiędzy jego brzmieniem a środowiskiem społecznym osoby wypowiadającej się czy przebytymi przez tę osobę chorobami. 3. Metoda audytywno-spektralna. Pierwszym etapem są analizy wypowiedzi, dokonywane pod kątem językowym, pod kątem sposobu mówienia czy też analizy treści. Badając sposób mówienia zwraca się baczną uwagę na akcent, intonację, tempo mówienia. Drugi etap polega na porównaniu obrazów wypowiedzi czyli odwzorowań graficznych, wizualnych sygnału wypowiedzi; są to najczęściej spektrogramy otrzymane na podstawie analizy spektograficznej określonej frazy, jednakowej dla wszystkich badanych głosów
30 Materiał porównawczy Materiałem porównawczym do badań fonoskopijnych jest próbka głosu pobrana i zarejestrowana od osoby podejrzanej. Pobrania próbki głosu dokonać powinien ekspert, albo pracownik operacyjny lub dochodzeniowo-śledczy specjalnie przeszkolony, używający magnetofonu możliwie najwyższej klasy. Nagranie powinno być dokonane w specjalnym studio, lub wyjątkowo w specjalnie przygotowanym wyciszonym pokoju. Z uwagi na potrzebę precyzyjności badań istnieje szereg zasad, którymi w swojej pracy powinien kierować się rzetelny biegły z zakresu fonoskopii. Wypowiedź dowodowa i porównawcza powinny być do siebie podobne pod względem: - objętości, treści i formy; - struktury syntaktyczno-stylistycznej, - tempa mówienia. Próbka głosu powinna być pobrana we wszystkich możliwych natężeniach siły głosu (normalne natężenie, szept, głos podniesiony). Ważne jest by część wypowiedzi miała charakter spontaniczny i naturalny.
31 Dzień dobry
32 Analiza tła
33 Analiza tła
34 Analiza tła
35 Analiza tła 18:30
36
Fonoskopia. Wykład 4
Fonoskopia Wykład 4 Fonoskopia (z gr. phone dźwięk, skopeo patrzę) technika śledcza mająca na celu zbadanie autentyczności nagrania, odtworzenie i spisanie treści rozmowy, identyfikację mówcy na podstawie
Bardziej szczegółowoPrzestrzeń zgiełku :
151 ZGIEŁK ŹRÓDŁEM INFORMACJI W BADANIACH FONOSKOPIJNYCH Stefan Brachmański Instytut Telekomunikacji, Teleinformatyki i Akustyki Wstęp Politechnika Wrocławska Fonoskopia (gr. phone - dźwięk, skopeo - patrzę)
Bardziej szczegółowoAutomatyczne 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 szczegółowoEwentualnie: *pobranie wypowiedzi porównawczych *identyfikacja z wykorzystaniem materiału porównawczego. Trzy podstawowe zagadnienia fonoskopijne
FONOSKOPIA jest działem badań kryminalistycznych, który zajmuje się badaniem utrwalonej mowy, identyfikacją osób i sygnałów akustycznych, identyfikacją urządzeń do rejestracji i transmisji, badaniem warunków
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 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 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 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 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 szczegółowoKlasyfikatory: k-nn oraz naiwny Bayesa. Agnieszka Nowak Brzezińska Wykład IV
Klasyfikatory: k-nn oraz naiwny Bayesa Agnieszka Nowak Brzezińska Wykład IV Naiwny klasyfikator Bayesa Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną
Bardziej szczegółowoDźwięk podstawowe wiadomości technik informatyk
Dźwięk podstawowe wiadomości technik informatyk I. Formaty plików opisz zalety, wady, rodzaj kompresji i twórców 1. Format WAVE. 2. Format MP3. 3. Format WMA. 4. Format MIDI. 5. Format AIFF. 6. Format
Bardziej szczegółowoIdentyfikacja człowieka metody kryminalistyczne i biologiczne - ogólnie
Identyfikacja człowieka metody kryminalistyczne i biologiczne - ogólnie Problematyka identyfikacji osób jest przedmiotem zainteresowania kryminalistyki, która jako nauka praktyczna opracowuje: - zasady
Bardziej szczegółowoAgnieszka Nowak Brzezińska
Agnieszka Nowak Brzezińska jeden z algorytmów regresji nieparametrycznej używanych w statystyce do prognozowania wartości pewnej zmiennej losowej. Może również byd używany do klasyfikacji. - Założenia
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 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 szczegółowoKomputerowe przetwarzanie sygnału mowy
Komputerowe przetwarzanie sygnału mowy Prof dr hab inż Bożena Kostek Katedra Systemów Multimedialnych Wydział Elektroniki, Telekomunikacji i Informatyki Politechnika Gdańska Komputerowe przetwarzanie sygnału
Bardziej szczegółowoKATEDRA SYSTEMÓW MULTIMEDIALNYCH. Inteligentne systemy decyzyjne. Ćwiczenie nr 12:
KATEDRA SYSTEMÓW MULTIMEDIALNYCH Inteligentne systemy decyzyjne Ćwiczenie nr 12: Rozpoznawanie mowy z wykorzystaniem ukrytych modeli Markowa i pakietu HTK Opracowanie: mgr inż. Kuba Łopatka 1. Wprowadzenie
Bardziej szczegółowoStatystyka opisowa. Wykład I. Elementy statystyki opisowej
Statystyka opisowa. Wykład I. e-mail:e.kozlovski@pollub.pl Spis treści Elementy statystyku opisowej 1 Elementy statystyku opisowej 2 3 Elementy statystyku opisowej Definicja Statystyka jest to nauka o
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 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 szczegółowoSynteza mowy. opracowanie: mgr inż. Kuba Łopatka
Synteza mowy opracowanie: mgr inż. Kuba Łopatka Synteza mowy (ang. TTS - Text-To-Speech ) zamiana tekstu w formie pisanej na sygnał akustyczny, którego brzmienie naśladuje brzmienie ludzkiej mowy. Podstawowe
Bardziej szczegółowoZadanie Cyfryzacja grida i analiza geometrii stropu pułapki w kontekście geologicznym
Zadanie 1 1. Cyfryzacja grida i analiza geometrii stropu pułapki w kontekście geologicznym Pierwszym etapem wykonania zadania było przycięcie danego obrazu tak aby pozostał tylko obszar grida. Obrobiony
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoPrzygotowali: Bartosz Szatan IIa Paweł Tokarczyk IIa
Przygotowali: Bartosz Szatan IIa Paweł Tokarczyk IIa Dźwięk wrażenie słuchowe, spowodowane falą akustyczną rozchodzącą się w ośrodku sprężystym (ciele stałym, cieczy, gazie). Częstotliwości fal, które
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
Bardziej szczegółowoZaawansowany system automatycznego rozpoznawania i przetwarzania mowy polskiej na tekst
Zaawansowany system automatycznego rozpoznawania i przetwarzania mowy polskiej na tekst Mariusz Owsianny, PCSS Dr inż. Ewa Kuśmierek, Kierownik Projektu, PCSS Partnerzy konsorcjum Zaawansowany system automatycznego
Bardziej szczegółowoPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Bardziej szczegółowoAkustyka mowy wprowadzenie. Opracował: dr inż. Piotr Suchomski
Akustyka mowy wprowadzenie Opracował: dr inż. Piotr Suchomski Kontakt Katedra Systemów Multimedialnych Wydział ETI dr inż. Piotr M. Suchomski, pok. EA 730 e-mail: pietka@sound.eti.pg.gda.pl tel. 23-01
Bardziej szczegółowoVÉRITÉ rzeczywistość ma znaczenie Vérité jest najnowszym, zaawansowanym technologicznie aparatem słuchowym Bernafon przeznaczonym dla najbardziej wymagających Użytkowników. Nieprzypadkowa jest nazwa tego
Bardziej szczegółowoUwaga. Decyzje brzmią różnie! Testy parametryczne dotyczące nieznanej wartości
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu, z którego pochodzi próbka. Hipotezy dzielimy na parametryczne i nieparametryczne. Parametrycznymi
Bardziej szczegółowoAgnieszka Nowak Brzezińska Wykład III
Agnieszka Nowak Brzezińska Wykład III Naiwny klasyfikator bayesowski jest prostym probabilistycznym klasyfikatorem. Zakłada się wzajemną niezależność zmiennych niezależnych (tu naiwność) Bardziej opisowe
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoPolitechnika Krakowska im. Tadeusza Kościuszki. Karta przedmiotu. obowiązuje studentów rozpoczynających studia w roku akademickim 2014/2015
Politechnika Krakowska im. Tadeusza Kościuszki Karta przedmiotu Wydział Inżynierii Lądowej obowiązuje studentów rozpoczynających studia w roku akademickim 01/015 Kierunek studiów: Transport Forma sudiów:
Bardziej szczegółowoStatystyka w pracy badawczej nauczyciela
Statystyka w pracy badawczej nauczyciela Wykład 1: Terminologia badań statystycznych dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl Statystyka (1) Statystyka to nauka zajmująca się zbieraniem, badaniem
Bardziej szczegółowoAnaliza sygnału mowy pod kątem rozpoznania mówcy chorego. Anna Kosiek, Dominik Fert
Analiza sygnału mowy pod kątem rozpoznania mówcy chorego Anna Kosiek, Dominik Fert Wstęp: Analiza sygnału akustycznego była wykorzystywana w medycynie jeszcze przed wykorzystaniem jej w technice. Sygnał
Bardziej szczegółowoInstrukcja do laboratorium z Fizyki Budowli. Temat laboratorium: CZĘSTOTLIWOŚĆ
Instrukcja do laboratorium z Fizyki Budowli Temat laboratorium: CZĘSTOTLIWOŚĆ 1 1. Wprowadzenie 1.1.Widmo hałasu Płaską falę sinusoidalną można opisać następującym wyrażeniem: p = p 0 sin (2πft + φ) (1)
Bardziej szczegółowoMateriały dydaktyczne: Maciej Krzymowski. Biometryka
Biometryka Biometryka Nauka o mierzalnych cechach fizycznych lub behawioralnych organizmów Ŝywych, z greckiego: "bios" = Ŝywy "metron" = mierzyć. Biometria Zespół metod słuŝących do sprawdzania toŝsamości
Bardziej szczegółowoJacek Rzeszotarski. 1. Wstęp. 2. Zakres badań fonoskopijnych
Jacek Rzeszotarski 1. Wstęp Mimo dokonującego się postępu technicznego, marginalizacji użycia tradycyjnej magnetofonowej taśmy kasetowej i coraz częstszej cyfrowej rejestracji dźwięku, pryncypia fonoskopii
Bardziej szczegółowoEksploracja Danych. wykład 4. Sebastian Zając. 10 maja 2017 WMP.SNŚ UKSW. Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja / 18
Eksploracja Danych wykład 4 Sebastian Zając WMP.SNŚ UKSW 10 maja 2017 Sebastian Zając (WMP.SNŚ UKSW) Eksploracja Danych 10 maja 2017 1 / 18 Klasyfikacja danych Klasyfikacja Najczęściej stosowana (najstarsza)
Bardziej szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
Bardziej szczegółowoRozpoznawanie obrazów
Rozpoznawanie obrazów Ćwiczenia lista zadań nr 7 autorzy: A. Gonczarek, J.M. Tomczak Przykładowe problemy Klasyfikacja binarna Dla obrazu x zaproponowano dwie cechy φ(x) = (φ 1 (x) φ 2 (x)) T. Na obrazie
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 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 szczegółowoTEORIA WYTWARZANIA DŹWIĘKÓW
1 TEORIA WYTWARZANIA DŹWIĘKÓW MOWY, FORMANTY, MODELOWANIE WYTWARZANIA DŹWIĘKÓW MOWY. mgr inż. Kuba Łopatka PLAN WYKŁADU 1. Teoria wytwarzania dźwięków mowy Ogólna teoria wytwarzania dźwięków mowy Ton krtaniowy
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 szczegółowo... prognozowanie nie jest celem samym w sobie a jedynie narzędziem do celu...
4 Prognozowanie historyczne Prognozowanie - przewidywanie przyszłych zdarzeń w oparciu dane - podstawowy element w podejmowaniu decyzji... prognozowanie nie jest celem samym w sobie a jedynie narzędziem
Bardziej szczegółowodr inż. Ewa Kuśmierek, Kierownik Projektu Warszawa, 25 czerwca 2014 r.
Zaawansowany system automatycznego rozpoznawania i przetwarzania mowy polskiej na tekst, dedykowany dla służb odpowiedzialnych za bezpieczeństwo państwa dr inż. Ewa Kuśmierek, Kierownik Projektu Warszawa,
Bardziej szczegółowoLABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI
LABORATORIUM 8 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI WERYFIKACJA HIPOTEZ Hipoteza statystyczna jakiekolwiek przypuszczenie dotyczące populacji generalnej- jej poszczególnych
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 szczegółowoIdentyfikacja sprawcy metodami fonoskopijnymi
Ewa Kozłowska Identyfikacja sprawcy metodami fonoskopijnymi Fonoskopia jest dziedziną kryminalistyki zajmującą się badaniem zapisów dźwiękowych, a w szczególności identyfikacją głosów na podstawie mowy
Bardziej szczegółowoSystem diagnostyki słuchu
System diagnostyki słuchu Politechnika Gdańska ul. Narutowicza 11/12 80-233 Gdańsk www.pg.gda.pl 1. Wprowadzenie Celem opracowanej aplikacji jest umożliwienie przeprowadzenie podstawowych testów słuchu,
Bardziej szczegółowoHierarchiczna analiza skupień
Hierarchiczna analiza skupień Cel analizy Analiza skupień ma na celu wykrycie w zbiorze obserwacji klastrów, czyli rozłącznych podzbiorów obserwacji, wewnątrz których obserwacje są sobie w jakimś określonym
Bardziej szczegółowoPercepcja dźwięku. Narząd słuchu
Percepcja dźwięku Narząd słuchu 1 Narząd słuchu Ucho zewnętrzne składa się z małżowiny i kanału usznego, zakończone błoną bębenkową, doprowadza dźwięk do ucha środkowego poprzez drgania błony bębenkowej;
Bardziej szczegółowoRozpoznawanie mowy za pomocą HTK
Kinga Frydrych Wydział Inżynierii Mechanicznej i Robotyki Inżynieria Akustyczna, rok III, 2013/2014 Sprawozdanie z ćwiczeń laboratoryjnych z Technologii mowy Rozpoznawanie mowy za pomocą HTK 1. Opis gramatyki
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
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 szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
Bardziej szczegółowo2. STRUKTURA RADIOFONICZNYCH SYGNAŁÓW CYFROWYCH
1. WSTĘP Radiofonię cyfrową cechują strumienie danych o dużych przepływnościach danych. Do przesyłania strumienia danych o dużych przepływnościach stosuje się transmisję z wykorzystaniem wielu sygnałów
Bardziej szczegółowoTeoria informacji i kodowania Ćwiczenia Sem. zimowy 2016/2017
Algebra liniowa Zadanie 1 Czy jeśli wektory x, y i z, należące do binarnej przestrzeni wektorowej nad ciałem Galois GF (2), są liniowo niezależne, to można to samo orzec o następujących trzech wektorach:
Bardziej szczegółowoAutorzy: Tomasz Sokół Patryk Pawlos Klasa: IIa
Autorzy: Tomasz Sokół Patryk Pawlos Klasa: IIa Dźwięk wrażenie słuchowe, spowodowane falą akustyczną rozchodzącą się w ośrodku sprężystym (ciele stałym, cieczy, gazie). Częstotliwości fal, które są słyszalne
Bardziej szczegółowoPrzetwarzanie sygnałów w telekomunikacji
Przetwarzanie sygnałów w telekomunikacji Prowadzący: Przemysław Dymarski, Inst. Telekomunikacji PW, gm. Elektroniki, pok. 461 dymarski@tele.pw.edu.pl Wykład: Wstęp: transmisja analogowa i cyfrowa, modulacja
Bardziej szczegółowoSystem do sterowania ruchem kamery przemysłowej za pomocą komend głosowych
System do sterowania ruchem kamery przemysłowej za pomocą komend głosowych Dariusz Krala 1 1 Wydział Inżynierii Mechanicznej i Informatyki Kierunek Informatyka, Rok V {dariusz.krala}@gmail.com Streszczenie
Bardziej szczegółowoR-PEARSONA Zależność liniowa
R-PEARSONA Zależność liniowa Interpretacja wyników: wraz ze wzrostem wartości jednej zmiennej (np. zarobków) liniowo rosną wartości drugiej zmiennej (np. kwoty przeznaczanej na wakacje) czyli np. im wyższe
Bardziej szczegółowoWzmacniacze operacyjne
Wzmacniacze operacyjne Cel ćwiczenia Celem ćwiczenia jest badanie podstawowych układów pracy wzmacniaczy operacyjnych. Wymagania Wstęp 1. Zasada działania wzmacniacza operacyjnego. 2. Ujemne sprzężenie
Bardziej szczegółowoBiometryczna Weryfikacja (NIE inwigilacja)
Biometryczna Weryfikacja (NIE inwigilacja) Lucyna Szaszkiewicz Sales Director 23.06.2015 Warszawa Nip 123-456-78-19 Pesel 79110507431 Córka 10120212321 Syn 13021023175 Mąż 75071302113 REGON 123456785 TEL
Bardziej szczegółowoNauka o słyszeniu Wykład IV Wysokość dźwięku
Nauka o słyszeniu Wykład IV Wysokość dźwięku Anna Preis, email: apraton@amu.edu.pl 8.11.2017 Plan wykładu Wysokość dźwięku-definicja Periodyczność Dźwięk harmoniczny Wysokość dźwięku, z i bez fo JND -
Bardziej szczegółowoStatystyka matematyczna. Wykład IV. Weryfikacja hipotez statystycznych
Statystyka matematyczna. Wykład IV. e-mail:e.kozlovski@pollub.pl Spis treści 1 2 3 Definicja 1 Hipoteza statystyczna jest to przypuszczenie dotyczące rozkładu (wielkości parametru lub rodzaju) zmiennej
Bardziej szczegółowoPrzygotowała: prof. Bożena Kostek
Przygotowała: prof. Bożena Kostek Ze względu na dużą rozpiętość mierzonych wartości ciśnienia (zakres ciśnień akustycznych obejmuje blisko siedem rzędów wartości: od 2x10 5 Pa do ponad 10 Pa) wygodniej
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 3. Zmienne losowe 4. Populacje i próby danych 5. Testowanie hipotez i estymacja parametrów 6. Test t 7. Test
Bardziej szczegółowoKrzysztof Ślot Biometria Łódź, ul. Wólczańska 211/215, bud. B9 tel
Krzysztof Ślot Biometria 9-924 Łódź, ul. Wólczańska 211/215, bud. B9 tel. 42 636 65 www.eletel.p.lodz.pl, ie@p.lodz.pl Wprowadzenie Biometria Analiza rejestrowanych zachowań i cech osobniczych (np. w celu
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 szczegółowoProcedura techniczna wyznaczania poziomu mocy akustycznej źródeł ultradźwiękowych
Procedura techniczna wyznaczania poziomu mocy akustycznej źródeł ultradźwiękowych w oparciu o pomiary poziomu ciśnienia akustycznego w punktach pomiarowych lub liniach omiatania na półkulistej powierzchni
Bardziej szczegółowo7. Identyfikacja defektów badanego obiektu
7. Identyfikacja defektów badanego obiektu Pierwszym krokiem na drodze do identyfikacji defektów było przygotowanie tzw. odcisku palca poszczególnych defektów. W tym celu został napisany program Gaussian
Bardziej szczegółowoDrgania i fale sprężyste. 1/24
Drgania i fale sprężyste. 1/24 Ruch drgający Każdy z tych ruchów: - Zachodzi tam i z powrotem po tym samym torze. - Powtarza się w równych odstępach czasu. 2/24 Ruch drgający W rzeczywistości: - Jest coraz
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowof = 2 śr MODULACJE
5. MODULACJE 5.1. Wstęp Modulacja polega na odzwierciedleniu przebiegu sygnału oryginalnego przez zmianę jednego z parametrów fali nośnej. Przyczyny stosowania modulacji: 1. Umożliwienie wydajnego wypromieniowania
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowo1. Pokrzywdzony w postępowaniu przygotowawczym jest stroną uprawnioną do. działania we własnym imieniu i zgodnie z własnym interesem (art kpk).
1 Podstawowe prawa pokrzywdzonego: 1. Pokrzywdzony w postępowaniu przygotowawczym jest stroną uprawnioną do działania we własnym imieniu i zgodnie z własnym interesem (art. 299 1 kpk). 2. Jeżeli pokrzywdzonym
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoDlaczego skrzypce nie są trąbką? o barwie dźwięku i dźwięków postrzeganiu
Dlaczego skrzypce nie są trąbką? o barwie dźwięku i dźwięków postrzeganiu Jan Felcyn, Instytut Akustyki UAM, 2016 O czym będziemy mówić? Czym jest barwa? Jak brzmią różne instrumenty? Co decyduje o barwie?
Bardziej szczegółowoWykrywanie twarzy na zdjęciach przy pomocy kaskad
Wykrywanie twarzy na zdjęciach przy pomocy kaskad Analiza i przetwarzanie obrazów Sebastian Lipnicki Informatyka Stosowana,WFIIS Spis treści 1. Wstęp... 3 2. Struktura i funkcjonalnośd... 4 3. Wyniki...
Bardziej szczegółowoTESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy.
TESTOWANIE HIPOTEZ Przez hipotezę statystyczną rozumiemy, najogólniej mówiąc, pewną wypowiedź na temat rozkładu interesującej nas cechy. Hipotezy dzielimy na parametryczne i nieparametryczne. Zajmiemy
Bardziej szczegółowoMETODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA
METODY CHEMOMETRYCZNE W IDENTYFIKACJI ŹRÓDEŁ POCHODZENIA AMFETAMINY Waldemar S. Krawczyk Centralne Laboratorium Kryminalistyczne Komendy Głównej Policji, Warszawa (praca obroniona na Wydziale Chemii Uniwersytetu
Bardziej szczegółowoKryteria Oceniania z języka niemieckiego w Gimnazjum Klasa I. Ocena niedostateczna
Kryteria Oceniania z języka niemieckiego w Gimnazjum Klasa I Ocena niedostateczna - uczeń nie rozumie nawet krótkich, prostych wypowiedzi nauczyciela dotyczących tematyki programowej. - uczeń nie potrafi
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 szczegółowoOdciski palców ekstrakcja cech
Kolasa Natalia Odciski palców ekstrakcja cech Biometria sprawozdanie z laboratorium 4 1. Wstęp Biometria zajmuje się rozpoznawaniem człowieka na podstawie jego cech biometrycznych. Jest to możliwe ponieważ
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 szczegółowoSpis treści 3 SPIS TREŚCI
Spis treści 3 SPIS TREŚCI PRZEDMOWA... 1. WNIOSKOWANIE STATYSTYCZNE JAKO DYSCYPLINA MATEMATYCZNA... Metody statystyczne w analizie i prognozowaniu zjawisk ekonomicznych... Badania statystyczne podstawowe
Bardziej szczegółowoMetodyka i system dopasowania protez słuchu w oparciu o badanie percepcji sygnału mowy w szumie
Metodyka i system dopasowania protez w oparciu o badanie percepcji sygnału mowy w szumie opracowanie dr inż. Piotr Suchomski Koncepcja metody korekcji ubytku Dopasowanie szerokiej dynamiki odbieranego
Bardziej szczegółowo1. Po upływie jakiego czasu ciało drgające ruchem harmonicznym o okresie T = 8 s przebędzie drogę równą: a) całej amplitudzie b) czterem amplitudom?
1. Po upływie jakiego czasu ciało drgające ruchem harmonicznym o okresie T = 8 s przebędzie drogę równą: a) całej amplitudzie b) czterem amplitudom? 2. Ciało wykonujące drgania harmoniczne o amplitudzie
Bardziej szczegółowoMetoda Automatycznej Detekcji Interakcji CHAID
Metoda Automatycznej Detekcji Interakcji CHAID Metoda ta pozwala wybrać z konkretnego, dużego zbioru zmiennych te z nich, które najsilniej wpływają na wskazaną zmienną (objaśnianą) zmienne porządkowane
Bardziej szczegółowoPARAMETRYZACJA SYGNAŁU MOWY. PERCEPTUALNE SKALE CZĘSTOTLIWOŚCI.
1 PARAMETRYZACJA SYGNAŁU MOWY. PERCEPTUALNE SKALE CZĘSTOTLIWOŚCI. mgr inż. Kuba Łopatka Katedra Systemów Multimedialnych p. 628, tel. 348-6332 PLAN WYKŁADU 1. Potrzeba i istota parametryzacji 2. Klasyfikacja
Bardziej szczegółowoPrzesył mowy przez internet
Damian Goworko Zuzanna Dziewulska Przesył mowy przez internet organizacja transmisji głosu, wybrane kodeki oraz rozwiązania podnoszące jakość połączenia głosowego Telefonia internetowa / voice over IP
Bardziej szczegółowoStatystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory
Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory Dr Anna ADRIAN Paw B5, pok 407 adrian@tempus.metal.agh.edu.pl
Bardziej szczegółowoWYROK W IMIENIU RZECZYPOSPOLITEJ POLSKIEJ. SSN Tomasz Grzegorczyk (przewodniczący) SSN Małgorzata Gierszon (sprawozdawca) SSN Andrzej Stępka
Sygn. akt III KK 423/13 WYROK W IMIENIU RZECZYPOSPOLITEJ POLSKIEJ Sąd Najwyższy w składzie: Dnia 20 marca 2014 r. SSN Tomasz Grzegorczyk (przewodniczący) SSN Małgorzata Gierszon (sprawozdawca) SSN Andrzej
Bardziej szczegółowoRozpoznawanie obrazów na przykładzie rozpoznawania twarzy
Rozpoznawanie obrazów na przykładzie rozpoznawania twarzy Wykorzystane materiały: Zadanie W dalszej części prezentacji będzie omawiane zagadnienie rozpoznawania twarzy Problem ten można jednak uogólnić
Bardziej szczegółowoVI WYKŁAD STATYSTYKA. 9/04/2014 B8 sala 0.10B Godz. 15:15
VI WYKŁAD STATYSTYKA 9/04/2014 B8 sala 0.10B Godz. 15:15 WYKŁAD 6 WERYFIKACJA HIPOTEZ STATYSTYCZNYCH PARAMETRYCZNE TESTY ISTOTNOŚCI Weryfikacja hipotez ( błędy I i II rodzaju, poziom istotności, zasady
Bardziej szczegółowoWYKŁAD 12. Analiza obrazu Wyznaczanie parametrów ruchu obiektów
WYKŁAD 1 Analiza obrazu Wyznaczanie parametrów ruchu obiektów Cel analizy obrazu: przedstawienie każdego z poszczególnych obiektów danego obrazu w postaci wektora cech dla przeprowadzenia procesu rozpoznania
Bardziej szczegółowo1. TESTY PSYCHOLOGICZNE
1. TESTY PSYCHOLOGICZNE 1. pojęcie testu psychologicznego 2. zastosowanie 3. podstawowe wymogi (standaryzacja, obiektywność, rzetelność, trafność, normalizacja) 4. cecha psychologiczna w ujęciu psychologicznym
Bardziej szczegółowo