BIOMETRIA WYKŁAD 6 CECHY BIOMETRYCZNE: GŁOS
|
|
- Oskar Walczak
- 7 lat temu
- Przeglądów:
Transkrypt
1 BIOMETRIA WYKŁAD 6 CECHY BIOMETRYCZNE: GŁOS
2 Wykorzystanie mowy w technologii Automatyczne rozpoznawanie mowy Synteza mowy Rozpoznawania mówcy Rozpoznawanie emocji Generowanie emocji Synteza z ruchem ust Aplikacje w nauce języków obcych
3 Co jest w mowie unikalne? Na poziomie lingwistycznym: Dobór słów, zwrotów itd Na poziomie prozodycznym: Intonacja, akcentowanie, nawyki Na poziomie artykulacyjnym: Liczba i kształt wnęk rezonansowych (ułożenie języka, warg, podniebienia), Dynamika zmian Na poziomie akustycznym: Siła i sposób wyrzucania powietrza z płuc (subiektywna głębokość) Częstotliwość charakteryzująca otwieranie i zamykanie strun głosowych (subiektywna wysokość) Proporcje powietrza przedostającego się przez nos i usta (subiektywna nosowość)
4 Czemu interesujemy się mową? Powszechność i naturalność mowy w interakcji międzyludzkiej Szybkość akwizycji (mówimy 3 razy szybciej niż piszemy na klawiaturze) Łatwość archiwizacji Swoboda rąk i oczu przy rejestracji cechy Ekonomiczność (niski koszt czujników do rejestracji oraz ich powszechność)
5 Zalety mowy biometrii Biometryka behawioralna ALE zależną od cech fizycznych związanych z tożsamością: Częstotliwość podstawowa (zależy od długości kanału głosowego) Nosowość dźwięku Kadencja Przegięcie Ludzki mózg posiada przewagę nad systemami automatycznego rozpoznawania: KONTEKST Kto mógłby do mnie zadzwonić o tej godzinie kiedy jestem w pracy?
6 RM: Trochę historii 1776 Christian Kratzenstein urządzenie generujące dźwięki naśladujące 5 głosek (równoległe prace Wolfganga Kemepelen a) 1920 REX: Płytka reagująca obrotem na drgania o częstotliwości 500 Hz (głoska e ). Przy rezonansie impuls następowało odcięcie prądu i wypchnięcie psa z budy. Zabawka reagowała na imię Rex
7 RM: Trochę historii Vocoder (Bell Labs): Bank filtrów, Syntezator mowy z klawiaturą. Kodowanie mowy do transmisji (konferencje transkontynentalne Churchil-Roosevelt). Po wojnie wykorzystywane w muzyce Bell Labs Digit Recogniser: Pasmo analizy podzielone na 2 zakresy (poniżej i powyżej 900 Hz). Cyfry angielski rozpoznawane z błędem poniżej 2% (jeśli użytkownik nie zmienił położenia ust względem mikrofonu między rejestracją a testowaniem)
8 RM: Trochę historii 1961 Japoński System rozpoznawania samogłosek (Radio Research Labs: Suzuki, Tanaka) Zimna wojna: Szybka transformata Fouriera Ukryte Modele Markova (HMM) ARPA Speech Understanding Project System CMU Harpy (błąd <5%) Algorytmy Viterbiego ( )
9 RM: Trochę historii koniec lat 1970 rozpoznawanie mowy ciągłej o dużym słowniku, nie w czasie rzeczywistym i nie komercyjne lata 1980 słowniki rzędu kilkunastu tysięcy wyrazów, upowszechnione zastosowanie HMM lata 1990 pierwsze produkty masowej produkcji, słowniki rzędu kilkudziesięciu tysięcy słów, progres w wydajności procesorów umożliwił rozpoznawanie mowy ciągłej lata 2000 niewielki postęp w rozwoju technologii, słowniki rzędu dziesiątek do kilku setek tysięcy słów dla rozwiązań zależnych od rozpoznawanego mówcy; dla mniejszych słowników niezależnie od mówcy, 2011 słownik Google dla języka angielskiego: około miliona różnych słów, model języka trenowany setkami miliardów zapytań
10 Sygnał mowy opis ilościowy Spektrogram funkcja określająca czasową ewolucję energii okresowych komponentów sygnału mowy o rożnych częstotliwościach: dyskretyzowany sygnał zostaje podzielony na nakładające się jednakowe okna analizy (20-40 ms, stopień nakładania 25-75%) Wyliczenie dyskretnej Transformaty Fouriera (moduły dla kolejnych okien stanowią kolumny spektrogramu) Rzędne - kolejne dyskretne składowe częstotliwościowe Odcięte - początki kolejnych, analizowanych okien czasowych
11 Sygnał mowy opis ilościowy
12 Sygnał mowy opis ilościowy Spektrogram pokazuje złożoność sygnału mowy: zmienność głosek (fraz) w zależności od tego kto je wypowiada Zawiera informacje zarówno o treści wypowiedzi jak i autorze Ze względu na duży potencjał informacyjny spektrogramu należy wybrać tylko informacje istotne (i tu rozpoznawania mowy i mówcy zaczynają się algorytmicznie rozbiegać, CHOĆ same charakterystyki są podobne)
13 Sygnał mowy opis ilościowy ANALIZA SPEKTROGRAMU ANALIZA MOWY -maksymalne tłumienie indywidualnych różnic w sposobie wypowiadania głosek ANALIZA MÓWCY - przedmiotem zainteresowania jest zmienność wypowiedzi - opis powinien uniezależniać rozpoznanie od treści
14 Charakterystyki głosu Wyznaczone na podstawie spektrogramu sygnału Współczynniki mel-ceptralne (kilkanaście w każdym oknie) Liczba współczynników cepstralnych (=liczba elementów spektrogramu) jest zbyt duża, konieczne uśrednienie współczynników wokół częstotliwości fizjologicznego słyszenia, tzw. skali mel Cepstrum funkcji f(s): C s = τ 1 log τ f s t oznacza transformację Fouriera logarytmowanie pozwala separować pobudzenie (pulsacja fałdów głosowych o częstotliwości kilkuset herców) od zmian w ułożeniu narządów mowy (wolniejsze), mają one charakter addytywny WIDMO FOURIERA SPLOTU DWÓCH FUNKCJI JEST ILOCZYNEM WIDM TYCH FUNKCJI Y ω = logy ω = log X ω H ω = logx ω + logh ω = X ω + H ω
15 Charakterystyki głosu Mel skala wysokości dźwięku mierzona metodą akustyki psychologicznej określającej subiektywny odbiór poziomu dźwięku przez ucho ludzkie względem obiektywnej skali pomiaru częstotliwości dźwięku w hercach.
16 Charakterystyki głosu Wyznaczone na podstawie spektrogramu sygnału (c.d) Sygnał mowy y(t): y t = x τ h t τ dτ x(t) pobudzający strumień powietrza h( ) odpowiedź impulsowa toru głosowego (właściwości toru) W sygnale uwzględniane nie tylko aktualne pobudzenie ale też jego historia (odbicia fali akustycznej wewnątrz toru głosowego)
17 Charakterystyki głosu Współczynniki predykcji liniowej (Linear Prediction Coefficients, LPC) Próba odgadnięcia przebiegu sygnału (jego czasowej ewolucji) w oparciu o dotychczasowy przebieg i wyznaczone współczynniki. Współczynniki są dobierane tak by różnica między wartością oczekiwaną a rzeczywista była minimalna -> zerowanie pochodnej średniego błędu względem współczynnika y k+1 = n 1 i=0 a i y k 1 Współczynniki odbicia (Reflection Coefficients, RC) Współczynniki Transformaty Falkowej (Wavelet Transform Coefficients)
18 Głoska a Mała liczba zakłóceń nieharmonicznych Duża liczba zakłóceń nieharmonicznych
19 ROZPOZNAWANIE MÓWCY (GŁOSU)
20 Przetwarzane mowy MOWA PORÓWNANIE Z MODELAMI CYFRYZACJA CEPSTRUM USUNIĘCIE SZUMU Przetwarzanie wstępne EKSTRAKCJA CECH WIDMA ILOŚCIOWE Analiza widmowa
21 Porównywanie w rozpoznawaniu mowy Sieci neuronowe Ukryte Modele Markova: kodowanie nie tylko cech ale tez ich zmian w trakcie wypowiadania, za cenę dużego zbioru danych treningowych Wypowiedź (odnośnik porównywany jest z wektorem cech, powstaje punktacja zgodności) Dynamiczne zakrzywienie czasu (Dynamic time warping): technika optymalizacja zgodności przy porównaniu)
22 Podział metod Systemy oparte na ustalonym tekście: Słowo lub zdanie nagrane w trakcie rejestracji jest powtarzane (jeśli jest tajne może spełniać funkcje hasła). Nagranie chociaż raz może służyć atakowi powtórzeniowemu Systemy zależne od tekstu: System żąda wypowiadania konkretnego tekstu, identyfikacja przez porównanie. Dłuższa rejestracja ale z możliwością zmiany powtarzanego tekstu. Systemy ograniczone (np. do cyfr) wrażliwe na ataki powtórzeniowe przez cięcie nagrania Systemy niezależne od tekstu: przetwarza dowolną wypowiedz mówiącego; im więcej użytkownik powie tym większa pewność systemu. Rozpoznają osobę nawet przy zmianie języka. Uczące się syntezatory mowy jako forma ataku Systemy konwersacyjne: weryfikacja wiedzy tajnej w połączeniu z biometryką daje FAR rzędu (systemy z wysokim stopniem bezpieczeństwa)
23 Weryfikacja tożsamości na podstawie głosu 1. Ocena podobieństwa wektorów testowego użytkownika i prototypu tego użytkownika (konieczność ustalenia progu rozpoznania jak?) 2. Ocena podobieństwa wektorów testowego użytkownika i prototypu tego użytkownika ORAZ wektora cech pozostali mówcy.co jednakowoż nie jest trywialne
24 Rozpoznawanie mówcy NIEZALEŻNE od tekstu Brak analizy czasowej (przebieg jest zdominowany treścią) -> efektywność obliczeniowa FAR ok. 1% Po podziale sygnału na próbki, wektory cech są niezależne Reprezentacja mówcy przez metody parametryczne (zbiór funkcji gaussowskich do modelowania indywidualnych cech klas w przestrzeni cech) Metody klasyfikacji Bayesowskie SVM Sieci neuronowe
25 Rozpoznawanie mówcy ZALEŻNE od tekstu Możliwość uwzględnienia wszystkich indywidualnych aspektów powstawania mowy Dużo wyższa skuteczność (choć skorelowana z jakością sygnału) FAR: 0,14-0,2 % Sekwencja wektorów pokazuje ewolucję mowy w czasie (rozpoznawanie przez porównanie tych sekwencji z wzorcowymi) Tempo i ton wypowiedzi praktycznie nigdy nie są identyczne (niepowtarzalność na poziomie szczegółowym) konieczność pogodzenia się z globalnymi (i lokalnymi) niedopasowaniami procedury dopasowania
26 Zastosowanie Systemy komputerowe sterowane głosem Telefonia (brak możliwości zastosowania innej biometryki) Bankowość telefoniczna Handel (obsługa zamówień) Telefonia komórkowa Systemy bezpieczeństwa komputerowego i fizycznego (sztuczność, mniej wydajne od innych biometryk) Katalogowanie nagrań dźwiękowych i filmowych Rozpoznawanie ruchu ust w systemach wizyjnych
27 Zalety (tryb niezależny od tekstu) Możliwość zdalnego uwierzytelniania przez linie telefoniczne Nie trzeba pamiętać haseł i kodów Brak konieczności stosowania odrębnego protokołu komunikacji (wykorzystanie tylko brzmienia głosu daje zintegrowany i dyskretny proces weryfikacji)
28 Uszkodzenia głosu jako biometryki Źle wymówione (lub przeczytane) zdanie przykładowe Skrajne stany emocjonalne Zmiana w czasie ustawień mikrofonu (w trakcie sesji lub pomiędzy nimi) Parametry akustyczne pomieszczenia (złe lub zmienne: hałas, echo) Niedopasowanie kanałów (różne mikrofony do rejestracji i weryfikacji) Choroba (a nawet zwykły katar ) Starzenie się (oddalanie częstotliwości od modelowych) Inne źródła dźwięku w otoczeniu
29 ale to JEDYNA biometryka możliwa do stosowanie w uwierzytelnianiu nienadzorowanym (w warunkach niemożliwych do kontroli)
30 ROZPOZNAWANIE MOWY
31 Systemy rozpoznawania pojedynczych fonemów (przy przestarzałych systemach, lub dla słów spoza słownika, modelu języka), izolowanych słów (system wymaga znacznych pauz między wypowiadanymi wyrazami), łączonych słów (wymagane bardzo krótkie odstępy między wyrazami), mowy ciągłej (system sam określa segmentację, mowa prawie jak naturalna, ale określona powtarzalnymi regułami jak przy dyktowaniu/czytaniu), mowy spontanicznej (mowa z różnymi naturalnymi cechami jak różnorodna prędkość, głośność wypowiedzi, brak odstępów między wyrazami, różne partykuły wtrącenia nie do końca poprawne, przerwy na zastanawianie się, fragmenty słów, powtórzenia; stopa błędów co najmniej dwukrotnie wyższa niż dla czytania).
32 Systemy rozpoznawania rozpoznawanie mowy w czasie rzeczywistym - system podaje wyniki niemal równolegle z pobieraniem, danych wejściowych, za pomocą urządzenia do próbkowania dźwięku transkrypcja zasobów akustycznych, uprzednio zdigitalizowanych do plików, np. celem indeksowania/przeszukiwania.
33 Rozpoznawanie pochodzenia
34 Zalety głosu jako biometryki naturalna biometryka, decyzje komputerów mogą być łatwo weryfikowalne przez ludzi, dyskretne pobieranie próbek szeroka akceptowalność społeczna (łatwość rejestracji, brak skojarzenia z kartoteką kryminalną) niski koszt czytników, z możliwością wykorzystania istniejącej infrastruktury komunikacyjnej (powszechne zarządzanie zabezpieczeniami) przyrostowe protokoły uwierzytelniania w połączeniu z weryfikacją wiedzy duża dokładność i elastyczność możliwość ciągłego sprawdzania tożsamości
35 Wady głosu jako biometryki Atak przez naśladowanie (nie istnieją utarte metody testowania głosu pod kątem realnych fałszerstw Zamiana tekstu na głos -> nieistniejąca tożsamości, uczące się urządzenia syntetyzujące mowę Jakość sygnału głosowego: szum tła, szum kanału, cechy kanału i mikrofonu Osoby niemówiące: ułomność umysłowa lub fizyczna
36 KONIEC
37 Małopolskie Ziemniaki Grule Podhale Rzepy - Orawa Pyry Wielkopolska Knule, jabłka, kobzale Śląsk Kartofle Mazowsze i Śląsk Bulwy Pomorze Pantówki - Kujawy
4 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 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 szczegółowoTechnologie Mowy Bartosz Ziółko
www.dsp.agh.edu.pl http://rozpoznawaniemowy.blogspot.com/ Technologie Mowy Bartosz Ziółko 1 Technologie Mowy 2 Technologie Mowy 3 Technologie Mowy 4 Dane kontaktowe Dr inż. Jakub Gałka C2/419 Telefon 50-68
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 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 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 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 szczegółowoAlgorytmy detekcji częstotliwości podstawowej
Algorytmy detekcji częstotliwości podstawowej Plan Definicja częstotliwości podstawowej Wybór ramki sygnału do analizy Błędy oktawowe i dokładnej estymacji Metody detekcji częstotliwości podstawowej czasowe
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 szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka, IAiIS PW, wersja: 6 grudnia 2015, 1/39 Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr zimowy 2015/16 c Adam Czajka, IAiIS PW, wersja:
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 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 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 szczegółowoBiometryczna Identyfikacja Tożsamości
Biometryczna Identyfikacja Tożsamości Wykład 9: Rozpoznawanie mówiącego Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2015 c Adam Czajka, IAiIS
Bardziej szczegółowoMechatronika i inteligentne systemy produkcyjne. Modelowanie systemów mechatronicznych Platformy przetwarzania danych
Mechatronika i inteligentne systemy produkcyjne Modelowanie systemów mechatronicznych Platformy przetwarzania danych 1 Sterowanie procesem oparte na jego modelu u 1 (t) System rzeczywisty x(t) y(t) Tworzenie
Bardziej szczegółowoRozpoznawanie i synteza mowy w systemach multimedialnych. Analiza i synteza mowy - wprowadzenie. Spektrogram wyrażenia: computer speech
Slajd 1 Analiza i synteza mowy - wprowadzenie Spektrogram wyrażenia: computer speech Slide 1 Slajd 2 Analiza i synteza mowy - wprowadzenie Slide 2 Slajd 3 Analiza i synteza mowy - wprowadzenie Slide 3
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 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 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 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 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 szczegółowoBiometryczna Identyfikacja Tożsamości
c Adam Czajka IAiIS PW 20 maja 2014 1/39 Adam Czajka Wykład na Wydziale Elektroniki i Technik Informacyjnych Politechniki Warszawskiej Semestr letni 2014 c Adam Czajka IAiIS PW 20 maja 2014 2/39 Rozpoznawanie
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 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 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 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 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 szczegółowoTechnika audio część 2
Technika audio część 2 Wykład 12 Projektowanie cyfrowych układów elektronicznych Mgr inż. Łukasz Kirchner lukasz.kirchner@cs.put.poznan.pl http://www.cs.put.poznan.pl/lkirchner Wprowadzenie do filtracji
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 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 szczegółowoZaawansowane algorytmy DSP
Zastosowania Procesorów Sygnałowych dr inż. Grzegorz Szwoch greg@multimed.org p. 732 - Katedra Systemów Multimedialnych Zaawansowane algorytmy DSP Wstęp Cztery algorytmy wybrane spośród bardziej zaawansowanych
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 szczegółowoPrzedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry 1 1.1. Pojęcia podstawowe 1 1.2. Klasyfikacja sygnałów 2 1.3.
Przedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry 1 1.1. Pojęcia podstawowe 1 1.2. Klasyfikacja sygnałów 2 1.3. Sygnały deterministyczne 4 1.3.1. Parametry 4 1.3.2. Przykłady 7 1.3.3. Sygnały
Bardziej szczegółowoTeoria przetwarzania A/C i C/A.
Teoria przetwarzania A/C i C/A. Autor: Bartłomiej Gorczyński Cyfrowe metody przetwarzania sygnałów polegają na przetworzeniu badanego sygnału analogowego w sygnał cyfrowy reprezentowany ciągiem słów binarnych
Bardziej szczegółowoPL B BUP 16/04. Kleczkowski Piotr,Kraków,PL WUP 04/09
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 201536 (13) B1 (21) Numer zgłoszenia: 358531 (51) Int.Cl. G10L 21/02 (2006.01) H03G 3/00 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22)
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 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 szczegółowo2. Próbkowanie Sygnały okresowe (16). Trygonometryczny szereg Fouriera (17). Częstotliwość Nyquista (20).
SPIS TREŚCI ROZDZIAŁ I SYGNAŁY CYFROWE 9 1. Pojęcia wstępne Wiadomości, informacje, dane, sygnały (9). Sygnał jako nośnik informacji (11). Sygnał jako funkcja (12). Sygnał analogowy (13). Sygnał cyfrowy
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 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 szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
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 szczegółowoO sygnałach cyfrowych
O sygnałach cyfrowych Informacja Informacja - wielkość abstrakcyjna, która moŝe być: przechowywana w pewnych obiektach przesyłana pomiędzy pewnymi obiektami przetwarzana w pewnych obiektach stosowana do
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 szczegółowoKlasyfikacja metod przetwarzania analogowo cyfrowego (A/C, A/D)
Klasyfikacja metod przetwarzania analogowo cyfrowego (A/C, A/D) Metody pośrednie Metody bezpośrednie czasowa częstotliwościowa kompensacyjna bezpośredniego porównania prosta z podwójnym całkowaniem z potrójnym
Bardziej szczegółowoBiometria podpisu odręcznego
Podstawy Technik Biometrycznych Semestr letni 215/216, wykład #6 Biometria podpisu odręcznego dr inż. Paweł Forczmański Katedra Systemów Multimedialnych, Wydzial Informatyki 1/26 Biometria behawioralna
Bardziej szczegółowoBIOMETRIA WYKŁAD 8: BŁĘDY SYSTEMOW BIOMETRYCZNYCH
BIOMETRIA WYKŁAD 8: BŁĘDY SYSTEMOW BIOMETRYCZNYCH KAŻDY SYSTEM BIOMETRYCZNY BĘDZIE POPEŁNIAŁ BŁĘDY.możliwe tylko do oszacowania teoretycznego Błąd popełniany jest wtedy kiedy fałszywa hipoteza zostaje
Bardziej szczegółowoAutomatyka i Robotyka, V rok. promotor: dr Adrian Horzyk. Kraków, 3 czerwca System automatycznego rozpoznawania
Automatyka i Robotyka, V rok Kraków, 3 czerwca 2009 promotor: dr Adrian Horzyk 1 2 i problemy 3 4 Technologie 5 Wyniki 6 Podział biometrii 7 cech opisujących parametry ludzi - A. K. Jain uniwersalność
Bardziej szczegółowoPodstawy automatycznego rozpoznawania mowy. Autor: mgr inż. Piotr Bratoszewski
Podstawy automatycznego rozpoznawania mowy Autor: mgr inż. Piotr Bratoszewski Rys historyczny 1930-1950 pierwsze systemy Automatycznego rozpoznawania mowy (ang. Automatic Speech Recognition ASR), metody
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 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 szczegółowoPrzetwarzanie analogowo-cyfrowe sygnałów
Przetwarzanie analogowo-cyfrowe sygnałów A/C 111111 1 Po co przekształcać sygnał do postaci cyfrowej? Można stosować komputerowe metody rejestracji, przetwarzania i analizy sygnałów parametry systemów
Bardziej szczegółowoZastosowanie ultradźwięków w technikach multimedialnych
Zastosowanie ultradźwięków w technikach multimedialnych Janusz Cichowski, p. 68 jay@sound.eti.pg.gda.pl Katedra Systemów Multimedialnych, Wydział Elektroniki Telekomunikacji i Informatyki, Politechnika
Bardziej szczegółowoPL B1. Sposób i układ pomiaru całkowitego współczynnika odkształcenia THD sygnałów elektrycznych w systemach zasilających
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 210969 (13) B1 (21) Numer zgłoszenia: 383047 (51) Int.Cl. G01R 23/16 (2006.01) G01R 23/20 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22)
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 szczegółowoSymulacja sygnału czujnika z wyjściem częstotliwościowym w stanach dynamicznych
XXXVIII MIĘDZYUCZELNIANIA KONFERENCJA METROLOGÓW MKM 06 Warszawa Białobrzegi, 4-6 września 2006 r. Symulacja sygnału czujnika z wyjściem częstotliwościowym w stanach dynamicznych Eligiusz PAWŁOWSKI Politechnika
Bardziej szczegółowoZagadnienia egzaminacyjne ELEKTRONIKA I TELEKOMUNIKACJA studia rozpoczynające się przed r.
(EAE) Aparatura elektroniczna 1. Podstawowe statyczne i dynamiczne właściwości czujników. 2. Prawa gazów doskonałych i ich zastosowania w pomiarze ciśnienia. 3. Jakie właściwości mikrokontrolerów rodziny
Bardziej szczegółowoModelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka
Modelowanie jako sposób opisu rzeczywistości Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka 2015 Wprowadzenie: Modelowanie i symulacja PROBLEM: Podstawowy problem z opisem otaczającej
Bardziej szczegółowoCYFROWE PRZTWARZANIE SYGNAŁÓW (Zastosowanie transformacji Fouriera)
I. Wprowadzenie do ćwiczenia CYFROWE PRZTWARZANIE SYGNAŁÓW (Zastosowanie transformacji Fouriera) Ogólnie termin przetwarzanie sygnałów odnosi się do nauki analizowania zmiennych w czasie procesów fizycznych.
Bardziej szczegółowoAdam Korzeniewski - p. 732 dr inż. Grzegorz Szwoch - p. 732 dr inż.
Adam Korzeniewski - adamkorz@sound.eti.pg.gda.pl, p. 732 dr inż. Grzegorz Szwoch - greg@sound.eti.pg.gda.pl, p. 732 dr inż. Piotr Odya - piotrod@sound.eti.pg.gda.pl, p. 730 Plan przedmiotu ZPS Cele nauczania
Bardziej szczegółowoZastosowanie procesorów AVR firmy ATMEL w cyfrowych pomiarach częstotliwości
Politechnika Lubelska Wydział Elektrotechniki i Informatyki PRACA DYPLOMOWA MAGISTERSKA Zastosowanie procesorów AVR firmy ATMEL w cyfrowych pomiarach częstotliwości Marcin Narel Promotor: dr inż. Eligiusz
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 szczegółowoPropozycje tematów prac magisterskich 2013/14 Automatyka i Robotyka - studia stacjonarne Pracowania Układów Elektronicznych i Przetwarzania Sygnałów
Propozycje tematów prac magisterskich 2013/14 Automatyka i Robotyka - studia stacjonarne Pracowania Układów Elektronicznych i Przetwarzania Sygnałów Stanowisko do lokalizacji źródła dźwięku Zaprojektowanie
Bardziej szczegółowoAkwizycja i przetwarzanie sygnałów cyfrowych
Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Rewolucja cyfrowa i jej skutki Rewolucja cyfrowa - dane cyfrowe: podstawowy rodzaj informacji multimedialnych,
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 szczegółowo2.2 Opis części programowej
2.2 Opis części programowej Rysunek 1: Panel frontowy aplikacji. System pomiarowy został w całości zintegrowany w środowisku LabVIEW. Aplikacja uruchamiana na komputerze zarządza przebiegiem pomiarów poprzez
Bardziej szczegółowol a b o r a t o r i u m a k u s t y k i
Wrocław kwiecień 21 4SOUND Parametry akustyczne 4SOUND ul Klecińska 123 54-413 Wrocław info@4soundpl www4soundpl l a b o r a t o r i u m a k u s t y k i tel +48 53 127 733 lub 71 79 85 746 NIP: 811-155-48-81
Bardziej szczegółowoTechnologia dynamicznego podpisu biometrycznego
Technologia dynamicznego podpisu biometrycznego Prof. Andrzej Czyżewski, Politechnika Gdańska VI Konferencja i Narodowy Test Interoperacyjności Podpisu Elektronicznego CommonSign 2016, 26 27. X. 2016 r.
Bardziej szczegółowoFFT i dyskretny splot. Aplikacje w DSP
i dyskretny splot. Aplikacje w DSP Marcin Jenczmyk m.jenczmyk@knm.katowice.pl Wydział Matematyki, Fizyki i Chemii 10 maja 2014 M. Jenczmyk Sesja wiosenna KNM 2014 i dyskretny splot 1 / 17 Transformata
Bardziej szczegółowoSposoby modelowania układów dynamicznych. Pytania
Sposoby modelowania układów dynamicznych Co to jest model dynamiczny? PAScz4 Modelowanie, analiza i synteza układów automatyki samochodowej równania różniczkowe, różnicowe, równania równowagi sił, momentów,
Bardziej szczegółowoFale akustyczne. Jako lokalne zaburzenie gęstości lub ciśnienia w ośrodkach posiadających gęstość i sprężystość. ciśnienie atmosferyczne
Fale akustyczne Jako lokalne zaburzenie gęstości lub ciśnienia w ośrodkach posiadających gęstość i sprężystość ciśnienie atmosferyczne Fale podłużne poprzeczne długość fali λ = v T T = 1/ f okres fali
Bardziej szczegółowoZakres wymaganych wiadomości do testów z przedmiotu Metrologia. Wprowadzenie do obsługi multimetrów analogowych i cyfrowych
Zakres wymaganych wiadomości do testów z przedmiotu Metrologia Ćwiczenie 1 Wprowadzenie do obsługi multimetrów analogowych i cyfrowych budowa i zasada działania przyrządów analogowych magnetoelektrycznych
Bardziej szczegółowoSPIS TREŚCI. Od Autora. Wykaz ważniejszych oznaczeń. 1. Wstęp 1_. 2. Fale i układy akustyczne Drgania układów mechanicznych 49. Literatura..
SPIS TREŚCI Od Autora XI Wykaz ważniejszych oznaczeń Xlii 1. Wstęp 1_ Literatura.. 9 2. Fale i układy akustyczne 11 2.1. Fale akustyczne 11 2.2. Energia fali i natężenie dźwięku 14 2.3. Fala kulista i
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 szczegółowoWłasności dynamiczne przetworników pierwszego rzędu
1 ĆWICZENIE 7. CEL ĆWICZENIA. Własności dynamiczne przetworników pierwszego rzędu Celem ćwiczenia jest poznanie własności dynamicznych przetworników pierwszego rzędu w dziedzinie czasu i częstotliwości
Bardziej szczegółowoSI w procesach przepływu i porządkowania informacji. Paweł Buchwald Wyższa Szkoła Biznesu
SI w procesach przepływu i porządkowania informacji Paweł Buchwald Wyższa Szkoła Biznesu Początki SI John MC Carthy prekursor SI Alan Thuring pomysłodawca testu na określenie inteligencji maszyn Powolny
Bardziej szczegółowoDoświadczalne wyznaczanie prędkości dźwięku w powietrzu
Doświadczalne wyznaczanie prędkości dźwięku w powietrzu Autorzy: Kamil Ćwintal, Adam Tużnik, Klaudia Bernat, Paweł Safiański uczniowie klasy I LO w Zespole Szkół Ogólnokształcących im. Edwarda Szylki w
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 szczegółowoAlgorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury. Paweł Kobojek, prof. dr hab. inż. Khalid Saeed
Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury Paweł Kobojek, prof. dr hab. inż. Khalid Saeed Zakres pracy Przegląd stanu wiedzy w dziedzinie biometrii, ze szczególnym naciskiem
Bardziej szczegółowoPCD2K. Wysoki stopień zaawansowania Uniwersalność.
PCD2K to uniwersalne oprogramowanie do prowadzenia badań dynamicznych lub statycznych za pomocą produkowanych przez nas maszyn testowych. Wysoki stopień zaawansowania Uniwersalność To najważniejsze charakterystyki
Bardziej szczegółowoPolitechnika Śląska Wydział Automatyki, Elektroniki i Informatyki Instytut Automatyki PRACA MAGISTERSKA
Politechnika Śląska Wydział Automatyki, Elektroniki i Informatyki Instytut Automatyki PRACA MAGISTERSKA Temat: Badanie strefy ciszy w falowodzie akustycznym w funkcji odległości mikrofonu błędu od głośnika
Bardziej szczegółowoProcedura modelowania matematycznego
Procedura modelowania matematycznego System fizyczny Model fizyczny Założenia Uproszczenia Model matematyczny Analiza matematyczna Symulacja komputerowa Rozwiązanie w postaci modelu odpowiedzi Poszerzenie
Bardziej szczegółowoPRZETWARZANIE MOWY W CZASIE RZECZYWISTYM
PRZETWARZANIE MOWY W CZASIE RZECZYWISTYM Akustyka mowy opracowanie: M. Kaniewska, A. Kupryjanow, K. Łopatka PLAN WYKŁADU Zasada przetwarzania sygnału w czasie rzeczywistym Algorytmy zmiany czasu trwania
Bardziej szczegółowoCechy karty dzwiękowej
Karta dzwiękowa System audio Za generowanie sygnału dźwiękowego odpowiada system audio w skład którego wchodzą Karta dźwiękowa Głośniki komputerowe Większość obecnie produkowanych płyt głównych posiada
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
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 szczegółowoHLT_12 Warszawa. Lingwistyka matematyczna w Katedrze Elektroniki AGH
HLT_12 Warszawa Lingwistyka matematyczna w Katedrze Elektroniki AGH 1 Lingwistyka jaka jest każdy widzi Lingwistyka matematyczna: - identyfikacja rozmówcy - przetwarzanie języka naturalnego - przetwarzanie
Bardziej szczegółowoProjektowanie układów regulacji w dziedzinie częstotliwości. dr hab. inż. Krzysztof Patan, prof. PWSZ
Projektowanie układów regulacji w dziedzinie częstotliwości dr hab. inż. Krzysztof Patan, prof. PWSZ Wprowadzenie Metody projektowania w dziedzinie częstotliwości mają wiele zalet: stabilność i wymagania
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 szczegółowoSILNIK KROKOWY. w ploterach i małych obrabiarkach CNC.
SILNIK KROKOWY Silniki krokowe umożliwiają łatwe sterowanie drogi i prędkości obrotowej w zakresie do kilkuset obrotów na minutę, zależnie od parametrów silnika i sterownika. Charakterystyczną cechą silnika
Bardziej szczegółowoPodstawy Transmisji Przewodowej Wykład 1
Podstawy Transmisji Przewodowej Wykład 1 Grzegorz Stępniak Instytut Telekomunikacji, PW 24 lutego 2012 Instytut Telekomunikacji, PW 1 / 26 1 Informacje praktyczne 2 Wstęp do transmisji przewodowej 3 Multipleksacja
Bardziej szczegółowoBadanie widma fali akustycznej
Politechnika Łódzka FTIMS Kierunek: Informatyka rok akademicki: 2008/2009 sem. 2. Termin: 30 III 2009 Nr. ćwiczenia: 122 Temat ćwiczenia: Badanie widma fali akustycznej Nr. studenta:... Nr. albumu: 150875
Bardziej szczegółowoLiniowe układy scalone
Liniowe układy scalone Wykład 3 Układy pracy wzmacniaczy operacyjnych - całkujące i różniczkujące Cechy układu całkującego Zamienia napięcie prostokątne na trójkątne lub piłokształtne (stała czasowa układu)
Bardziej szczegółowoAUDIOMETRYCZNE BADANIE SŁUCHU ORAZ CECH WYPOWIADANYCH GŁOSEK
AUDIOMETRYCZNE BADANIE SŁUCHU ORAZ CECH WYPOWIADANYCH GŁOSEK I. Zagadnienia 1. Wielkości Fizyczne opisują ce falę dź wię kową. 2. Powstawanie dź wię ków mowy. 3. Odbieranie dź wię ków przez narzą d słuchu.
Bardziej szczegółowoSystem automatycznego odwzorowania kształtu obiektów przestrzennych 3DMADMAC
System automatycznego odwzorowania kształtu obiektów przestrzennych 3DMADMAC Robert Sitnik, Maciej Karaszewski, Wojciech Załuski, Paweł Bolewicki *OGX Optographx Instytut Mikromechaniki i Fotoniki Wydział
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 szczegółowoLiniowe układy scalone w technice cyfrowej
Liniowe układy scalone w technice cyfrowej Dr inż. Adam Klimowicz konsultacje: wtorek, 9:15 12:00 czwartek, 9:15 10:00 pok. 132 aklim@wi.pb.edu.pl Literatura Łakomy M. Zabrodzki J. : Liniowe układy scalone
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 szczegółowo