Paraeryczny koder owy - wokoder Syneza owy w odbiorniku: d=1 - owa dźwięczna T 0 = okres onu kraniowego d=0 - owa bezdźwięczna
Wokoder nadajnik
Eksrakcja onu kraniowego 1. Przebieg czasowy sygnału i błędu predykcji T 0 Mowa dźwięczna: T 0 = okres onu kraniowego
. Auokorelacja fragenu sygnału i błędu predykcji R 0 R a R 0 R a T 0 T 0 R a aksiu auokorelacji w zakresie 0 s gdy R a / R 0 > progu -> owa dźwięczna
3. AMDF average agniude difference funcion AMDF k = S i i - i-k AMDF a AMDF in T 0 AMDF in w zakresie 0 s gdy AMDF a / AMDF in > progu -> owa dźwięczna
4. Wido sygnału i błędu predykcji F 0 F 0 skala liniowa skala logaryiczna db F 0 =1/T 0 częsoliwość onu kraniowego
5. Cepsru sygnału i błędu predykcji cepsru = IDFT log absdftsygnał T 0
Klasyfikacja owa dźwięczna / bezdźwięczna Paraery O Ś
DYSKRYMINATOR PROGOWY i DYSKRYMINATOR LINIOWY
DYSKRYMINATOR LINIOWY d y = y α p N i1 p i i - funkcja dyskryinująca, T p - próg p [ 1 p, p,, ] p N - wekor paraerów
MET. FISHERA OBLICZANIA DYSKRYMINATORA LINIOWEGO Dla sekwencji reningowej oblicza się dla obu klas: warości średnie wekora paraerów acierze kowariancji
Dyskryinaor Fishera, c.d. C 1 1 C [ C ] 1 ˆ C [ 1 ] Próg T p dla funkcji dyskryinującej wybiera się eksperyenalnie iędzy ˆ 1 i ˆ.
Dyskryinaor Fishera, wyprowadzenie N i i i p p y 1 Warość funkcji dyskryinującej jes zienną losową: p E p E y E ] [ C p p E p p E p E p E y E ] [ ] [ ] [ ] [ Zadanie separacji klas: in wariancja y przy sały odsępie warości średnich - zakładay równość wariancji w obu klasach lub podsawiay cons d C 1, in in [ ] 1 1 C C C
Dyskryinaor Fishera, wyprowadzenie cons d C 1, in in C C C grad C 1
Dyskryinaor Fishera, wyprowadzenie in in C, 1 d cons 1 1 1 C C, C d d ożey wybrać dowolnie, np. ak, aby =. Wówczas obliczay z C
Meoda nożników Lagrange a Wykorzysaliśy szczególny przypadek zasosowania eody nożników Lagrange a: Szukay iniu przy ograniczeniach Tworzyy funkcję Lagrange a Rozwiązanie: ],..., [, 1 N F 0 0,..., 0, 1 g g g M,, 1 1 g g F g F L M M 0, 0, L L
SVM* wekory wspierające wekory wspierające Cel: powiększenie odsępu argin Klasy liniowo nieseparowalne nieliniowe przekszałcenie *Suppor Vecor Machines Obrazki: CHRISTOPHER J.C. BURGES
O KLASYFIKATORACH NIECO OGÓLNIEJ Załóży że znane są prawdopodobieńswa lub gęsości prawdopodobieńswa cech wekorów paraerów p dla każdej z klas: f k p, k 1,, K oraz prawdopodobieńswa a priori pojawienia się każdej z klas: P 1, P,, P K. Błędneu uznaniu k-ej klasy za j-ą przypisujey ryzyko rj k, np. rj k = 0 gdy j=k, oraz rj k=1 w pozosałych przypadkach. Dla określonego klasyfikaora ożna obliczyć prawdopodobieńswa błędnych decyzji: pj k i oszacować średnie ryzyko: Klasyfikaor projekuje się na iniu v. v k j P k p j k r j k
KLASYFIKATOR BAYESA Jeśli każdej błędnej decyzji jes przypisane jednakowe ryzyko np. rj k = 0 gdy j=k, oraz rj k=1 w pozosałych przypadkach, wówczas klasyfikaor, na podsawie obserwacji wekora paraerów p, winien wskazać najbardziej prawdopodobną klasę: k arg a P i p i Ze wzoru Bayesa: P i p j Pi f P j i p f p j orzyuje się nasępujący klasyfikaor: k arg a i P i f i p
Błąd w bazie i w eście Błąd w eście Błąd w bazie wielkość bazy 1-h: prawdopodobieńswo, że nierówność jes spełniona paraery obliczone w bazie h VC diension Vapnik, Czerwonenkis VC di jes iarą złożoności dyskryinaora, a związek z liczbą paraerów
Jak obliczyć VC diension? Jes o największa liczba obserwacji, kórą klasyfikaor jes zdolny bezbłędnie porozdzielać Np. klasyfikaor liniowy na płaszczyźnie paraery oże rozdzielić obserwacje, oże eż rozdzielić 3 obserwacje, ale 4 już nie Wniosek: VCdi=3 Rysunki z prezenacji Andrew W. Moore
Jak obliczyć VC diension? Klasyfikaor liniowy w przesrzeni N- wyiarowej oże rozdzielić N+1 obserwacji Wniosek: VCdi=N+1 Uwaga: wzór poniżej najczęściej szacuje błąd z duży nadiare
Uczenie bez nauczyciela* Brak bazy uczącej: Meody: K-średnich K-eans, idenyfikacja rozkładów prawdopodobieńswa, ec. K- średnich DBSCAN densiy-based spaial clusering of applicaions wih noise *unsupervised learning Rysunki z Wikipedii