Fourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "Fourier transform, STFT 5. Continuous wavelet transform, CWT STFT STFT STFT STFT [1] CWT CWT CWT STFT [2 5] CWT STFT STFT CWT CWT. Griffin [8] CWT CWT"

Transcript

1 1,a) 1,2,b) Continuous wavelet transform, CWT CWT CWT CWT CWT Continuous wavelet transform, CWT [1] CWT CWT CWT [2 5] CWT CWT CWT CWT CWT Irino [6] CWT CWT CWT CWT CWT 1, 7-3-1, NTT, 3-1, a) nakamura@hil.t.u-tokyo.ac.jp b) kameoka@hil.t.u-tokyo.ac.jp CWT Fourier short-time Fourier transform, STFT 5 STFT [7] STFT STFT STFT STFT STFT STFT STFT Griffin [8] CWT Griffin STFT [8] Irino CWT [9] CWT CWT CWT CWT c 1959 Information Processing Society of Japan 1

2 CWT CWT 1 CWT CWT CWT CWT [10] CWT CWT CWT l [0, L 1] t [0, T 1] L s l := [s l,0, s l,1,, s l,t 1 ] C T s := [s 0, s 1,, s L 1 ] CLT s f = [ f 0, f 1,, f T 1 ] F, (F := {f C T ; t f t = 0}) CWT CWT W C LT T W := W 0 W 1.. W L 1 s = Wf (1) ψ l,0 ψ l,1 ψ l,t 1 ψ l,t 1 ψ l,0 ψ l,t 2, W l := (2).. ψ l,1 ψ l,2 ψ l,0 W l C T T CWT l CWT ψ l,t := ψ(t /a l )/a l a l t ψ( ) C CWT W W + f = W + s, W + := (W H W) 1 W H (3) H W + W + s = argmin s W f 2 2 (4) f F 2 l 2 (1) CWT T LT CWT 1 CWT W LT C LT CWT CWT CWT CWT CWT 0 LT = s WW + s (5) 0 LT LT W (5) s W STFT STFT [7]. 2.2 CWT CWT CWT 1 CWT CWT CWT CWT 2.3 CWT (5) Fourier discrete Fourier transform, DFT Ŵ = Ŵ 0 Ŵ 1.. Ŵ L 1 0 = ŝ ŴŴ + ŝ, (6), Ŵ l = F T W l F 1 T, Ŵ+ = (Ŵ H Ŵ) 1 Ŵ H (7) F T C T T DFT ˆ DFT W l F T FT 1 Ŵ l l k [0, T 1] c 1959 Information Processing Society of Japan 2

3 0 = ŝ l,k 1 C k l ˆψ l,k ˆψ l,kŝl,k (8) C k ( l l, ˆψ l,k ˆψ l,k 0) CWT (5) CWT (5) Morlet [3] auditory wavelet transform [6] CWT STFT STFT [7] CWT CWT CWT CWT a [0, ) LT CWT CWT ϕ [ π, π) LT CWT I(ϕ) 0 ϕ I(ϕ) := s(a, ϕ) WW + s(a, ϕ) 2 2, (9) s(a, ϕ) := a e jϕ 0 e jϕ 1. e jϕ LT 1 (10) s(a, ϕ) CWT I(ϕ) s(a, ϕ) I(ϕ) 0 s(a, ϕ) 3.2 I(ϕ) ϕ (9) 2 2 CWT CWT CWT (14) (15) ϕ [11] I(ϕ) I(ϕ) s I + (ϕ, s) I(ϕ) I + (ϕ, s) ϕ s I(ϕ) I(ϕ) I(ϕ) (4) s W I + (ϕ, s) I(ϕ) = min s(a, ϕ) W f 2 2 (11) f F = min s W s(a, ϕ) s 2 2 (12) s(a, ϕ) s 2 2 =: I+ (ϕ, s) (13) (13) s = WW + s(a, ϕ) I + (ϕ, s)/ ϕ = 0 LT s WW + s(a, ϕ), (14) ϕ s (15) [ π, π) LT (14) (15) s(a, ϕ) CWT CWT s(a, ϕ) s Irino [6] W STFT STFT [7] STFT CWT Lopes [9] c 1959 Information Processing Society of Japan 3

4 3 Fourier [3] (i) (ii) FFTŴ lˆf k [B, B+D 1] T D [2πB/D, 2πB/D + 2π] (ii) [0, 2π] DFT n := (B + D)/D n (ii) 4 [2πB/D, 2πn] FFT D CWT l B, D CWT 0 CWT CWT CWT CWT FFT (ii) 0 CWT 4 [10] CWT STFT CWT [10] 2.3 CWT 3 CWT Morlet [3] l { ˆψ l,k } k k [B, B + D 1] (0 B, 0 < D T) CWT k [B, B + D 1] (0 B, 0 < D T) { ˆψ l,k } k CWT l D 2 CWT CWT CWT CWT CWT f Fourier fast Fourier transform, FFT 2 (i) l 4.2 (i) (ii) K := 0 B 0 (D B 0 ) I B0 I D B0 0 (D B0 ) B 0 } {{ } (ii) [ ] 0D B I D 0 D (T D B) } {{ } (i) (16) B 0 := B (n 1)D I D D D 0 D B D B CWT CWT l š l C D K š l = F 1 D KŴ l F T f (17) CWT CWT 3 CWT CWT CWT CWT 4.3 T CWT CWT FFT FFT O(T log 2 T) CWT O(T log 2 T +LT log 2 T) CWT l D l T O(T log 2 T + L 1 l=0 D l log 2 D l ) Irino [6] CWT c 1959 Information Processing Society of Japan 4

5 Irino LT l D l : Irino [6] CWT ATR A [12] faf 115 mht 113 CWT FFT [3] Fourier ) (log ω)2 exp ( (ω > 0) ˆψ(ω) := 4σ 2 0 (ω 0) (18) ω σ σ cent Hz ±3σ Intel Xeon CPU E31245 (3.3 GHz) 32 GB RAM perceptual evaluation of speech quality (PESQ) [13] PESQ PESQ Irino 4.20 ± ± 0.1 *1. 5 Irino 100 Irino 15 s 10 s/iteration 0.1 s/iteration 5.2 2: RWC [14] khz *1 nakamura/ demo/fastcwt.html [s/iteration] Objective difference grade [s] [Irino1993] ([ Pσ, Pσ] (P = 1, 2, 3, 5)) Irino [6] Perceptual evaluation of audio quality Objective difference grade objective difference grades [Irino1993] [s] ([ Pσ, Pσ] (P = 1, 2, 3, 5)) Irino [6] Perceptual evaluation of audio quality objective difference grades 30 s 35 s CWT σ = 0.02 (i) ±Pσ (P = 1, 2, 3, 5) 500 Irino c 1959 Information Processing Society of Japan 5

6 8 Perceptual evaluation of speech quality [s] ([ Pσ, Pσ] (P = 1, 2, 3, 5)) Irino [6] Perceptual evaluation of speech quality 100 Intel Core i CPU (3.30 GHz) 8GB RAM perceptual evaluation of audio quality (PEAQ) [15] objective differential grade (ODG) 4 0 ODG ODG P = 3, 5 ODG *2 Irino P 3 Irino P 7 RWC-MDB-G-2001 No. 1 ODG ODG ATR [12] A fafsc110 7 s 8 P = 3 6. Irino [6] CWT [10] *2 c.f.) MPEG kbps ODG 3.68 ± 0.03 Irino 100 JSPS [1] [ ] Vol. 39, No. 6, pp (2009). [2] Schmidt, M. N. and Mørup, M.: Nonnegative matrix factor 2- D deconvolution for blind single channel source separation, Independent Component Analysis and Blind Signal Separation, Springer, pp (2006). [3] Kameoka, H.: Statistical Approach to Multipitch Analysis, PhD Thesis, The University of Tokyo (2007). [4] Muller, M., Ellis, D. P. W., Klapuri, A. and Richard, G.: Signal processing for music analysis, IEEE J. Sel. Topics. Signal Process., Vol. 5, No. 6, pp (2011). [5] de León, J. P., Beltrán, F. and Beltrán, J. R.: A complex wavelet based fundamental frequency estimator in singlechannel polyphonic signals, Proc. Digital Audio Effects (2013). [6] Irino, T. and Kawahara, H.: Signal reconstruction from modified auditory wavelet transform, IEEE Trans. Signal Process., Vol. 41, No. 12, pp (1993). [7] Le Roux, J., Kameoka, H., Ono, N. and Sagayama, S.: Fast Signal Reconstruction from Magnitude STFT Spectrogram Based on Spectrogram Consistency, Proc. Int. Conf. Digital Audio Effects, pp (2010). [8] Griffin, D. and Lim, J.: Signal estimation from modified short-time Fourier transform, IEEE Trans. Acoust., Speech, Signal Process., Vol. 32, No. 2, pp (1984). [9] Lopes, D. M. and White, P. R.: Signal reconstruction from the magnitude or phase of a generalised wavelet transform, Proc. Eur. Signal Process. Conf., pp (2000). [10] (2008) [11] Ortega, J. M. and Rheinboldt, W. C.: Iterative solution of nonlinear equations in several variables, No. 30 (2000). [12] Kurematsu, A., Takeda, K., Sagisaka, Y., Katagiri, S., Kuwabara, H. and Shikano, K.: ATR Japanese Speech Database as a Tool of Speech Recognition and Synthesis, Speech Commun., Vol. 9, No. 4, pp (1990). [13] ITU-T: Recommendation P.862, Perceptual Evaluation of Speech Quality (PESQ): An Objective Method for End-To- End Speech Quality Assessment of Narrow-Band Telephone Networks and Speech Codecs (2001). [14] Goto, M.: Development of the RWC Music Database, Proc. Int. Congress Acoust., pp. l (2004). [15] ITU-T: Recommendation BS , Perceptual Evaluation of Audio Quality (PEAQ): Method for Objective measurements of perceived audio quality (2001). c 1959 Information Processing Society of Japan 6

Non-negative Matrix Factorization, NMF [5] NMF. [1 3] Bregman [4] Harmonic-Temporal Clustering, HTC [2,3] 1,2,b) NTT

Non-negative Matrix Factorization, NMF [5] NMF. [1 3] Bregman [4] Harmonic-Temporal Clustering, HTC [2,3] 1,2,b) NTT 1,a) 1,2,b) 1. [1 3] Bregman [4] Harmonic-Temporal Clustering, HTC [2,3] 1 7-3-1 113-0033 2 NTT 3-1 243-0198 a) Tomohio Naamura@ipc.i.u-toyo.ac.jp b) ameoa@hil.t.u-toyo.ac.jp/ameoa.hiroazu@lab.ntt.co.jp

Διαβάστε περισσότερα

MIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b)

MIDI [8] MIDI. [9] Hsu [1], [2] [10] Salamon [11] [5] Song [6] Sony, Minato, Tokyo , Japan a) b) 1,a) 1,b) 1,c) 1. MIDI [1], [2] U/D/S 3 [3], [4] 1 [5] Song [6] 1 Sony, Minato, Tokyo 108 0075, Japan a) Emiru.Tsunoo@jp.sony.com b) AkiraB.Inoue@jp.sony.com c) Masayuki.Nishiguchi@jp.sony.com MIDI [7]

Διαβάστε περισσότερα

Vol.4-DCC-8 No.8 Vol.4-MUS-5 No.8 4// 3 3 Hanning (T ) 3 Hanning 3T (y(t)w(t)) dt =.5 T y (t)dt. () STRAIGHT F 3 TANDEM-STRAIGHT[] 3 F F 3 [] F []. :

Vol.4-DCC-8 No.8 Vol.4-MUS-5 No.8 4// 3 3 Hanning (T ) 3 Hanning 3T (y(t)w(t)) dt =.5 T y (t)dt. () STRAIGHT F 3 TANDEM-STRAIGHT[] 3 F F 3 [] F []. : Vol.4-DCC-8 No.8 Vol.4-MUS-5 No.8 4//,a) Vocoder (F) F F. PSOLA [] sinusoidal model [] phase vocoder Vocoder [3] (F) F 3 [4], [5], [6], [7], [8], [9] [], [], [], [3], [4] [5], [6] [7], [8], University

Διαβάστε περισσότερα

( ) (Harmonic-Temporal Clustering; HTC) [1], [2] ( ) ( ) [4] HTC. (Non-negative Matrix Factorization; NMF) [3] [5], [6] [7], [8]

( ) (Harmonic-Temporal Clustering; HTC) [1], [2] ( ) ( ) [4] HTC. (Non-negative Matrix Factorization; NMF) [3] [5], [6] [7], [8] 1 1 1 1, Product of ExpertsPoE) 1. ) Harmonic-Temporal Clustering; HTC) [1], [] ) ) HTC Non-negative Matrix Factorization; NMF) [3] 1 Graduate School of Information Science and Technology, The University

Διαβάστε περισσότερα

SNR F0 [2], [3], [4] F0 F0 F0 F0 F0 TUSK F0 TUSK F0 6 TUSK 6 F0 2. F0 F0 [5] [6] [7] p[8] Cepstrum [9], [10] [11] [12] [13] F0 [14] F0 [15] DIO[16] [1

SNR F0 [2], [3], [4] F0 F0 F0 F0 F0 TUSK F0 TUSK F0 6 TUSK 6 F0 2. F0 F0 [5] [6] [7] p[8] Cepstrum [9], [10] [11] [12] [13] F0 [14] F0 [15] DIO[16] [1 1,a) 2 F0 TUSK F0 F0 F0 F0 TUSK TUSK F0 Prototype of a framework for overviewing the performance of F0 estimators Morise Masanori 1,a) Kawahara Hideki 2 Abstract: This article represents a framework for

Διαβάστε περισσότερα

Query by Phrase (QBP) (Music Information Retrieval, MIR) QBH QBP / [1, 2] [3, 4] Query-by-Humming (QBH) QBP MIDI [5, 6] [8 10] [7]

Query by Phrase (QBP) (Music Information Retrieval, MIR) QBH QBP / [1, 2] [3, 4] Query-by-Humming (QBH) QBP MIDI [5, 6] [8 10] [7] Query by Phrase: a 2 2 Query by Phrase QBP QBP GaP-NMF GaP-NMF GaP-NMF QBP. Music Information Retrieval MIR [ 2] [3 4]Query-by-Humming QBH MIDI [5 6] [7] Waseda University 2 National Institute of Advanced

Διαβάστε περισσότερα

E-mail: {kameoka,sagayama}@hil.t.u-tokyo.ac.jp, m.goto@aist.go.jp GUI

E-mail: {kameoka,sagayama}@hil.t.u-tokyo.ac.jp, m.goto@aist.go.jp GUI E-mail: {kameoka,sagayama}@hil.t.u-tokyo.ac.jp, m.goto@aist.go.jp GUI Selective Amplifier of Periodic and Non-periodic Components in Concurrent Audio Signals with Spectral Control Envelopes Hirokazu Kameoka

Διαβάστε περισσότερα

Estimation, Evaluation and Guarantee of the Reverberant Speech Recognition Performance based on Room Acoustic Parameters

Estimation, Evaluation and Guarantee of the Reverberant Speech Recognition Performance based on Room Acoustic Parameters Vol.21-SLP-83 No.9 21/1/29 1 Estimation, Evaluation and Guarantee of the Reverberant Speech Recognition Performance based on Room Acoustic Parameters Takanobu Nishiura 1 We study on estimation, evaluation

Διαβάστε περισσότερα

VOCODER VOCODER Vocal

VOCODER VOCODER Vocal Vol.1-MUS-95 No.3 1/6/ VOCODER 1,a) 1,b) 1,c) 1,d) VOCODER VOCODER Vocal VOCODER Cross synthesis VOCODER which preserves linguistic information and characteristic timbre of musical instruments and animal

Διαβάστε περισσότερα

Spectrum Representation (5A) Young Won Lim 11/3/16

Spectrum Representation (5A) Young Won Lim 11/3/16 Spectrum (5A) Copyright (c) 2009-2016 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any later

Διαβάστε περισσότερα

3: A convolution-pooling layer in PS-CNN 1: Partially Shared Deep Neural Network 2.2 Partially Shared Convolutional Neural Network 2: A hidden layer o

3: A convolution-pooling layer in PS-CNN 1: Partially Shared Deep Neural Network 2.2 Partially Shared Convolutional Neural Network 2: A hidden layer o Sound Source Identification based on Deep Learning with Partially-Shared Architecture 1 2 1 1,3 Takayuki MORITO 1, Osamu SUGIYAMA 2, Ryosuke KOJIMA 1, Kazuhiro NAKADAI 1,3 1 2 ( ) 3 Tokyo Institute of

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία Φωνής

Ψηφιακή Επεξεργασία Φωνής ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Διάλεξη: Προσαρμόσιμο Αρμονικό Μοντέλο Παρουσίαση: Gilles Degottex Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών A Full-Band Adaptive Harmonic

Διαβάστε περισσότερα

ITU-R BT.1908 (2012/01) !" # $ %& '( ) * +, - ( )

ITU-R BT.1908 (2012/01) ! # $ %& '( ) * +, - ( ) (2012/01)!" # $ %& '( ) * +, - 0 1 "'./ ( ) BT ii.. (IPR) (ITU-T/ITU-R/ISO/IEC).ITU-R 1 1 http://www.itu.int/itu-r/go/patents/en. (http://www.itu.int/publ/r-rec/en ) () ( ) BO BR BS BT F M P RA RS S SA

Διαβάστε περισσότερα

CSJ. Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity

CSJ. Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity i-vector 1 1 1 1 i-vector CSJ i-vector Speaker clustering based on non-negative matrix factorization using i-vector-based speaker similarity Fukuchi Yusuke 1 Tawara Naohiro 1 Ogawa Tetsuji 1 Kobayashi

Διαβάστε περισσότερα

1.8 Paul Mother Wavelet Real Part Imaginary Part Magnitude.6.4 Amplitude.2.2.4.6.8 1 8 6 4 2 2 4 6 8 1 t .8.6 Real Part of Three Scaled Wavelets a = 1 a = 5 a = 1 1.2 1 Imaginary Part of Three Scaled Wavelets

Διαβάστε περισσότερα

Parameter Estimation of Mixture Model of Multiple Instruments and Application to Musical Instrument Identification

Parameter Estimation of Mixture Model of Multiple Instruments and Application to Musical Instrument Identification Vol.009-MUS-81 No.13 009/7/30 1 1 1 1 10 81.6% Parameter Estimation of Mixture Model of Multiple Instruments and Application to Musical Instrument Identification KATSUTOSHI ITOYAMA, 1 MASATAKA GOTO, KAZUNORI

Διαβάστε περισσότερα

Acoustic Signal Adjustment by Considering Musical Expressive Intention Using a Performance Intension Function

Acoustic Signal Adjustment by Considering Musical Expressive Intention Using a Performance Intension Function 1,a) 2 MOS Acoustic Signal Adjustment by Considering Musical Expressive Intention Using a Performance Intension Function Yuma Koizumi 1,a) Katunobu Itou 2 Abstract: We propose an estimation method for

Διαβάστε περισσότερα

Fundamentals of Signals, Systems and Filtering

Fundamentals of Signals, Systems and Filtering Fundamentals of Signals, Systems and Filtering Brett Ninness c 2000-2005, Brett Ninness, School of Electrical Engineering and Computer Science The University of Newcastle, Australia. 2 c Brett Ninness

Διαβάστε περισσότερα

Re-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7]

Re-Pair n. Re-Pair. Re-Pair. Re-Pair. Re-Pair. (Re-Merge) Re-Merge. Sekine [4, 5, 8] (highly repetitive text) [2] Re-Pair. Blocked-Repair-VF [7] Re-Pair 1 1 Re-Pair Re-Pair Re-Pair Re-Pair 1. Larsson Moffat [1] Re-Pair Re-Pair (Re-Pair) ( ) (highly repetitive text) [2] Re-Pair [7] Re-Pair Re-Pair n O(n) O(n) 1 Hokkaido University, Graduate School

Διαβάστε περισσότερα

Bundle Adjustment for 3-D Reconstruction: Implementation and Evaluation

Bundle Adjustment for 3-D Reconstruction: Implementation and Evaluation 3 2 3 2 3 undle Adjustment or 3-D Reconstruction: Implementation and Evaluation Yuuki Iwamoto, Yasuyuki Sugaya 2 and Kenichi Kanatani We describe in detail the algorithm o bundle adjustment or 3-D reconstruction

Διαβάστε περισσότερα

Signal processing for handling singing voice texture

Signal processing for handling singing voice texture 1 TANDEM-STRAIGHT Signal processing for handling singing voice texture Hideki Kawahara 1 Singers explore vocal expressions to the limit. Conventional speech processing algorithms, which were designed to

Διαβάστε περισσότερα

: TANDEM-STRAIGHT. Make singing voice tangible: TANDEM-STRAIGHT and temporally variable morphing as substrate. Hideki Kawahara 1 and Masanori Morise 2

: TANDEM-STRAIGHT. Make singing voice tangible: TANDEM-STRAIGHT and temporally variable morphing as substrate. Hideki Kawahara 1 and Masanori Morise 2 Vol.1-MUS-86 No.6 1/7/8 1. : TANDEM-STRAIGHT 1 STRAIGHT TANDEM-STRAIGHT STRAIGHT TANDEM-STRAIGHT SNR 3 db Make singing voice tangible: TANDEM-STRAIGHT and temporally variable morphing as substrate Hideki

Διαβάστε περισσότερα

An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio

An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software Defined Radio C IEEJ Transactions on Electronics, Information and Systems Vol.133 No.5 pp.910 915 DOI: 10.1541/ieejeiss.133.910 a) An Automatic Modulation Classifier using a Frequency Discriminator for Intelligent Software

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία Φωνής

Ψηφιακή Επεξεργασία Φωνής ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 1η: Ψηφιακή Επεξεργασία Σήματος Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture 1: Discrete-Time

Διαβάστε περισσότερα

F0 Estimation of Melody and Bass Lines in Real-world Musical Audio Signals

F0 Estimation of Melody and Bass Lines in Real-world Musical Audio Signals 99-MUS-31-16, Vol.99, No.68, August 1999. 31 16 goto@etl.go.jp CD EM F0 Estimation o Melody and Bass Lines in Real-world Musical Audio Signals Masataka Goto Electrotechnical Laboratory 1-1-4 Umezono, Tsukuba,

Διαβάστε περισσότερα

Sampling Basics (1B) Young Won Lim 9/21/13

Sampling Basics (1B) Young Won Lim 9/21/13 Sampling Basics (1B) Copyright (c) 2009-2013 Young W. Lim. Permission is granted to copy, distribute and/or modify this document under the terms of the GNU Free Documentation License, Version 1.2 or any

Διαβάστε περισσότερα

BiCG CGS BiCGStab BiCG CGS 5),6) BiCGStab M Minimum esidual part CGS BiCGStab BiCGStab 2 PBiCG PCGS α β 3 BiCGStab PBiCGStab PBiCG 4 PBiCGStab 5 2. Bi

BiCG CGS BiCGStab BiCG CGS 5),6) BiCGStab M Minimum esidual part CGS BiCGStab BiCGStab 2 PBiCG PCGS α β 3 BiCGStab PBiCGStab PBiCG 4 PBiCGStab 5 2. Bi BiCGStab 1 1 2 3 1 4 2 BiCGStab PBiCGStab BiCG CGS CGS PBiCGStab BiCGStab M PBiCGStab An improvement in preconditioned algorithm of BiCGStab method Shoji Itoh, 1 aahiro Katagiri, 1 aao Saurai, 2 Mitsuyoshi

Διαβάστε περισσότερα

Feasible Regions Defined by Stability Constraints Based on the Argument Principle

Feasible Regions Defined by Stability Constraints Based on the Argument Principle Feasible Regions Defined by Stability Constraints Based on the Argument Principle Ken KOUNO Masahide ABE Masayuki KAWAMATA Department of Electronic Engineering, Graduate School of Engineering, Tohoku University

Διαβάστε περισσότερα

Speech Recognition using Phase Information based on Long-Term Analysis

Speech Recognition using Phase Information based on Long-Term Analysis THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. 441 8580 1 1 E-mail: {kyama,sueyoshi,nakagawa}@slp.cs.tut.ac.jp MFCC Liu 2 1 1 90% MFCC 20% Abstract Speech

Διαβάστε περισσότερα

1,a) 1,b) 2 3 Sakriani Sakti 1 Graham Neubig 1 1. A Study on HMM-Based Speech Synthesis Using Rich Context Models

1,a) 1,b) 2 3 Sakriani Sakti 1 Graham Neubig 1 1. A Study on HMM-Based Speech Synthesis Using Rich Context Models HMM 1,a 1,b 3 Sakriani Sakti 1 Graham Neubig 1 1 Hidden Markov Model HMM HMM HMM HMM HMM A Study on HMM-Based Speech Synthesis Using Rich Context Models Shinnosuke Takamichi 1,a Toda Tomoki 1,b Shiga Yoshinori

Διαβάστε περισσότερα

ΣΧΟΛΗ Σχολή Τεχνολογικών Εφαρμογών ΤΜΗΜΑ Ηλεκτρονικών Μηχανικών Τ.Ε. ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 5

ΣΧΟΛΗ Σχολή Τεχνολογικών Εφαρμογών ΤΜΗΜΑ Ηλεκτρονικών Μηχανικών Τ.Ε. ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 5 ΣΧΟΛΗ Σχολή Τεχνολογικών Εφαρμογών ΤΜΗΜΑ Ηλεκτρονικών Μηχανικών Τ.Ε. ΕΠΙΠΕΔΟ ΣΠΟΥΔΩΝ Προπτυχιακό ΚΩΔΙΚΟΣ ΜΑΘΗΜΑΤΟΣ ΕΞΑΜΗΝΟ ΣΠΟΥΔΩΝ 5 ΤΙΤΛΟΣ ΜΑΘΗΜΑΤΟΣ Ψηφιακή Επεξεργασία Σήματος ΑΥΤΟΤΕΛΕΙΣ ΔΙΔΑΚΤΙΚΕΣ ΔΡΑΣΤΗΡΙΟΤΗΤΕΣ

Διαβάστε περισσότερα

FX10 SIMD SIMD. [3] Dekker [4] IEEE754. a.lo. (SpMV Sparse matrix and vector product) IEEE754 IEEE754 [5] Double-Double Knuth FMA FMA FX10 FMA SIMD

FX10 SIMD SIMD. [3] Dekker [4] IEEE754. a.lo. (SpMV Sparse matrix and vector product) IEEE754 IEEE754 [5] Double-Double Knuth FMA FMA FX10 FMA SIMD FX,a),b),c) Bailey Double-Double [] FMA FMA [6] FX FMA SIMD Single Instruction Multiple Data 5 4.5. [] Bailey SIMD SIMD 8bit FMA (SpMV Sparse matrix and vector product) FX. DD Bailey Double-Double a) em49@ns.kogakuin.ac.jp

Διαβάστε περισσότερα

Buried Markov Model Pairwise

Buried Markov Model Pairwise Buried Markov Model 1 2 2 HMM Buried Markov Model J. Bilmes Buried Markov Model Pairwise 0.6 0.6 1.3 Structuring Model for Speech Recognition using Buried Markov Model Takayuki Yamamoto, 1 Tetsuya Takiguchi

Διαβάστε περισσότερα

([28] Bao-Feng Feng (UTP-TX), ( ), [20], [16], [24]. 1 ([3], [17]) p t = 1 2 κ2 T + κ s N -259-

([28] Bao-Feng Feng (UTP-TX), ( ), [20], [16], [24]. 1 ([3], [17]) p t = 1 2 κ2 T + κ s N -259- 5,..,. [8]..,,.,.., Bao-Feng Feng UTP-TX,, UTP-TX,,. [0], [6], [4].. ps ps, t. t ps, 0 = ps. s 970 [0] []. [3], [7] p t = κ T + κ s N -59- , κs, t κ t + 3 κ κ s + κ sss = 0. T s, t, Ns, t., - mkdv. mkdv.

Διαβάστε περισσότερα

2 ICA. (ICA, Independent Component Analysis) (PCA, Principal Compoenent Analysis) x(t) =(x 1 (t),...,x m (t)) T t =0, 1, 2,... PCA 2 ICA.

2 ICA. (ICA, Independent Component Analysis) (PCA, Principal Compoenent Analysis) x(t) =(x 1 (t),...,x m (t)) T t =0, 1, 2,... PCA 2 ICA. s T (ICA, Independent Component Analysis) (PCA, Principal Compoenent Analysis) x =(x,...,x m ) T t =,,,... PCA ICA m m n s x PCA x =As, () ICA ICA ICA Blind Source Separation A m n BSS s A x n n m n m

Διαβάστε περισσότερα

Filter Diagonalization Method which Constructs an Approximation of Orthonormal Basis of the Invariant Subspace from the Filtered Vectors

Filter Diagonalization Method which Constructs an Approximation of Orthonormal Basis of the Invariant Subspace from the Filtered Vectors 1 Av=λBv [a, b] subspace subspace B- subspace B- [a, b] B- Filter Diagonalization Method which Constructs an Approximation of Orthonormal Basis of the Invariant Subspace from the Filtered Vectors Hiroshi

Διαβάστε περισσότερα

μ μ μ s t j2 fct T () = a() t e π s t ka t e e j2π fct j2π fcτ0 R() = ( τ0) xt () = α 0 dl () pt ( lt) + wt () l wt () N 2 (0, σ ) Time-Delay Estimation Bias / T c 0.4 0.3 0.2 0.1 0-0.1-0.2-0.3 In-phase

Διαβάστε περισσότερα

ΔΙΑΚΡΙΤΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER - Discrete Fourier Transform - DFT -

ΔΙΑΚΡΙΤΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER - Discrete Fourier Transform - DFT - ΔΙΑΚΡΙΤΟΣ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER - Discrete Fourier Transform - DFT - Α. ΣΚΟΔΡΑΣ ΣΗΜΑΤΑ ΚΑΙ ΣΥΣΤΗΜΑΤΑ ΙΙ (22Y603) ΕΝΟΤΗΤΑ 4 ΔΙΑΛΕΞΗ 1 ΔΙΑΦΑΝΕΙΑ 1 Διαφορετικοί Τύποι Μετασχηµατισµού Fourier Α. ΣΚΟΔΡΑΣ

Διαβάστε περισσότερα

HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών. Σήματα διακριτού χρόνου

HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών. Σήματα διακριτού χρόνου HMY 429: Εισαγωγή στην Επεξεργασία Ψηφιακών Σημάτων Διάλεξη 1: Εισαγωγή Διάλεξη 1: Εισαγωγή Σήματα διακριτού χρόνου Γενικές πληροφορίες Διδάσκων: Γεώργιος Μήτσης Γραφείο: 41 Πράσινο Άλσος Ώρες γραφείου:

Διαβάστε περισσότερα

Fundamentals of Signal Processing for Communications Systems

Fundamentals of Signal Processing for Communications Systems THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE 606-8501 E-mail: kazunori@ikyoto-uacjp ZFMMSE Abstract Fundamentals of Signal Processing for Communications

Διαβάστε περισσότερα

Ηλεκτρονικοί Υπολογιστές IV

Ηλεκτρονικοί Υπολογιστές IV ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ηλεκτρονικοί Υπολογιστές IV Εισαγωγή στα δυναμικά συστήματα Διδάσκων: Επίκουρος Καθηγητής Αθανάσιος Σταυρακούδης Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό

Διαβάστε περισσότερα

Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P)

Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] (P) ( ) 1 ( ) : : (Differential Evolution, DE) (Particle Swarm Optimization, PSO) DE [1, 2, 3, 4] PSO [5, 6, 7, 8, 9, 10, 11] 2 2.1 (P) (P ) minimize f(x) subject to g j (x) 0, j = 1,..., q h j (x) = 0, j

Διαβάστε περισσότερα

1181 (real-timespeechdriven) 1 1 ( ) D FAP FAP (voiceactivationdetectionvad) D FaceGen 3- D XfaceEd MPEG-4 1 FAP 66 FAP ( ) FAP 84

1181 (real-timespeechdriven) 1 1 ( ) D FAP FAP (voiceactivationdetectionvad) D FaceGen 3- D XfaceEd MPEG-4 1 FAP 66 FAP ( ) FAP 84 ISSN1000-0054 CN11-2223/N ( ) 2011 51 9 JTsinghuaUniv(Sci& Tech) 2011Vol.51 No.9 5/33 1180-1186 ( 710129) [1-2] 2 [1] MPEG-4 3-D MOS MOS 3.42 3.50 TP391 1000-0054(2011)09-1180-07 A Real-timespeechdriventalkingavatar

Διαβάστε περισσότερα

A Sequential Experimental Design based on Bayesian Statistics for Online Automatic Tuning. Reiji SUDA,

A Sequential Experimental Design based on Bayesian Statistics for Online Automatic Tuning. Reiji SUDA, Bayes, Bayes mult-armed bandt problem Bayes A Sequental Expermental Desgn based on Bayesan Statstcs for Onlne Automatc Tunng Re SUDA, Ths paper proposes to use Bayesan statstcs for software automatc tunng

Διαβάστε περισσότερα

ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ Δρ. ΣΩΤΗΡΙΟΣ Α. ΔΑΛΙΑΝΗΣ

ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ Δρ. ΣΩΤΗΡΙΟΣ Α. ΔΑΛΙΑΝΗΣ ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ Δρ. ΣΩΤΗΡΙΟΣ Α. ΔΑΛΙΑΝΗΣ ΗΛΕΚΤΡΟΛΟΓΟΣ ΜΗΧΑΝΙΚΟΣ KAI ΜΗΧΑΝΙΚΟΣ ΥΠΟΛΟΓΙΣΤΩΝ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΔΙΔΑΚΤΩΡ ΨΗΦΙΑΚΗΣ ΕΠΕΞΕΡΓΑΣΙΑΣ ΣΗΜΑΤΩΝ ΚΑΙ ΔΥΝΑΜΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ Institute of Sound

Διαβάστε περισσότερα

BCI On Feature Extraction from Multi-Channel Brain Waves Used for Brain Computer Interface

BCI On Feature Extraction from Multi-Channel Brain Waves Used for Brain Computer Interface BCI On Feature Extraction from Multi-Channel Brain Waves Used for Brain Computer Interface Hiroya SAITO Kenji NAKAYAMA Akihiro HIRANO Graduate School of Natural Science and Technology,Kanazawa Univ. E-mail:

Διαβάστε περισσότερα

Quick algorithm f or computing core attribute

Quick algorithm f or computing core attribute 24 5 Vol. 24 No. 5 Cont rol an d Decision 2009 5 May 2009 : 100120920 (2009) 0520738205 1a, 2, 1b (1. a., b., 239012 ; 2., 230039) :,,.,.,. : ; ; ; : TP181 : A Quick algorithm f or computing core attribute

Διαβάστε περισσότερα

(hidden Markov model: HMM) FUNDAMENTALS OF SPEECH SYNTHESIS BASED ON HMM. Keiichi Tokuda. Department of Computer Science

(hidden Markov model: HMM) FUNDAMENTALS OF SPEECH SYNTHESIS BASED ON HMM. Keiichi Tokuda. Department of Computer Science HMM 466-8555 (hidden Markov model: HMM) HMM HMM HMM HMM FUNDAMENTALS OF SPEECH SYNTHESIS BASED ON HMM Keiichi Tokuda Department of Computer Science Nagoya Institute of Technology Gokiso-cho, Shouwa-ku,

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία Φωνής

Ψηφιακή Επεξεργασία Φωνής ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 5η: Ημιτονοειδής Ανάλυση και Τροποποίηση Φωνής Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture

Διαβάστε περισσότερα

ITU-R BT.2033 (2013/01) / 0) ( )

ITU-R BT.2033 (2013/01) / 0) ( ) ITU-R BT. (/) & ' ( & " #$%! - ".,(UHF) ) * + (VHF) ( / ) ( ) BT ITU-R BT.8-9 ii.. (IPR) (ITU-T/ITU-R/ISO/IEC).ITU-R http://www.itu.int/itu-r/go/patents/en. (http://www.itu.int/publ/r-rec/en ) ( ) () BO

Διαβάστε περισσότερα

GPU DD Double-Double 3 4 BLAS Basic Linear Algebra Subprograms [3] 2

GPU DD Double-Double 3 4 BLAS Basic Linear Algebra Subprograms [3] 2 GPU 4 1,a) 2,b) 1 GPU Tesla M2050 Double-Double DD 4 BiCGStab GPU 4 BiCGStab 1 1.0 2.2 4 GPU 4 1. IEEE754-2008[1] 128bit binary128 CG Conjugate Gradient [2] 1 1 2 a) mukunoki@hpcs.cs.tsukuba.ac.jp b) daisuke@cs.tsukuba.ac.jp

Διαβάστε περισσότερα

Εξάλειψη αντήχησης από ηχητικά σήματα με υποκειμενικά / ψυχοακουστικά κριτήρια

Εξάλειψη αντήχησης από ηχητικά σήματα με υποκειμενικά / ψυχοακουστικά κριτήρια Εξάλειψη αντήχησης από ηχητικά σήματα με υποκειμενικά / ψυχοακουστικά κριτήρια Θωμάς Ζαρούχας Διπλ. Ηλ/γος Μηχανικός thozar@wcl.ee.upatras.gr Παναγιώτης Χατζηαντωνίου Δρ. Ηλ/γος Μηχανικός hagianto@wcl.ee.upatras.gr

Διαβάστε περισσότερα

ΚΑΝΟΝΙΣΜΟΣ ΕΚΠΟΝΗΣΗΣ ΕΡΓΑΣΙΩΝ ΓΙΑ ΤΟ ΜΑΘΗΜΑ «ΕΠΕΞΕΡΓΑΣΙΑ ΨΗΦΙΑΚΟΥ ΣΗΜΑΤΟΣ ΚΑΙ ΣΧΕΔΙΑΣΜΟΣ ΥΛΙΚΟΥ»

ΚΑΝΟΝΙΣΜΟΣ ΕΚΠΟΝΗΣΗΣ ΕΡΓΑΣΙΩΝ ΓΙΑ ΤΟ ΜΑΘΗΜΑ «ΕΠΕΞΕΡΓΑΣΙΑ ΨΗΦΙΑΚΟΥ ΣΗΜΑΤΟΣ ΚΑΙ ΣΧΕΔΙΑΣΜΟΣ ΥΛΙΚΟΥ» Πρόγραμμα Μεταπτυχιακών Σπουδών «Τεχνολογίες και Συστήματα Ευρυζωνικών Εφαρμογών και Υπηρεσιών» ΚΑΝΟΝΙΣΜΟΣ ΕΚΠΟΝΗΣΗΣ ΕΡΓΑΣΙΩΝ ΓΙΑ ΤΟ ΜΑΘΗΜΑ «ΕΠΕΞΕΡΓΑΣΙΑ ΨΗΦΙΑΚΟΥ ΣΗΜΑΤΟΣ ΚΑΙ ΣΧΕΔΙΑΣΜΟΣ ΥΛΙΚΟΥ» Ακαδημαϊκό

Διαβάστε περισσότερα

[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a)

[1] DNA ATM [2] c 2013 Information Processing Society of Japan. Gait motion descriptors. Osaka University 2. Drexel University a) 1,a) 1,b) 2,c) 1,d) Gait motion descriptors 1. 12 1 Osaka University 2 Drexel University a) higashiyama@am.sanken.osaka-u.ac.jp b) makihara@am.sanken.osaka-u.ac.jp c) kon@drexel.edu d) yagi@am.sanken.osaka-u.ac.jp

Διαβάστε περισσότερα

! : ;, - "9 <5 =*<

! : ;, - 9 <5 =*< ITU-R M.473- (00/0)! (TDMA/FDMA) ""# $ %!& ' " ( ) 34 --./ 0, (MSS) * * )! +, 56 78 89 : ;, - "9

Διαβάστε περισσότερα

Sinsy: HMM. Sinsy An HMM-based singing voice synthesis system which can realize your wish I want this person to sing my song

Sinsy: HMM. Sinsy An HMM-based singing voice synthesis system which can realize your wish I want this person to sing my song . Sinsy: HMM 2 (hidden Markov model; HMM) 2009 2 HMM : Sinsy Sinsy 70 Sinsy Sinsy An HMM-based singing voice synthesis system which can realize your wish I want this person to sing my song Keiichiro Oura,

Διαβάστε περισσότερα

Yoshifumi Moriyama 1,a) Ichiro Iimura 2,b) Tomotsugu Ohno 1,c) Shigeru Nakayama 3,d)

Yoshifumi Moriyama 1,a) Ichiro Iimura 2,b) Tomotsugu Ohno 1,c) Shigeru Nakayama 3,d) 1,a) 2,b) 1,c) 3,d) Quantum-Inspired Evolutionary Algorithm 0-1 Search Performance Analysis According to Interpretation Methods for Dealing with Permutation on Integer-Type Gene-Coding Method based on

Διαβάστε περισσότερα

ECE 468: Digital Image Processing. Lecture 8

ECE 468: Digital Image Processing. Lecture 8 ECE 468: Digital Image Processing Lecture 8 Prof. Sinisa Todorovic sinisa@eecs.oregonstate.edu 1 Image Reconstruction from Projections X-ray computed tomography: X-raying an object from different directions

Διαβάστε περισσότερα

Π Ο Λ Ι Τ Ι Κ Α Κ Α Ι Σ Τ Ρ Α Τ Ι Ω Τ Ι Κ Α Γ Ε Γ Ο Ν Ο Τ Α

Π Ο Λ Ι Τ Ι Κ Α Κ Α Ι Σ Τ Ρ Α Τ Ι Ω Τ Ι Κ Α Γ Ε Γ Ο Ν Ο Τ Α Α Ρ Χ Α Ι Α Ι Σ Τ Ο Ρ Ι Α Π Ο Λ Ι Τ Ι Κ Α Κ Α Ι Σ Τ Ρ Α Τ Ι Ω Τ Ι Κ Α Γ Ε Γ Ο Ν Ο Τ Α Σ η µ ε ί ω σ η : σ υ ν ά δ ε λ φ ο ι, ν α µ ο υ σ υ γ χ ω ρ ή σ ε τ ε τ ο γ ρ ή γ ο ρ ο κ α ι α τ η µ έ λ η τ ο ύ

Διαβάστε περισσότερα

DERIVATION OF MILES EQUATION FOR AN APPLIED FORCE Revision C

DERIVATION OF MILES EQUATION FOR AN APPLIED FORCE Revision C DERIVATION OF MILES EQUATION FOR AN APPLIED FORCE Revision C By Tom Irvine Email: tomirvine@aol.com August 6, 8 Introduction The obective is to derive a Miles equation which gives the overall response

Διαβάστε περισσότερα

ITU-R SA (2010/01)! " # $% & '( ) * +,

ITU-R SA (2010/01)!  # $% & '( ) * +, (010/01)! " # $% & '( ) * +, SA ii.. (IPR) (ITU-T/ITU-R/ISO/IEC).ITU-R 1 1 http://www.itu.int/itu-r/go/patents/en. (http://www.itu.int/publ/r-rec/en ) () ( ) BO BR BS BT F M P RA S RS SA SF SM SNG TF V

Διαβάστε περισσότερα

HOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA

HOSVD. Higher Order Data Classification Method with Autocorrelation Matrix Correcting on HOSVD. Junichi MORIGAKI and Kaoru KATAYAMA DEIM Forum 2010 D1-4 HOSVD 191-0065 6-6 E-mail: j.morigaki@gmail.com, katayama@tmu.ac.jp Lathauwer (HOSVD) (Tensor) HOSVD Savas HOSVD Sun HOSVD,, Higher Order Data Classification Method with Autocorrelation

Διαβάστε περισσότερα

Περιεχόµενα. ΕΠΛ 422: Συστήµατα Πολυµέσων. Μέθοδοι συµπίεσης ηχητικών. Βιβλιογραφία. Κωδικοποίηση µε βάση την αντίληψη.

Περιεχόµενα. ΕΠΛ 422: Συστήµατα Πολυµέσων. Μέθοδοι συµπίεσης ηχητικών. Βιβλιογραφία. Κωδικοποίηση µε βάση την αντίληψη. Περιεχόµενα ΕΠΛ 422: Συστήµατα Πολυµέσων Συµπίεση Ήχου Μέθοδοι συµπίεσης ηχητικών σηµάτων DPCM Συµπίεση σηµάτων οµιλίας Κωδικοποίηση µε βάση την αντίληψη Χαρακτηριστικά και εφαρµογές Ψυχοακουστική (psychoacoustics)

Διαβάστε περισσότερα

University of Illinois at Urbana-Champaign ECE 310: Digital Signal Processing

University of Illinois at Urbana-Champaign ECE 310: Digital Signal Processing University of Illinois at Urbana-Champaign ECE : Digital Signal Processing Chandra Radhakrishnan PROBLEM SET : SOLUTIONS Peter Kairouz Problem Solution:. ( 5 ) + (5 6 ) + ( ) cos(5 ) + 5cos( 6 ) + cos(

Διαβάστε περισσότερα

EM Baum-Welch. Step by Step the Baum-Welch Algorithm and its Application 2. HMM Baum-Welch. Baum-Welch. Baum-Welch Baum-Welch.

EM Baum-Welch. Step by Step the Baum-Welch Algorithm and its Application 2. HMM Baum-Welch. Baum-Welch. Baum-Welch Baum-Welch. Baum-Welch Step by Step the Baum-Welch Algorithm and its Application Jin ichi MURAKAMI EM EM EM Baum-Welch Baum-Welch Baum-Welch Baum-Welch, EM 1. EM 2. HMM EM (Expectationmaximization algorithm) 1 3.

Διαβάστε περισσότερα

[5] F 16.1% MFCC NMF D-CASE 17 [5] NMF NMF 3. [5] 1 NMF Deep Neural Network(DNN) FUSION 3.1 NMF NMF [12] S W H 1 Fig. 1 Our aoustic event detect

[5] F 16.1% MFCC NMF D-CASE 17 [5] NMF NMF 3. [5] 1 NMF Deep Neural Network(DNN) FUSION 3.1 NMF NMF [12] S W H 1 Fig. 1 Our aoustic event detect NMF 1 1,a) 1 AED NMF DNN IEEE D-CASE 2012 20% DNN NMF 1. Computational Auditory Scene Analysis: CASA [1] [2] [3] [4] [5] Non-negative Matrxi Factorization (NMF) NMF 2. CASA IEEE 1 Dept. Computer Science

Διαβάστε περισσότερα

Speeding up the Detection of Scale-Space Extrema in SIFT Based on the Complex First Order System

Speeding up the Detection of Scale-Space Extrema in SIFT Based on the Complex First Order System (MIRU2008) 2008 7 SIFT 572-8572 26-12 599-8531 1-1 E-mail: umemoto@ipc.osaka-pct.ac.jp, kise@cs.osakafu-u.ac.jp SIFT 1 ANN 3 1 SIFT 1 Speeding up the Detection of Scale-Space Extrema in SIFT Based on the

Διαβάστε περισσότερα

GPGPU. Grover. On Large Scale Simulation of Grover s Algorithm by Using GPGPU

GPGPU. Grover. On Large Scale Simulation of Grover s Algorithm by Using GPGPU GPGPU Grover 1, 2 1 3 4 Grover Grover OpenMP GPGPU Grover qubit OpenMP GPGPU, 1.47 qubit On Large Scale Simulation of Grover s Algorithm by Using GPGPU Hiroshi Shibata, 1, 2 Tomoya Suzuki, 1 Seiya Okubo

Διαβάστε περισσότερα

ΣΤΗΑ ΨΕΣ 2012-13 22/5/2013 2:27 µµ. Θυµηθείτε τον ορισµό του Περιοδικού Σήµατος ιακριτού Χρόνου: την ακολουθία σηµάτων: jk n N ( ) sagri@di.uoa.

ΣΤΗΑ ΨΕΣ 2012-13 22/5/2013 2:27 µµ. Θυµηθείτε τον ορισµό του Περιοδικού Σήµατος ιακριτού Χρόνου: την ακολουθία σηµάτων: jk n N ( ) sagri@di.uoa. ΣΤΗΑ ΨΕΣ -3 /5/3 :7 µµ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER ΣΗΜΑΤΩΝ ΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ ΣΕΙΡΕΣ FOYRIER ΠΕΡΙΟ ΙΚΩΝ ΙΑΚΡΙΤΩΝ ΣΕ ΧΡΟΝΟ ΣΗΜΑΤΩΝ (DISCRETE TIME FOURIER SERIES-DTFS) ΠΕΡΙΟ ΙΚΑ ΣΗΜΑΤΑ ΙΑΚΡΙΤΟΥ ΧΡΟΝΟΥ Θυµηθείτε

Διαβάστε περισσότερα

Analysis of prosodic features in native and non-native Japanese using generation process model of fundamental frequency contours

Analysis of prosodic features in native and non-native Japanese using generation process model of fundamental frequency contours THE INSTITUTE O ELECTRONICS, INORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT O IEICE. 277 8562 5 1 5 113 3 7 3 1 6 817 17 8 E-mail: {hiran,wtgu,hirose,mine}@gavo.t.u-tokyo.ac.jp, goh@kawai.com

Διαβάστε περισσότερα

6.003: Signals and Systems. Modulation

6.003: Signals and Systems. Modulation 6.003: Signals and Systems Modulation May 6, 200 Communications Systems Signals are not always well matched to the media through which we wish to transmit them. signal audio video internet applications

Διαβάστε περισσότερα

Οι απόψεις και τα συμπεράσματα που περιέχονται σε αυτό το έγγραφο, εκφράζουν τον συγγραφέα και δεν πρέπει να ερμηνευτεί ότι αντιπροσωπεύουν τις

Οι απόψεις και τα συμπεράσματα που περιέχονται σε αυτό το έγγραφο, εκφράζουν τον συγγραφέα και δεν πρέπει να ερμηνευτεί ότι αντιπροσωπεύουν τις Οι απόψεις και τα συμπεράσματα που περιέχονται σε αυτό το έγγραφο, εκφράζουν τον συγγραφέα και δεν πρέπει να ερμηνευτεί ότι αντιπροσωπεύουν τις επίσημες θέσεις των εξεταστών. i ΠΡΟΛΟΓΟΣ ΕΥΧΑΡΙΣΤΙΕΣ Η παρούσα

Διαβάστε περισσότερα

Retrieval of Seismic Data Recorded on Open-reel-type Magnetic Tapes (MT) by Using Existing Devices

Retrieval of Seismic Data Recorded on Open-reel-type Magnetic Tapes (MT) by Using Existing Devices No. 3 + 1,**- Technical Research Report, Earthquake Research Institute, University of Tokyo, No. 3, pp. + 1,,**-. MT * ** *** Retrieval of Seismic Data Recorded on Open-reel-type Magnetic Tapes (MT) by

Διαβάστε περισσότερα

Detection and Recognition of Traffic Signal Using Machine Learning

Detection and Recognition of Traffic Signal Using Machine Learning 1 1 1 Detection and Recognition of Traffic Signal Using Machine Learning Akihiro Nakano, 1 Hiroshi Koyasu 1 and Hitoshi Maekawa 1 To improve road safety by assisting the driver, traffic signal recognition

Διαβάστε περισσότερα

IPSJ SIG Technical Report Vol.2014-CE-127 No /12/6 CS Activity 1,a) CS Computer Science Activity Activity Actvity Activity Dining Eight-He

IPSJ SIG Technical Report Vol.2014-CE-127 No /12/6 CS Activity 1,a) CS Computer Science Activity Activity Actvity Activity Dining Eight-He CS Activity 1,a) 2 2 3 CS Computer Science Activity Activity Actvity Activity Dining Eight-Headed Dragon CS Unplugged Activity for Learning Scheduling Methods Hisao Fukuoka 1,a) Toru Watanabe 2 Makoto

Διαβάστε περισσότερα

Anomaly Detection with Neighborhood Preservation Principle

Anomaly Detection with Neighborhood Preservation Principle 27 27 Workshop on Information-Based Induction Sciences (IBIS27) Tokyo, Japan, November 5-7, 27. Anomaly Detection with Neighborhood Preservation Principle Tsuyoshi Idé Abstract: We consider a task of anomaly

Διαβάστε περισσότερα

Higher-Order Correlation Analysis of Pitch Fluctuations in Sustained Normal Vowels by the Method of Surrogate Data

Higher-Order Correlation Analysis of Pitch Fluctuations in Sustained Normal Vowels by the Method of Surrogate Data a) Higher-Order Correlation Analysis of Pitch Fluctuations in Sustained Normal Vowels by the Method of Surrogate Data Isao TOKUDA a), Takaya MIYANO, and Kazuyuki AIHARA 2 3 3 2 3 1. [1] [3] Department

Διαβάστε περισσότερα

Wavelet based matrix compression for boundary integral equations on complex geometries

Wavelet based matrix compression for boundary integral equations on complex geometries 1 Wavelet based matrix compression for boundary integral equations on complex geometries Ulf Kähler Chemnitz University of Technology Workshop on Fast Boundary Element Methods in Industrial Applications

Διαβάστε περισσότερα

Mining Syntactic Structures from Text Database

Mining Syntactic Structures from Text Database IBM {tku-kumtsu}@isist-nrjp korux@gsrikengojp yuutt@jpimom PrefixSpn : PrefixSpn Mining Syntti Strutures from Text Dtse Tku Kuo Koru Ymmoto Yut Tsuoi Yuji Mtsumoto Grute Shool of Informtion Siene Nr Institute

Διαβάστε περισσότερα

ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ. Θωμά Σ. Ζαρούχα

ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ. Θωμά Σ. Ζαρούχα ΒΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ του Θωμά Σ. Ζαρούχα Δρ. Ηλεκτρολόγο Μηχανικό και Τεχνολογίας Υπολογιστών Νοέμβριος 2010 ΠΕΡΙΕΧΟΜΕΝΑ 1. ΑΤΟΜΙΚΑ ΣΤΟΙΧΕΙΑ...3 2. ΕΚΠΑΙΔΕΥΣΗ...3 3. ΞΕΝΕΣ ΓΛΩΣΣΕΣ...3 4. ΑΔΕΙΕΣ ΑΣΚΗΣΕΩΣ

Διαβάστε περισσότερα

8 th Lecture. M.Sc. Bioinformatics and Neuroinformatics Brain signal recording and analysis

8 th Lecture. M.Sc. Bioinformatics and Neuroinformatics Brain signal recording and analysis 8 th Lecture M.Sc. Bioinformatics and Neuroinformatics Brain signal recording and analysis Εισαγωγή Για αναλυθεί ένα φυσικό σήμα, είναι απαραίτητο να στηριχθεί σε ένα μαθηματικό μοντέλο, δηλαδή να περιγράφει

Διαβάστε περισσότερα

An Efficient Calculation of Set Expansion using Zero-Suppressed Binary Decision Diagrams

An Efficient Calculation of Set Expansion using Zero-Suppressed Binary Decision Diagrams 22 27 2 SP-C 2012 2011 Short Paper ZDD An Eicient Calculation o Set Expansion using Zero-Suppressed Binary Decision Diagrams Masaaki Nishino Norihito Yasuda Toru Kobayashi NTT Cyber Solutions Laboratories,

Διαβάστε περισσότερα

ΗΜΥ Διακριτός Μετασχηματισμός Fourier

ΗΜΥ Διακριτός Μετασχηματισμός Fourier 1 ΗΜΥ 480 5. Διακριτός Μετασχηματισμός Fourier ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΣ FOURIER Μετασχηματισμός Fourier MF: μιγαδικός αριθμός που δείχνει πώς: 1 συγκεκριμένες συχνότητες συμβάλλουν στο σήμα πραγματικό μέρος πώς

Διαβάστε περισσότερα

ITU-R P (2012/02) khz 150

ITU-R P (2012/02) khz 150 (0/0) khz 0 P ii (IPR) (ITU-T/ITU-R/ISO/IEC) ITU-R http://www.itu.int/itu-r/go/patents/en http://www.itu.int/publ/r-rec/en BO BR BS BT F M P RA RS S SA SF SM SNG TF V ITU-R 0 ITU 0 (ITU) khz 0 (0-009-00-003-00-994-990)

Διαβάστε περισσότερα

n 1 n 3 choice node (shelf) choice node (rough group) choice node (representative candidate)

n 1 n 3 choice node (shelf) choice node (rough group) choice node (representative candidate) THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. y y yy y 1565 0871 2 1 yy 525 8577 1 1 1 E-mail: yfmakihara,shiraig@cv.mech.eng.osaka-u.ac.jp, yyshimada@ci.ritsumei.ac.jp

Διαβάστε περισσότερα

HMY 799 1: Αναγνώριση Συστημάτων

HMY 799 1: Αναγνώριση Συστημάτων HMY 799 : Αναγνώριση Συστημάτων Διάλεξη 5 Εκτίμηση φάσματος ισχύος Συνάφεια Παραδείγματα Στοχαστικά Διανύσματα Autoregressive model with exogenous inputs (ARX y( t + a y( t +... + a y( t n = bu( t +...

Διαβάστε περισσότερα

Ψηφιακή Επεξεργασία Φωνής

Ψηφιακή Επεξεργασία Φωνής ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 4η: Γραμμική Πρόβλεψη: Ανάλυση και Σύνθεση Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture

Διαβάστε περισσότερα

X g 1990 g PSRB

X g 1990 g PSRB e-mail: shibata@provence.c.u-tokyo.ac.jp 2005 1. 40 % 1 4 1) 1 PSRB1913 16 30 2) 3) X g 1990 g 4) g g 2 g 2. 1990 2000 3) 10 1 Page 1 5) % 1 g g 3. 1 3 1 6) 3 S S S n m (1/a, b k /a) a b k 1 1 3 S n m,

Διαβάστε περισσότερα

Assignment 1 Solutions Complex Sinusoids

Assignment 1 Solutions Complex Sinusoids Assignment Solutions Complex Sinusoids ECE 223 Signals and Systems II Version. Spring 26. Eigenfunctions of LTI systems. Which of the following signals are eigenfunctions of LTI systems? a. x[n] =cos(

Διαβάστε περισσότερα

Σύστημα ψηφιακής επεξεργασίας ακουστικών σημάτων με χρήση προγραμματιζόμενων διατάξεων πυλών. Πτυχιακή Εργασία. Φοιτητής: ΤΣΟΥΛΑΣ ΧΡΗΣΤΟΣ

Σύστημα ψηφιακής επεξεργασίας ακουστικών σημάτων με χρήση προγραμματιζόμενων διατάξεων πυλών. Πτυχιακή Εργασία. Φοιτητής: ΤΣΟΥΛΑΣ ΧΡΗΣΤΟΣ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Τμήμα Ηλεκτρονικών Μηχανικών Τ.Ε. Σύστημα ψηφιακής επεξεργασίας ακουστικών σημάτων με χρήση προγραμματιζόμενων διατάξεων πυλών. Πτυχιακή Εργασία Φοιτητής:

Διαβάστε περισσότερα

Evolution of Novel Studies on Thermofluid Dynamics with Combustion

Evolution of Novel Studies on Thermofluid Dynamics with Combustion MEMOIRS OF SHONAN INSTITUTE OF TECHNOLOGY Vol. 42, No. 1, 2008 * Evolution of Novel Studies on Thermofluid Dynamics with Combustion Hiroyuki SATO* This paper mentions the recent development of combustion

Διαβάστε περισσότερα

Company. Patras, Greece

Company. Patras, Greece Company Patras, Greece Accusonus is start-up, focusing on innovative digital audio technologies. Our offices are located at the Patras Innovation Hub, Patras, Greece.The company s mission is to offer advanced

Διαβάστε περισσότερα

«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ»

«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ» ΓΔΩΠΟΝΗΚΟ ΠΑΝΔΠΗΣΖΜΗΟ ΑΘΖΝΩΝ ΣΜΗΜΑ ΑΞΙΟΠΟΙΗΗ ΦΤΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗ ΜΗΥΑΝΙΚΗ ΣΟΜΕΑ ΕΔΑΦΟΛΟΓΙΑ ΚΑΙ ΓΕΩΡΓΙΚΗ ΥΗΜΕΙΑ ΕΙΔΙΚΕΤΗ: ΕΦΑΡΜΟΓΕ ΣΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΣΟΤ ΦΤΙΚΟΤ ΠΟΡΟΤ «ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ

Διαβάστε περισσότερα

ITU-R BT ITU-R BT ( ) ITU-T J.61 (

ITU-R BT ITU-R BT ( ) ITU-T J.61 ( ITU-R BT.439- ITU-R BT.439- (26-2). ( ( ( ITU-T J.6 ( ITU-T J.6 ( ( 2 2 2 3 ITU-R BT.439-2 4 3 4 K : 5. ITU-R BT.24 :. ITU-T J.6. : T u ( ) () (S + L = M) :A :B :C : D :E :F :G :H :J :K :L :M :S :Tsy :Tlb

Διαβάστε περισσότερα

2

2 >? LC? >? CMOS?, >> > > >> - >> ebrahimi_emyahoo.com, nasehum.ac.ir ? > ()? LC? >? > .> > CMOS? > >? >.> >??? > >? > > > >? >. >> >? 0/5 E? >.>> > >?? >.> > > > >>> >.>??.?

Διαβάστε περισσότερα

SVM. Research on ERPs feature extraction and classification

SVM. Research on ERPs feature extraction and classification 39 1 2011 2 Journal of Fuzhou University Natural Science Edition Vol 39 No 1 Feb 2011 DOI CNKI 35-1117 /N 20110121 1723 008 1000-2243 2011 01-0054 - 06 ERPs 350108 - ERPs SVM ERPs SVM 90% ERPs SVM TP391

Διαβάστε περισσότερα

[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1

[4] 1.2 [5] Bayesian Approach min-max min-max [6] UCB(Upper Confidence Bound ) UCT [7] [1] ( ) Amazons[8] Lines of Action(LOA)[4] Winands [4] 1 1,a) Bayesian Approach An Application of Monte-Carlo Tree Search Algorithm for Shogi Player Based on Bayesian Approach Daisaku Yokoyama 1,a) Abstract: Monte-Carlo Tree Search (MCTS) algorithm is quite

Διαβάστε περισσότερα

Orthogonalization Library with a Numerical Computation Policy Interface

Orthogonalization Library with a Numerical Computation Policy Interface Vol. 46 No. SIG 7(ACS 10) May 2005 DGKS PC 10 8 10 14 4.8 Orthogonalization Library with a Numerical Computation Policy Interface Ken Naono, Mitsuyoshi Igai and Hiroyuki Kidachi We propose an orthogonalization

Διαβάστε περισσότερα

Voice Conversion based on Non-negative Matrix Factorization with Segment Features in Noisy Environments

Voice Conversion based on Non-negative Matrix Factorization with Segment Features in Noisy Environments THE INSTITUTE OF ELECTRONICS, INFORMATION AND COMMUNICATION ENGINEERS TECHNICAL REPORT OF IEICE. NMF 657 8501 1 1 657 8501 1 1 E-ail: {fujii,aihara}@e.cs.scitec.kobe-u.ac.jp, {takigu,ariki}@kobe-u.ac.jp

Διαβάστε περισσότερα

Second Order RLC Filters

Second Order RLC Filters ECEN 60 Circuits/Electronics Spring 007-0-07 P. Mathys Second Order RLC Filters RLC Lowpass Filter A passive RLC lowpass filter (LPF) circuit is shown in the following schematic. R L C v O (t) Using phasor

Διαβάστε περισσότερα