Ψηφιακή Επεξεργασία Φωνής
|
|
- ŌÁĒ Καρράς
- 7 χρόνια πριν
- Προβολές:
Transcript
1 ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 6η: Κωδικοποίηση Φωνής Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών
2 CS578- Speech Signal Processing Lecture 7: Speech Coding Yannis Stylianou University of Crete, Computer Science Dept., Multimedia Informatics Lab Univ. of Crete
3 Outline 1 Introduction 2 Statistical Models 3 Scalar Quantization Max Quantizer Companding Adaptive quantization Differential and Residual quantization 4 Vector Quantization The k-means algorithm The LBG algorithm 5 Model-based Coding Basic Linear Prediction, LPC Mixed Excitation LPC (MELP) 6 Acknowledgments
4 Digital telephone communication system
5 Categories of speech coders Waveform coders (16-64 kbps, f s = 8000Hz) Hybrid coders ( kbps, f s = 8000Hz) Vocoders ( kbps, f s = 8000Hz)
6 Categories of speech coders Waveform coders (16-64 kbps, f s = 8000Hz) Hybrid coders ( kbps, f s = 8000Hz) Vocoders ( kbps, f s = 8000Hz)
7 Categories of speech coders Waveform coders (16-64 kbps, f s = 8000Hz) Hybrid coders ( kbps, f s = 8000Hz) Vocoders ( kbps, f s = 8000Hz)
8 Speech quality Closeness of the processed speech waveform to the original speech waveform Naturalness Background artifacts Intelligibility Speaker identifiability
9 Speech quality Closeness of the processed speech waveform to the original speech waveform Naturalness Background artifacts Intelligibility Speaker identifiability
10 Speech quality Closeness of the processed speech waveform to the original speech waveform Naturalness Background artifacts Intelligibility Speaker identifiability
11 Speech quality Closeness of the processed speech waveform to the original speech waveform Naturalness Background artifacts Intelligibility Speaker identifiability
12 Speech quality Closeness of the processed speech waveform to the original speech waveform Naturalness Background artifacts Intelligibility Speaker identifiability
13 Measuring Speech Quality Subjective tests: Diagnostic Rhyme Test (DRT) Diagnostic Acceptability Measure (DAM) Mean Opinion Score (MOS) Objective tests: Segmental Signal-to-Noise Ratio (SNR) Articulation Index
14 Measuring Speech Quality Subjective tests: Diagnostic Rhyme Test (DRT) Diagnostic Acceptability Measure (DAM) Mean Opinion Score (MOS) Objective tests: Segmental Signal-to-Noise Ratio (SNR) Articulation Index
15 Measuring Speech Quality Subjective tests: Diagnostic Rhyme Test (DRT) Diagnostic Acceptability Measure (DAM) Mean Opinion Score (MOS) Objective tests: Segmental Signal-to-Noise Ratio (SNR) Articulation Index
16 Measuring Speech Quality Subjective tests: Diagnostic Rhyme Test (DRT) Diagnostic Acceptability Measure (DAM) Mean Opinion Score (MOS) Objective tests: Segmental Signal-to-Noise Ratio (SNR) Articulation Index
17 Measuring Speech Quality Subjective tests: Diagnostic Rhyme Test (DRT) Diagnostic Acceptability Measure (DAM) Mean Opinion Score (MOS) Objective tests: Segmental Signal-to-Noise Ratio (SNR) Articulation Index
18 Quantization Statistical models of speech (preliminary) Scalar quantization (i.e., waveform coding) Vector quantization (i.e., subband and sinusoidal coding)
19 Quantization Statistical models of speech (preliminary) Scalar quantization (i.e., waveform coding) Vector quantization (i.e., subband and sinusoidal coding)
20 Quantization Statistical models of speech (preliminary) Scalar quantization (i.e., waveform coding) Vector quantization (i.e., subband and sinusoidal coding)
21 Linear Prediction Coding, LPC Classic LPC Mixed Excitation Linear Prediction, MELP Multipulse LPC Code Excited Linear Prediction (CELP)
22 Linear Prediction Coding, LPC Classic LPC Mixed Excitation Linear Prediction, MELP Multipulse LPC Code Excited Linear Prediction (CELP)
23 Linear Prediction Coding, LPC Classic LPC Mixed Excitation Linear Prediction, MELP Multipulse LPC Code Excited Linear Prediction (CELP)
24 Linear Prediction Coding, LPC Classic LPC Mixed Excitation Linear Prediction, MELP Multipulse LPC Code Excited Linear Prediction (CELP)
25 Outline 1 Introduction 2 Statistical Models 3 Scalar Quantization Max Quantizer Companding Adaptive quantization Differential and Residual quantization 4 Vector Quantization The k-means algorithm The LBG algorithm 5 Model-based Coding Basic Linear Prediction, LPC Mixed Excitation LPC (MELP) 6 Acknowledgments
26 Probability Density of speech By setting x[n] x, the histogram of speech samples can be approximated by a gamma density: p X (x) = or by a simpler Laplacian density: ( ) 1/2 3 e 3 x 2σx 8πσ x x p X (x) = 1 e 3 x σx 2σx
27 Densities comparison
28 Outline 1 Introduction 2 Statistical Models 3 Scalar Quantization Max Quantizer Companding Adaptive quantization Differential and Residual quantization 4 Vector Quantization The k-means algorithm The LBG algorithm 5 Model-based Coding Basic Linear Prediction, LPC Mixed Excitation LPC (MELP) 6 Acknowledgments
29 Coding and Decoding
30 Fundamentals of Scalar Coding Let s quantize a single sample speech value, x[n] into M reconstruction or decision levels: ˆx[n] = ˆx i = Q(x[n]), x i 1 < x[n] x i with 1 i M and x k denotes the M decision levels with 0 k M. Assign a codeword in each reconstruction level. Collection of codewords makes a codebook. Using B-bit binary codebook we can represent each 2 B different quantization (reconstruction) levels. Bit rate, I, is defined as: I = Bf s
31 Fundamentals of Scalar Coding Let s quantize a single sample speech value, x[n] into M reconstruction or decision levels: ˆx[n] = ˆx i = Q(x[n]), x i 1 < x[n] x i with 1 i M and x k denotes the M decision levels with 0 k M. Assign a codeword in each reconstruction level. Collection of codewords makes a codebook. Using B-bit binary codebook we can represent each 2 B different quantization (reconstruction) levels. Bit rate, I, is defined as: I = Bf s
32 Fundamentals of Scalar Coding Let s quantize a single sample speech value, x[n] into M reconstruction or decision levels: ˆx[n] = ˆx i = Q(x[n]), x i 1 < x[n] x i with 1 i M and x k denotes the M decision levels with 0 k M. Assign a codeword in each reconstruction level. Collection of codewords makes a codebook. Using B-bit binary codebook we can represent each 2 B different quantization (reconstruction) levels. Bit rate, I, is defined as: I = Bf s
33 Fundamentals of Scalar Coding Let s quantize a single sample speech value, x[n] into M reconstruction or decision levels: ˆx[n] = ˆx i = Q(x[n]), x i 1 < x[n] x i with 1 i M and x k denotes the M decision levels with 0 k M. Assign a codeword in each reconstruction level. Collection of codewords makes a codebook. Using B-bit binary codebook we can represent each 2 B different quantization (reconstruction) levels. Bit rate, I, is defined as: I = Bf s
34 Uniform quantization x i x i 1 =, 1 i M ˆx i = x i +x i 1 2, 1 i M is referred to as uniform quantization step size. Example of a 2-bit uniform quantization:
35 Uniform quantization: designing decision regions Signal range: 4σ x x[n] 4σ x Assuming B-bit binary codebook, we get 2 B quantization (reconstruction) levels Quantization step size, : and quantization noise. = 2x max 2 B
36 Classes of Quantization noise There are two classes of quantization noise: Granular Distortion: ˆx[n] = x[n] + e[n] where e[n] is the quantization noise, with: 2 e[n] 2 Overload Distortion: clipped samples
37 Assumptions Quantization noise is an ergodic white-noise random process: r e [m] = E(e[n]e[n + m]) = σ 2 e, m = 0 = 0, m 0 Quantization noise and input signal are uncorrelated: E(x[n]e[n + m]) = 0 m Quantization noise is uniform over the quantization interval p e (e) = 1, 2 e 2 = 0, otherwise
38 Assumptions Quantization noise is an ergodic white-noise random process: r e [m] = E(e[n]e[n + m]) = σ 2 e, m = 0 = 0, m 0 Quantization noise and input signal are uncorrelated: E(x[n]e[n + m]) = 0 m Quantization noise is uniform over the quantization interval p e (e) = 1, 2 e 2 = 0, otherwise
39 Assumptions Quantization noise is an ergodic white-noise random process: r e [m] = E(e[n]e[n + m]) = σ 2 e, m = 0 = 0, m 0 Quantization noise and input signal are uncorrelated: E(x[n]e[n + m]) = 0 m Quantization noise is uniform over the quantization interval p e (e) = 1, 2 e 2 = 0, otherwise
40 Dithering Definition (Dithering) We can force e[n] to be white and uncorrelated with x[n] by adding noise to x[n] before quantization!
41 Signal-to-Noise Ratio To quantify the severity of the quantization noise, we define the Signal-to-Noise Ratio (SNR) as: SNR = = σx 2 σ e 2 E(x 2 [n]) E(e 2 [n]) 1 N 1 N 1 N n=0 x2 [n] N 1 n=0 e2 [n] For uniform pdf and quantizer range 2x max : σe 2 = 2 12 x = max B Or and in db: and since x max = 4σ x : SNR = 3 22B ( xmax σx )2 ( ) xmax SNR(dB) 6B log 10 SNR(dB) 6B 7.2 σ x
42 Signal-to-Noise Ratio To quantify the severity of the quantization noise, we define the Signal-to-Noise Ratio (SNR) as: SNR = = σx 2 σ e 2 E(x 2 [n]) E(e 2 [n]) 1 N 1 N 1 N n=0 x2 [n] N 1 n=0 e2 [n] For uniform pdf and quantizer range 2x max : σe 2 = 2 12 x = max B Or and in db: and since x max = 4σ x : SNR = 3 22B ( xmax σx )2 ( ) xmax SNR(dB) 6B log 10 SNR(dB) 6B 7.2 σ x
43 Signal-to-Noise Ratio To quantify the severity of the quantization noise, we define the Signal-to-Noise Ratio (SNR) as: SNR = = σx 2 σ e 2 E(x 2 [n]) E(e 2 [n]) 1 N 1 N 1 N n=0 x2 [n] N 1 n=0 e2 [n] For uniform pdf and quantizer range 2x max : σe 2 = 2 12 x = max B Or and in db: and since x max = 4σ x : SNR = 3 22B ( xmax σx )2 ( ) xmax SNR(dB) 6B log 10 SNR(dB) 6B 7.2 σ x
44 Signal-to-Noise Ratio To quantify the severity of the quantization noise, we define the Signal-to-Noise Ratio (SNR) as: SNR = = σx 2 σ e 2 E(x 2 [n]) E(e 2 [n]) 1 N 1 N 1 N n=0 x2 [n] N 1 n=0 e2 [n] For uniform pdf and quantizer range 2x max : σe 2 = 2 12 x = max B Or and in db: and since x max = 4σ x : SNR = 3 22B ( xmax σx )2 ( ) xmax SNR(dB) 6B log 10 SNR(dB) 6B 7.2 σ x
45 Signal-to-Noise Ratio To quantify the severity of the quantization noise, we define the Signal-to-Noise Ratio (SNR) as: SNR = = σx 2 σ e 2 E(x 2 [n]) E(e 2 [n]) 1 N 1 N 1 N n=0 x2 [n] N 1 n=0 e2 [n] For uniform pdf and quantizer range 2x max : σe 2 = 2 12 x = max B Or and in db: and since x max = 4σ x : SNR = 3 22B ( xmax σx )2 ( ) xmax SNR(dB) 6B log 10 SNR(dB) 6B 7.2 σ x
46 Pulse Code Modulation, PCM B bits of information per sample are transmitted as a codeword instantaneous coding not signal-specific 11 bits are required for toll quality what is the rate for f s = 10kHz? For CD, with f s = and B = 16 (16-bit PCM), what is the SNR?
47 Pulse Code Modulation, PCM B bits of information per sample are transmitted as a codeword instantaneous coding not signal-specific 11 bits are required for toll quality what is the rate for f s = 10kHz? For CD, with f s = and B = 16 (16-bit PCM), what is the SNR?
48 Pulse Code Modulation, PCM B bits of information per sample are transmitted as a codeword instantaneous coding not signal-specific 11 bits are required for toll quality what is the rate for f s = 10kHz? For CD, with f s = and B = 16 (16-bit PCM), what is the SNR?
49 Pulse Code Modulation, PCM B bits of information per sample are transmitted as a codeword instantaneous coding not signal-specific 11 bits are required for toll quality what is the rate for f s = 10kHz? For CD, with f s = and B = 16 (16-bit PCM), what is the SNR?
50 Pulse Code Modulation, PCM B bits of information per sample are transmitted as a codeword instantaneous coding not signal-specific 11 bits are required for toll quality what is the rate for f s = 10kHz? For CD, with f s = and B = 16 (16-bit PCM), what is the SNR?
51 Pulse Code Modulation, PCM B bits of information per sample are transmitted as a codeword instantaneous coding not signal-specific 11 bits are required for toll quality what is the rate for f s = 10kHz? For CD, with f s = and B = 16 (16-bit PCM), what is the SNR?
52 Optimal decision and reconstruction level if x[n] p x (x) we determine the optimal decision level, x i and the reconstruction level, ˆx, by minimizing: D = E[(ˆx x) 2 ] = p x(x)(ˆx x) 2 dx and assuming M reconstruction levels ˆx = Q[x]: D = M = i=1 xi x i 1 p x (x)(ˆx i x) 2 dx So: D ˆx k = 0, 1 k M D x k = 0, 1 k M 1
53 Optimal decision and reconstruction level if x[n] p x (x) we determine the optimal decision level, x i and the reconstruction level, ˆx, by minimizing: D = E[(ˆx x) 2 ] = p x(x)(ˆx x) 2 dx and assuming M reconstruction levels ˆx = Q[x]: D = M = i=1 xi x i 1 p x (x)(ˆx i x) 2 dx So: D ˆx k = 0, 1 k M D x k = 0, 1 k M 1
54 Optimal decision and reconstruction level if x[n] p x (x) we determine the optimal decision level, x i and the reconstruction level, ˆx, by minimizing: D = E[(ˆx x) 2 ] = p x(x)(ˆx x) 2 dx and assuming M reconstruction levels ˆx = Q[x]: D = M = i=1 xi x i 1 p x (x)(ˆx i x) 2 dx So: D ˆx k = 0, 1 k M D x k = 0, 1 k M 1
55 Optimal decision and reconstruction level, cont. The minimization of D over decision level, x k, gives: x k = ˆx k+1 + ˆx k, 1 k M 1 2 The minimization of D over reconstruction level, ˆx k, gives: ] xdx ˆx k = x k x k 1 [ p x (x) xk x p x (s)ds k 1 = x k x k 1 p x (x)xdx
56 Optimal decision and reconstruction level, cont. The minimization of D over decision level, x k, gives: x k = ˆx k+1 + ˆx k, 1 k M 1 2 The minimization of D over reconstruction level, ˆx k, gives: ] xdx ˆx k = x k x k 1 [ p x (x) xk x p x (s)ds k 1 = x k x k 1 p x (x)xdx
57 Example with Laplacian pdf
58 Principle of Companding
59 Companding examples Companding examples: Transformation to a uniform density: g[n] = T (x[n]) = x[n] p x(s)ds 1 2, 1 2 g[n] 1 2 = 0 elsewhere µ-law: x max ) T (x[n]) = x max log (1 + µ x[n] log (1 + µ) sign(x[n])
60 Companding examples Companding examples: Transformation to a uniform density: g[n] = T (x[n]) = x[n] p x(s)ds 1 2, 1 2 g[n] 1 2 = 0 elsewhere µ-law: x max ) T (x[n]) = x max log (1 + µ x[n] log (1 + µ) sign(x[n])
61 Adaptive quantization
62 Differential and Residual quantization
63 Outline 1 Introduction 2 Statistical Models 3 Scalar Quantization Max Quantizer Companding Adaptive quantization Differential and Residual quantization 4 Vector Quantization The k-means algorithm The LBG algorithm 5 Model-based Coding Basic Linear Prediction, LPC Mixed Excitation LPC (MELP) 6 Acknowledgments
64 Motivation for VQ
65 Comparing scalar and vector quantization
66 Distortion in VQ Here we have a multidimensional pdf p x (x): D = E[(ˆx x) T (ˆx x)] = (ˆx x)t (ˆx x)p x (x)dx = M i=1 x C i (r i x) T (r i x)p x (x)dx Two constraints: A vector x must be quantized to a reconstruction level r i that gives the smallest distortion: C i = {x : x r i 2 x r l 2, l = 1, 2,, M} Each reconstruction level r i must be the centroid of the corresponding decision region, i.e., of the cell C i : x r i = m C i x m i = 1, 2,, M x m C i 1
67 Distortion in VQ Here we have a multidimensional pdf p x (x): D = E[(ˆx x) T (ˆx x)] = (ˆx x)t (ˆx x)p x (x)dx = M i=1 x C i (r i x) T (r i x)p x (x)dx Two constraints: A vector x must be quantized to a reconstruction level r i that gives the smallest distortion: C i = {x : x r i 2 x r l 2, l = 1, 2,, M} Each reconstruction level r i must be the centroid of the corresponding decision region, i.e., of the cell C i : x r i = m C i x m i = 1, 2,, M x m C i 1
68 The k-means algorithm S1: D = 1 N 1 (ˆx k x k ) T (ˆx k x k ) N k=0 S2: Pick an initial guess at the reconstruction levels {r i } S3: For each x k elect an r i closest to x k. Form clusters (clustering step) S4: Find the mean of x k in each cluster which gives a new r i. Compute D. S5: Stop when the change in D over two consecutive iterations is insignificant.
69 The LBG algorithm Set the desired number of cells: M = 2 B Set an initial codebook C (0) with one codevector which is set as the average of the entire training sequence, x k, k = 1, 2,, N. Split the codevector into two and get an initial new codebook C (1). Perform a k-means algorithm to optimize the codebook and get the final C (1) Split the final codevectors into four and repeat the above process until the desired number of cells is reached.
70 The LBG algorithm Set the desired number of cells: M = 2 B Set an initial codebook C (0) with one codevector which is set as the average of the entire training sequence, x k, k = 1, 2,, N. Split the codevector into two and get an initial new codebook C (1). Perform a k-means algorithm to optimize the codebook and get the final C (1) Split the final codevectors into four and repeat the above process until the desired number of cells is reached.
71 The LBG algorithm Set the desired number of cells: M = 2 B Set an initial codebook C (0) with one codevector which is set as the average of the entire training sequence, x k, k = 1, 2,, N. Split the codevector into two and get an initial new codebook C (1). Perform a k-means algorithm to optimize the codebook and get the final C (1) Split the final codevectors into four and repeat the above process until the desired number of cells is reached.
72 The LBG algorithm Set the desired number of cells: M = 2 B Set an initial codebook C (0) with one codevector which is set as the average of the entire training sequence, x k, k = 1, 2,, N. Split the codevector into two and get an initial new codebook C (1). Perform a k-means algorithm to optimize the codebook and get the final C (1) Split the final codevectors into four and repeat the above process until the desired number of cells is reached.
73 The LBG algorithm Set the desired number of cells: M = 2 B Set an initial codebook C (0) with one codevector which is set as the average of the entire training sequence, x k, k = 1, 2,, N. Split the codevector into two and get an initial new codebook C (1). Perform a k-means algorithm to optimize the codebook and get the final C (1) Split the final codevectors into four and repeat the above process until the desired number of cells is reached.
74 Outline 1 Introduction 2 Statistical Models 3 Scalar Quantization Max Quantizer Companding Adaptive quantization Differential and Residual quantization 4 Vector Quantization The k-means algorithm The LBG algorithm 5 Model-based Coding Basic Linear Prediction, LPC Mixed Excitation LPC (MELP) 6 Acknowledgments
75 Basic coding scheme in LPC Vocal tract system function: where H(z) = P(z) = A 1 P(z) p a k z 1 k=1 Input is binary: impulse/noise excitation. If frame rate is 100 frames/s and we use 13 parameters (p = 10, 1 for Gain, 1 for pitch, 1 for voicing decision) we need 1300 parameters/s, instead of 8000 samples/s for f s = 8000Hz.
76 Basic coding scheme in LPC Vocal tract system function: where H(z) = P(z) = A 1 P(z) p a k z 1 k=1 Input is binary: impulse/noise excitation. If frame rate is 100 frames/s and we use 13 parameters (p = 10, 1 for Gain, 1 for pitch, 1 for voicing decision) we need 1300 parameters/s, instead of 8000 samples/s for f s = 8000Hz.
77 Basic coding scheme in LPC Vocal tract system function: where H(z) = P(z) = A 1 P(z) p a k z 1 k=1 Input is binary: impulse/noise excitation. If frame rate is 100 frames/s and we use 13 parameters (p = 10, 1 for Gain, 1 for pitch, 1 for voicing decision) we need 1300 parameters/s, instead of 8000 samples/s for f s = 8000Hz.
78 Scalar quantization within LPC For 7200 bps: Voiced/unvoiced decision: 1 bit Pitch (if voiced): 6 bits (uniform) Gain: 5 bits (nonuniform) Poles d i : 10 bits (nonuniform) [5 bits for frequency and 5 bits for bandwidth] 6 poles = 60 bits So: ( ) 100 frames/s = 7200 bps
79 Scalar quantization within LPC For 7200 bps: Voiced/unvoiced decision: 1 bit Pitch (if voiced): 6 bits (uniform) Gain: 5 bits (nonuniform) Poles d i : 10 bits (nonuniform) [5 bits for frequency and 5 bits for bandwidth] 6 poles = 60 bits So: ( ) 100 frames/s = 7200 bps
80 Refinements to the basic LPC coding scheme Companding in the form of a logarithmic operator on pitch and gain Instead of poles use the reflection (or the PARCOR) coefficients k i,(nonuniform) Companding of k i : g i = T [k ( i ] ) = log 1 ki 1+k i Coefficients g i can be coded at 5-6 bits each! (which results in 4800 bps for an order 6 predictor, and 100 frames/s) Reduce the frame rate by a factor of two (50 frames/s) gives us a bit rate of 2400 bps
81 Refinements to the basic LPC coding scheme Companding in the form of a logarithmic operator on pitch and gain Instead of poles use the reflection (or the PARCOR) coefficients k i,(nonuniform) Companding of k i : g i = T [k ( i ] ) = log 1 ki 1+k i Coefficients g i can be coded at 5-6 bits each! (which results in 4800 bps for an order 6 predictor, and 100 frames/s) Reduce the frame rate by a factor of two (50 frames/s) gives us a bit rate of 2400 bps
82 Refinements to the basic LPC coding scheme Companding in the form of a logarithmic operator on pitch and gain Instead of poles use the reflection (or the PARCOR) coefficients k i,(nonuniform) Companding of k i : g i = T [k ( i ] ) = log 1 ki 1+k i Coefficients g i can be coded at 5-6 bits each! (which results in 4800 bps for an order 6 predictor, and 100 frames/s) Reduce the frame rate by a factor of two (50 frames/s) gives us a bit rate of 2400 bps
83 Refinements to the basic LPC coding scheme Companding in the form of a logarithmic operator on pitch and gain Instead of poles use the reflection (or the PARCOR) coefficients k i,(nonuniform) Companding of k i : g i = T [k ( i ] ) = log 1 ki 1+k i Coefficients g i can be coded at 5-6 bits each! (which results in 4800 bps for an order 6 predictor, and 100 frames/s) Reduce the frame rate by a factor of two (50 frames/s) gives us a bit rate of 2400 bps
84 Refinements to the basic LPC coding scheme Companding in the form of a logarithmic operator on pitch and gain Instead of poles use the reflection (or the PARCOR) coefficients k i,(nonuniform) Companding of k i : g i = T [k ( i ] ) = log 1 ki 1+k i Coefficients g i can be coded at 5-6 bits each! (which results in 4800 bps for an order 6 predictor, and 100 frames/s) Reduce the frame rate by a factor of two (50 frames/s) gives us a bit rate of 2400 bps
85 VQ in LPC coding A 10-bit codebook (1024 codewords), 800 bps VQ provides a comparable quality to a 2400 bps scalar quantizer. A 22-bit codebook ( codewords), 2400 bps VQ provides a higher output speech quality.
86 Unique components of MELP Mixed pulse and noise excitation Periodic or aperiodic pulses Adaptive spectral enhancements Pulse dispersion filter
87 Line Spectral Frequencies (LSFs) in MELP LSFs for a pth order all-pole model are defines as follows: 1 Form two polynomials: P(z) = A(z) + z (p+1) A(z 1 ) Q(z) = A(z) z (p+1) A(z 1 ) 2 Find the roots of P(z) and Q(z), ωi which are on the unit circle. 3 Exclude trivial roots at ωi = 0 and ω i = π.
88 MELP coding For a 2400 bps: 34 bits allocated to scalar quantization of the LSFs 8 bits for gain 7 bits for pitch and overall voicing 5 bits for multi-band voicing 1 bit for the jittery state which is 54 bits. With a frame rate of 22.5 ms, we get an 2400 bps coder.
89 Outline 1 Introduction 2 Statistical Models 3 Scalar Quantization Max Quantizer Companding Adaptive quantization Differential and Residual quantization 4 Vector Quantization The k-means algorithm The LBG algorithm 5 Model-based Coding Basic Linear Prediction, LPC Mixed Excitation LPC (MELP) 6 Acknowledgments
90 Acknowledgments Most, if not all, figures in this lecture are coming from the book: T. F. Quatieri: Discrete-Time Speech Signal Processing, principles and practice 2002, Prentice Hall and have been used after permission from Prentice Hall
91
92 Τέλος Ενότητας
93 Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί στα πλαίσια του εκπαιδευτικού έργου του διδάσκοντα. Το έργο «Ανοικτά Ακαδημαϊκά Μαθήματα στο Πανεπιστήμιο Κρήτης» έχει χρηματοδοτήσει μόνο τη αναδιαμόρφωση του εκπαιδευτικού υλικού. Το έργο υλοποιείται στο πλαίσιο του Επιχειρησιακού Προγράμματος «Εκπαίδευση και Δια Βίου Μάθηση» και συγχρηματοδοτείται από την Ευρωπαϊκή Ένωση (Ευρωπαϊκό Κοινωνικό Ταμείο) και από εθνικούς πόρους. 3
94 Σημειώματα
95 Σημείωμα αδειοδότησης Το παρόν υλικό διατίθεται με τους όρους της άδειας χρήσης Creative Commons Αναφορά, Μη Εμπορική Χρήση, Όχι Παράγωγο Έργο 4.0 [1] ή μεταγενέστερη, Διεθνής Έκδοση. Εξαιρούνται τα αυτοτελή έργα τρίτων π.χ. φωτογραφίες, διαγράμματα κ.λ.π., τα οποία εμπεριέχονται σε αυτό και τα οποία αναφέρονται μαζί με τους όρους χρήσης τους στο «Σημείωμα Χρήσης Έργων Τρίτων». [1] Ως Μη Εμπορική ορίζεται η χρήση: που δεν περιλαμβάνει άμεσο ή έμμεσο οικονομικό όφελος από την χρήση του έργου, για το διανομέα του έργου και αδειοδόχο που δεν περιλαμβάνει οικονομική συναλλαγή ως προϋπόθεση για τη χρήση ή πρόσβαση στο έργο που δεν προσπορίζει στο διανομέα του έργου και αδειοδόχο έμμεσο οικονομικό όφελος (π.χ. διαφημίσεις) από την προβολή του έργου σε διαδικτυακό τόπο Ο δικαιούχος μπορεί να παρέχει στον αδειοδόχο ξεχωριστή άδεια να χρησιμοποιεί το έργο για εμπορική χρήση, εφόσον αυτό του ζητηθεί.. 5
96 Σημείωμα Αναφοράς Copyright Πανεπιστήμιο Κρήτης, Στυλιανού Ιωάννης. «Ψηφιακή Επεξεργασία Φωνής. Κωδικοποίηση Φωνης». Έκδοση: 1.0. Ηράκλειο/Ρέθυμνο Διαθέσιμο από τη δικτυακή διεύθυνση:
97 Διατήρηση Σημειωμάτων Οποιαδήποτε αναπαραγωγή ή διασκευή του υλικού θα πρέπει να συμπεριλαμβάνει: το Σημείωμα Αναφοράς το Σημείωμα Αδειοδότησης τη δήλωση Διατήρησης Σημειωμάτων το Σημείωμα Χρήσης Έργων Τρίτων (εφόσον υπάρχει) μαζί με τους συνοδευόμενους υπερσυνδέσμους.
98 Σημείωμα Χρήσης Έργων Τρίτων Το Έργο αυτό κάνει χρήση των ακόλουθων έργων: Εικόνες/Σχήματα/Διαγράμματα/Φωτογραφίες Εικόνες/σχήματα/διαγράμματα/φωτογραφίες που περιέχονται σε αυτό το αρχείο προέρχονται από το βιβλίο: Τίτλος: Discrete-time Speech Signal Processing: Principles and Practice Prentice-Hall signal processing series, ISSN Συγγραφέας: Thomas F. Quatieri Εκδότης: Prentice Hall PTR, 2002 ISBN: X, Μέγεθος: 781 σελίδες και αναπαράγονται μετά από άδεια του εκδότη.
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Άσκηση αυτοαξιολόγησης 4 Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών CS-593 Game Theory 1. For the game depicted below, find the mixed strategy
Διαβάστε περισσότεραΨηφιακή 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 περισσότεραΔιοικητική Λογιστική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διοικητική Λογιστική Ενότητα 10: Προσφορά και κόστος Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους
Εισαγωγή στους Αλγορίθμους Ενότητα 5 η Άσκηση Συγχώνευση & απαρίθμηση Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upatras.gr Άδειες Χρήσης
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 8η: Producer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 8η: Producer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Firm Behavior GOAL: Firms choose the maximum possible output (technological
Διαβάστε περισσότεραΨηφιακή 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 περισσότεραΜηχανική Μάθηση Hypothesis Testing
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Μηχανική Μάθηση Hypothesis Testing Γιώργος Μπορμπουδάκης Τμήμα Επιστήμης Υπολογιστών Procedure 1. Form the null (H 0 ) and alternative (H 1 ) hypothesis 2. Consider
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους
Εισαγωγή στους Αλγορίθμους Ενότητα 5 η Άσκηση - Συγχώνευση Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upatras.gr Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΨηφιακή Οικονομία. Διάλεξη 11η: Markets and Strategic Interaction in Networks Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 11η: Markets and Strategic Interaction in Networks Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Course Outline Part II: Mathematical Tools
Διαβάστε περισσότεραΘερμοδυναμική. Ανοικτά Ακαδημαϊκά Μαθήματα. Πίνακες Νερού σε κατάσταση Κορεσμού. Γεώργιος Κ. Χατζηκωνσταντής Επίκουρος Καθηγητής
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Πίνακες Νερού σε κατάσταση Κορεσμού Γεώργιος Κ. Χατζηκωνσταντής Επίκουρος Καθηγητής Διπλ. Ναυπηγός Μηχανολόγος Μηχανικός M.Sc. Διασφάλιση
Διαβάστε περισσότεραΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ ΜΕΤΑΒΑΤΙΚΑ ΦΑΙΝΟΜΕΝΑ ΣΤΑ ΣΗΕ Λαμπρίδης Δημήτρης Κατσανού Βάνα Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών
Διαβάστε περισσότεραΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ ΜΕΤΑΒΑΤΙΚΑ ΦΑΙΝΟΜΕΝΑ ΣΤΑ ΣΗΕ Λαμπρίδης Δημήτρης Κατσανού Βάνα Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών
Διαβάστε περισσότεραΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΣΥΣΤΗΜΑΤΑ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ΙIΙ ΜΕΤΑΒΑΤΙΚΑ ΦΑΙΝΟΜΕΝΑ ΣΤΑ ΣΗΕ Λαμπρίδης Δημήτρης Κατσανού Βάνα Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 12: Λογισμός Κόστους (2)
Λογιστική Κόστους Ενότητα 12: Λογισμός Κόστους (2) Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότεραΑνοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας. Βιοστατιστική (Ε) Ενότητα 3: Έλεγχοι στατιστικών υποθέσεων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας Βιοστατιστική (Ε) Ενότητα 3: Έλεγχοι στατιστικών υποθέσεων Δρ.Ευσταθία Παπαγεωργίου, Αναπληρώτρια Καθηγήτρια Τμήμα Ιατρικών Εργαστηρίων Το περιεχόμενο του μαθήματος
Διαβάστε περισσότεραΑνοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας. Βιοστατιστική (Ε) Ενότητα 1: Καταχώρηση δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας Βιοστατιστική (Ε) Ενότητα 1: Καταχώρηση δεδομένων Δρ.Ευσταθία Παπαγεωργίου, Αναπληρώτρια Καθηγήτρια Τμήμα Ιατρικών Εργαστηρίων Το περιεχόμενο του μαθήματος διατίθεται
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα # 14: Τμηματοποίηση με χρήση τυχαίων πεδίων Markov Καθηγητής Γιώργος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών Τμηματοποίηση εικόνων
Διαβάστε περισσότεραΜεθοδολογία Έρευνας Κοινωνικών Επιστημών Ενότητα 2: ΣΥΓΚΕΝΤΡΩΣΗ ΠΛΗΡΟΦΟΡΙΩΝ ΜΑΡΚΕΤΙΝΓΚ Λοίζου Ευστράτιος Τμήμα Τεχνολόγων Γεωπόνων-Kατεύθυνση
Μεθοδολογία Έρευνας Κοινωνικών Επιστημών Ενότητα 2: ΣΥΓΚΕΝΤΡΩΣΗ ΠΛΗΡΟΦΟΡΙΩΝ ΜΑΡΚΕΤΙΝΓΚ Λοίζου Ευστράτιος Τμήμα Τεχνολόγων Γεωπόνων-Kατεύθυνση Αγροτικής Οικονομίας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΑνοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας. Βιοστατιστική (Ε) Ενότητα 2: Περιγραφική στατιστική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Αθήνας Βιοστατιστική (Ε) Ενότητα 2: Περιγραφική στατιστική Δρ.Ευσταθία Παπαγεωργίου, Αναπληρώτρια Καθηγήτρια Τμήμα Ιατρικών Εργαστηρίων Το περιεχόμενο του μαθήματος
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους
Εισαγωγή στους Αλγορίθμους Ενότητα 6 η Άσκηση - DFS δένδρα Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upatras.gr Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 10η: Basics of Game Theory part 2 Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 0η: Basics of Game Theory part 2 Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Best Response Curves Used to solve for equilibria in games
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 7: ΑΣΚΗΣΕΙΣ ΜΕΓΕΘΟΥΣ ΕΠΙΧΕΙΡΗΣΗΣ Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Δομές δεδομένων Άσκηση αυτοαξιολόγησης Παναγιώτα Φατούρου Τμήμα Επιστήμης Υπολογιστών ΗΥ2, Ενότητα : Ασκήσεις και Λύσεις Άσκηση 1 Ενότητα : Υλοποίηση Λεξικών µε
Διαβάστε περισσότεραΚβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 4: Κλασσική και Κβαντική Πιθανότητα Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Σκοπός της ενότητας
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ Ενότητα 1: Elements of Syntactic Structure Το περιεχόμενο του μαθήματος διατίθεται με άδεια
Διαβάστε περισσότεραΔιεθνείς Οικονομικές Σχέσεις και Ανάπτυξη
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Διεθνείς Οικονομικές Σχέσεις και Ανάπτυξη Ενότητα 8: Η Οικονομική πολιτική της Ευρωπαϊκής Ένωσης Γρηγόριος Ζαρωτιάδης Άδειες Χρήσης Το
Διαβάστε περισσότεραΕισαγωγή σε μεθόδους Monte Carlo Ενότητα 3: Δειγματοληπτικές μέθοδοι
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Εισαγωγή σε μεθόδους Monte Carlo Ενότητα 3: Δειγματοληπτικές μέθοδοι Βαγγέλης Χαρμανδάρης Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Transformation Methods:
Διαβάστε περισσότεραΕισαγωγή σε μεθόδους Monte Carlo Ενότητα 2: Ολοκλήρωση Monte Carlo, γεννήτριες τυχαίων αριθμών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Εισαγωγή σε μεθόδους Monte Carlo Ενότητα 2: Ολοκλήρωση Monte Carlo, γεννήτριες τυχαίων αριθμών Βαγγέλης Χαρμανδάρης Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών
Διαβάστε περισσότεραΔιοικητική Λογιστική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διοικητική Λογιστική Ενότητα 6: Μέθοδοι ς Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά Το έργο
Διαβάστε περισσότεραΕνότητα. Εισαγωγή στις βάσεις δεδομένων
Ενότητα 1 Εισαγωγή στις βάσεις δεδομένων 2 1.1 Βάσεις Δεδομένων Ένα βασικό στοιχείο των υπολογιστών είναι ότι έχουν τη δυνατότητα να επεξεργάζονται εύκολα και γρήγορα μεγάλο πλήθος δεδομένων και πληροφοριών.
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών Τέλος Ενότητας Χρηματοδότηση Το παρόν εκπαιδευτικό υλικό έχει αναπτυχθεί
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Φωνής
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Φωνής Ενότητα 8η: Αναγνώριση Ομιλητή Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών CS578- Speech Signal Processing Lecture 9: Speaker Recognition
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 8: Κοστολογική διάρθρωση Κύρια / Βοηθητικά Κέντρα Κόστους.
Λογιστική Κόστους Ενότητα 8: Κοστολογική διάρθρωση Κύρια / Βοηθητικά Κέντρα Κόστους. Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 13η: Multi-Object Auctions Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Οικονομία Διάλεξη 13η: Multi-Object Auctions Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών MULTI OBJECT AUCTIONS Sealed bid auctions for identical units -
Διαβάστε περισσότεραΒάσεις Περιβαλλοντικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Περιβαλλοντικών Δεδομένων Ενότητα 3: Μοντέλα βάσεων δεδομένων Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους Ενότητα 10η Άσκηση Αλγόριθμος Dijkstra
Εισαγωγή στους Αλγορίθμους Ενότητα 1η Άσκηση Αλγόριθμος Dijkra Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upara.gr Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΟΡΟΛΟΓΙΑ -ΞΕΝΗ ΓΛΩΣΣΑ
ΟΡΟΛΟΓΙΑ -ΞΕΝΗ ΓΛΩΣΣΑ Ενότητα 8: Time Clauses Σταυρούλα Ταβουλτζίδου ΜΗΧ/ΚΩΝ ΠΕΡΙΒΑΛ.&ΜΗΧ/ΚΩΝ ΑΝΤΙΡ.ΤΕ-ΜΗΧ/ΚΩΝ ΑΝΤΙΡΡΥΠΑΝΣΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραPRESENTATION TITLE PRESENTATION SUBTITLE
COURSE TUTORS : Advanced Materials Processing : D. Mataras, C. Galiotis PRESENTATION TITLE PRESENTATION SUBTITLE A. Student Outline 2 What is my material and why is it interesting? My Application Detailed
Διαβάστε περισσότεραΘερμοδυναμική. Ανοικτά Ακαδημαϊκά Μαθήματα. Πίνακες Νερού Υπέρθερμου Ατμού. Γεώργιος Κ. Χατζηκωνσταντής Επίκουρος Καθηγητής
Ανοικτά Ακαδημαϊκά Μαθήματα Τεχνολογικό Εκπαιδευτικό Ίδρυμα Αθήνας Πίνακες Νερού Υπέρθερμου Ατμού Γεώργιος Κ. Χατζηκωνσταντής Επίκουρος Καθηγητής Διπλ. Ναυπηγός Μηχανολόγος Μηχανικός M.Sc. Διασφάλιση Ποιότητας,
Διαβάστε περισσότεραΜηχανολογικό Σχέδιο Ι
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΧΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ Ενότητα # 8: Άτρακτοι και σφήνες Μ. Γρηγοριάδου Μηχανολόγων Μηχανικών Α.Π.Θ. Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ Ενότητα 6: Sample Curriculum Vitae template Το περιεχόμενο του μαθήματος διατίθεται με άδεια
Διαβάστε περισσότεραΗΛΕΚΤΡΟΝΙΚΗ ΙIΙ Ενότητα 6
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΗΛΕΚΤΡΟΝΙΚΗ ΙIΙ Ενότητα 6: 1η εργαστηριακή άσκηση και προσομοίωση με το SPICE Χατζόπουλος Αλκιβιάδης Τμήμα Ηλεκτρολόγων Μηχανικών και
Διαβάστε περισσότεραΔομές Δεδομένων Ενότητα 1
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 1: Εισαγωγή Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότεραΤίτλος Μαθήματος: Μαθηματική Ανάλυση Ενότητα Γ. Ολοκληρωτικός Λογισμός
Τίτλος Μαθήματος: Μαθηματική Ανάλυση Ενότητα Γ. Ολοκληρωτικός Λογισμός Κεφάλαιο Γ.4: Ολοκλήρωση με Αντικατάσταση Όνομα Καθηγητή: Γεώργιος Ν. Μπροδήμας Τμήμα Φυσικής Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Επεξεργασία Σημάτων. Άσκηση 3η. Στυλιανού Ιωάννης. Τμήμα Επιστήμης Υπολογιστών
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Σημάτων Άσκηση 3η Στυλιανού Ιωάννης Τμήμα Επιστήμης Υπολογιστών ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Τµήµα Επιστήµης Υπολογιστών HY-370: Ψηφιακή Επεξεργασία Σήµατος
Διαβάστε περισσότεραΨηφιακή Επεξεργασία Εικόνων
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Ψηφιακή Επεξεργασία Εικόνων Ενότητα # 8: Ορθομοναδιαίοι μετασχηματισμοί Καθηγητής Γιώργος Τζιρίτας Τμήμα Επιστήμης Υπολογιστών Ορθομοναδιαίοι μετασχηματισμοί ισοδύναμη
Διαβάστε περισσότεραΣΥΜΠΕΡΙΦΟΡΑ ΚΑΤΑΝΑΛΩΤΗ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΣΥΜΠΕΡΙΦΟΡΑ ΚΑΤΑΝΑΛΩΤΗ Ενότητα 8: ΘΕΩΡΙΑ ΚΑΙ ΜΕΘΟΔΟΙ ΚΑΤΑΤΜΗΣΗΣ ΚΑΤΑΝΑΛΩΤΙΚΗΣ ΣΥΜΠΕΡΙΦΟΡΑΣ Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons
Διαβάστε περισσότεραΤεχνικό Σχέδιο - CAD
Τεχνικό Σχέδιο - CAD Προσθήκη Διαστάσεων & Κειμένου ΤΕΙ Ιονίων Νήσων Τμήμα Τεχνολόγων Περιβάλλοντος Κατεύθυνση Τεχνολογιών Φυσικού Περιβάλλοντος Εντολές προσθήκης διαστάσεων & κειμένου Στο βασική (Home)
Διαβάστε περισσότεραΚβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 12: Ιδιοτιμές και Ιδιοδιανύσματα Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Ιδιοτιμές και Ιδιοδιανύσματα
Διαβάστε περισσότεραΨηφιακή 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 περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 4: Στρατηγικοί προσανατολισμοί Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΔιοικητική Λογιστική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διοικητική Λογιστική Ενότητα 6: Συστήματα Κοστολόγησης Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΙστορία της μετάφρασης
ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 6: Μεταφραστές και πρωτότυπα. Ελένη Κασάπη ΤΜΗΜΑ ΑΓΓΛΙΚΗΣ ΓΛΩΣΣΑΣ ΚΑΙ ΦΙΛΟΛΟΓΙΑΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΕννοιες και Παράγοντες της Ψηφιακής Επεξεργασίας Εικόνας
Εννοιες και Παράγοντες της Ψηφιακής Επεξεργασίας Εικόνας Δειγματοληψία Βάθος χρώματος Ψηφιακή φωτογραφική μηχανή CCD Δυναμικό Εύρος Αναπαραγωγή εικόνας Χρωματικά μοντέλα και Χρωματικοί Χώροι Το ορατό φως,
Διαβάστε περισσότεραΕκκλησιαστικό Δίκαιο. Ενότητα 10η: Ιερά Σύνοδος της Ιεραρχίας και Διαρκής Ιερά Σύνοδος Κυριάκος Κυριαζόπουλος Τμήμα Νομικής Α.Π.Θ.
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 10η: Ιερά Σύνοδος της Ιεραρχίας και Διαρκής Ιερά Σύνοδος Κυριάκος Κυριαζόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους Ενότητα 9η Άσκηση - Αλγόριθμος Prim
Εισαγωγή στους Αλγορίθμους Ενότητα 9η Άσκηση - Αλγόριθμος Prim Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Emil: zro@ei.uptrs.r Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 11: Λογισμός Κόστους (1)
Λογιστική Κόστους Ενότητα 11: Λογισμός Κόστους (1) Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότεραΔιοίκηση Εξωτερικής Εμπορικής Δραστηριότητας
Διοίκηση Εξωτερικής Εμπορικής Δραστηριότητας Ενότητα 8: Αξιολόγηση και επιλογή αγορών στόχων από ελληνική εταιρία στον κλάδο παραγωγής και εμπορίας έτοιμου γυναικείου Καθ. Αλεξανδρίδης Αναστάσιος Δρ. Αντωνιάδης
Διαβάστε περισσότεραΗΛΕΚΤΡΟΝΙΚΗ IΙ Ενότητα 3
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ ΗΛΕΚΤΡΟΝΙΚΗ IΙ Ενότητα 3: Ενισχυτές στις χαμηλές συχνότητες Χατζόπουλος Αλκιβιάδης Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχ. Υπολογιστών Άδειες
Διαβάστε περισσότεραΒέλτιστος Έλεγχος Συστημάτων
Βέλτιστος Έλεγχος Συστημάτων Ενότητα 7: Βέλτιστος έλεγχος συστημάτων διακριτού χρόνου Καθηγητής Αντώνιος Αλεξανδρίδης Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σημείωμα
Διαβάστε περισσότεραΤεχνικό Σχέδιο - CAD
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Τεχνικό Σχέδιο - CAD Ενότητα 7: SketchUp Αντικείμενα Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΕισαγωγή στην Πληροφορική
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Εισαγωγή στην Πληροφορική Ενότητα 2: Ψηφιακή Λογική Ι Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται διαφορετικά
Διαβάστε περισσότεραΣυστήματα Επικοινωνιών
Συστήματα Επικοινωνιών Ενότητα 4: Μετατροπή Αναλογικών Σημάτων σε Ψηφιακά Μαθιόπουλος Παναγιώτης Σχολή Θετικών Επιστημών Τμήμα Πληροφορικής και Τηλεπικοινωνιών Περιγραφή ενότητας Δειγματοληψία: Ιδανική
Διαβάστε περισσότεραΜυελού των Οστών Ενότητα #1: Ερωτήσεις κατανόησης και αυτόαξιολόγησης
Δωρεά Κυττάρων Αίματος και Μυελού των Οστών Ενότητα #1: Ερωτήσεις κατανόησης και αυτόαξιολόγησης για τη Δωρεά Κυττάρων Αίματος και Μυελού των Οστών Αλέξανδρος Σπυριδωνίδης Σχολή Επιστημών Υγείας Τμήμα
Διαβάστε περισσότεραΕισαγωγή στους Υπολογιστές
Εισαγωγή στους Υπολογιστές Εργαστήριο 2 Καθηγητές: Αβούρης Νικόλαος, Παλιουράς Βασίλης, Κουκιάς Μιχαήλ, Σγάρμπας Κυριάκος Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Άσκηση 2 ου εργαστηρίου
Διαβάστε περισσότεραΟΡΟΛΟΓΙΑ -ΞΕΝΗ ΓΛΩΣΣΑ
ΟΡΟΛΟΓΙΑ -ΞΕΝΗ ΓΛΩΣΣΑ Ενότητα 4: Passive Voice Σταυρούλα Ταβουλτζίδου ΜΗΧ/ΚΩΝ ΠΕΡΙΒΑΛ.&ΜΗΧ/ΚΩΝ ΑΝΤΙΡ.ΤΕ-ΜΗΧ/ΚΩΝ ΑΝΤΙΡΡΥΠΑΝΣΗΣ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 11: Λογισμός Κόστους
Λογιστική Κόστους Ενότητα 11: Λογισμός Κόστους Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό
Διαβάστε περισσότεραΔιδακτική Πληροφορικής
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Διδακτική Πληροφορικής Ενότητα 4: Διδακτικός μετασχηματισμός βασικών εννοιών πληροφορικής Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons
Διαβάστε περισσότεραΠρογραμματισμός Η/Υ. Βασικές Προγραμματιστικές Δομές. ΤΕΙ Ιονίων Νήσων Τμήμα Τεχνολόγων Περιβάλλοντος Κατεύθυνση Τεχνολογιών Φυσικού Περιβάλλοντος
Προγραμματισμός Η/Υ Βασικές Προγραμματιστικές Δομές ΤΕΙ Ιονίων Νήσων Τμήμα Τεχνολόγων Περιβάλλοντος Κατεύθυνση Τεχνολογιών Φυσικού Περιβάλλοντος Δομή Ελέγχου Ροής (IF) Η εντολή IF χρησιμοποιείται όταν
Διαβάστε περισσότερα1 η Διάλεξη. Ενδεικτικές λύσεις ασκήσεων
1 η Διάλεξη Ενδεικτικές λύσεις ασκήσεων 1 Περιεχόμενα 1 η Άσκηση... 3 2 η Άσκηση... 3 3 η Άσκηση... 3 4 η Άσκηση... 3 5 η Άσκηση... 4 6 η Άσκηση... 4 7 η Άσκηση... 4 8 η Άσκηση... 5 9 η Άσκηση... 5 10
Διαβάστε περισσότεραΣτοχαστικά Σήματα και Τηλεπικοινωνιές
Στοχαστικά Σήματα και Τηλεπικοινωνιές Ενότητα 4: Βέλτιστα Φίλτρα Wiener Καθηγητής Κώστας Μπερμπερίδης Πολυτεχνική Σχολή Τμήμα Μηχανικών Η/Υ και Πληροφορικής Σκοποί ενότητας Παρουσίαση βασικών εννοιών των
Διαβάστε περισσότεραΚβαντική Επεξεργασία Πληροφορίας
Κβαντική Επεξεργασία Πληροφορίας Ενότητα 1: Εισαγωγή Σγάρμπας Κυριάκος Πολυτεχνική Σχολή Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Σκοποί ενότητας Σκοπός της ενότητας αυτής είναι μια εισαγωγή
Διαβάστε περισσότεραΑλγόριθμοι και πολυπλοκότητα Η Άπληστη Μέθοδος
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ Αλγόριθμοι και πολυπλοκότητα Η Άπληστη Μέθοδος Ιωάννης Τόλλης Τμήμα Επιστήμης Υπολογιστών Η Άπληστη Μέθοδος Η Άπληστη Μέθοδος 1 Κύρια Σημεία και Διάβασμα Η Άπληστη
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους Ενότητα 9η Άσκηση - Αλγόριθμος Kruskal
Εισαγωγή στους Αλγορίθμους Ενότητα 9η Άσκηση - Αλγόριθμος Kruskl Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Emil: zro@ei.uptrs.r Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 2: Οργάνωση και Διοίκηση Εισαγωγή Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΔιεθνείς Οικονομικές Σχέσεις και Ανάπτυξη
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Διεθνείς Οικονομικές Σχέσεις και Ανάπτυξη Ενότητα 6: Διαπεριφερειακές διαφορές Γρηγόριος Ζαρωτιάδης Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ Ενότητα 9: Inversion Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός
Διαβάστε περισσότεραΒάσεις Περιβαλλοντικών Δεδομένων
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Βάσεις Περιβαλλοντικών Δεδομένων Ενότητα 11: SQL ερωτήματα ενεργειών Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και αν αναφέρεται
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 9: ΑΣΚΗΣΕΙΣ ΕΠΙΛΟΓΗΣ ΤΟΠΟΥ ΕΓΚΑΤΑΣΤΑΣΗΣ Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ Ενότητα 11: The Unreal Past Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons
Διαβάστε περισσότεραΣχεδίαση Ολοκληρωμένων Κυκλωμάτων Ενότητα Α-Κεφάλαιο 3: Οξείδωση του πυριτίου. Αγγελική Αραπογιάννη Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Σχεδίαση Ολοκληρωμένων Κυκλωμάτων Αγγελική Αραπογιάννη Τμήμα Πληροφορικής και Τηλεπικοινωνιών Η θεωρία ανάπτυξης του οξειδίου (1από4) 2 3 Η θεωρία ανάπτυξης του οξειδίου (2από4) D x k h k 1 C C ox s s
Διαβάστε περισσότεραΛογιστική Κόστους Ενότητα 10: Ασκήσεις Προτύπου Κόστους Αποκλίσεων.
Λογιστική Κόστους Ενότητα 10: Ασκήσεις Προτύπου Κόστους Αποκλίσεων. Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΕφαρμογές των Τεχνολογιών της Πληροφορίας και των Επικοινωνιών στη διδασκαλία και τη μάθηση
Εφαρμογές των Τεχνολογιών της Πληροφορίας και των Επικοινωνιών στη διδασκαλία και τη μάθηση Ενότητα: Εργασίες Διδάσκων: Βασίλης Κόμης, Καθηγητής komis@upatras.gr www.ecedu.upatras.gr/komis/ Τμήμα Επιστημών
Διαβάστε περισσότεραOther Test Constructions: Likelihood Ratio & Bayes Tests
Other Test Constructions: Likelihood Ratio & Bayes Tests Side-Note: So far we have seen a few approaches for creating tests such as Neyman-Pearson Lemma ( most powerful tests of H 0 : θ = θ 0 vs H 1 :
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 11: Θεωρία Οργάνωσης & Διοίκησης Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΕισαγωγή στους Η/Υ. Ενότητα 2β: Αντίστροφο Πρόβλημα. Δημήτρης Σαραβάνος, Καθηγητής Πολυτεχνική Σχολή Τμήμα Μηχανολόγων & Αεροναυπηγών Μηχανικών
Εισαγωγή στους Η/Υ Ενότητα 2β: Δημήτρης Σαραβάνος, Καθηγητής Πολυτεχνική Σχολή Τμήμα Μηχανολόγων & Αεροναυπηγών Μηχανικών Σκοποί ενότητας Εύρεση συνάρτησης Boole όταν είναι γνωστός μόνο ο πίνακας αληθείας.
Διαβάστε περισσότεραΕισαγωγή στους Αλγορίθμους Ενότητα 11η Άσκηση - Σταθμισμένος Χρονοπρογραμματισμός Διαστημάτων
Εισαγωγή στους Αλγορίθμους Ενότητα η Άσκηση - Σταθμισμένος Χρονοπρογραμματισμός Διαστημάτων Διδάσκων Χρήστος Ζαρολιάγκης Καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής Πανεπιστήμιο Πατρών Email: zaro@ceid.upatras.gr
Διαβάστε περισσότεραΙστορία νεότερων Μαθηματικών
Ιστορία νεότερων Μαθηματικών Ενότητα 3: Παπασταυρίδης Σταύρος Σχολή Θετικών Επιστημών Τμήμα Μαθηματικών Περιγραφή Ενότητας Ιταλοί Αβακιστές. Αλγεβρικός Συμβολισμός. Άλγεβρα στην Γαλλία, Γερμανία, Αγγλία.
Διαβάστε περισσότεραΔιδακτική των εικαστικών τεχνών Ενότητα 1
Διδακτική των εικαστικών τεχνών Ενότητα 1 Ουρανία Κούβου Εθνικὸ καi Καποδιστριακὸ Πανεπιστήμιο Αθηνών Τμήμα Εκπαίδευσης και Αγωγής στην Προσχολική Ηλικία Ενότητα 1. Ιστορική αναδρομή της διδακτικής της
Διαβάστε περισσότεραΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΑΛΛΗΛΟΓΡΑΦΙΑ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑ ΣΤΗΝ ΑΓΓΛΙΚΗ ΓΛΩΣΣΑ Ενότητα 3: Phrases to use in business letters and e-mails Το περιεχόμενο του μαθήματος διατίθεται
Διαβάστε περισσότεραΓενικά Μαθηματικά Ι. Ενότητα 12: Κριτήρια Σύγκλισης Σειρών. Λουκάς Βλάχος Τμήμα Φυσικής ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 2: Κριτήρια Σύγκλισης Σειρών Λουκάς Βλάχος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons.
Διαβάστε περισσότεραΜαθηματικά Διοικητικών & Οικονομικών Επιστημών
Μαθηματικά Διοικητικών & Οικονομικών Επιστημών Ενότητα 7: Παράγωγος, ελαστικότητα, παραγώγιση συναρτήσεων (Φροντιστήριο) Μπεληγιάννης Γρηγόριος Σχολή Οργάνωσης και Διοίκησης Επιχειρήσεων Τμήμα Διοίκησης
Διαβάστε περισσότεραΕνδεικτικές λύσεις ασκήσεων διαχείρισης έργου υπό συνθήκες αβεβαιότητας
Ενδεικτικές λύσεις ασκήσεων διαχείρισης έργου υπό συνθήκες αβεβαιότητας 1 Περιεχόμενα 1 η Άσκηση... 4 2 η Άσκηση... 7 3 η Άσκηση... 10 Χρηματοδότηση... 12 Σημείωμα Αναφοράς... 13 Σημείωμα Αδειοδότησης...
Διαβάστε περισσότεραΤεχνολογία Πολιτισμικού Λογισμικού
Ανοικτά Ακαδημαϊκά Μαθήματα στο ΤΕΙ Ιονίων Νήσων Τεχνολογία Πολιτισμικού Λογισμικού Ενότητα 12: SQL και πολιτισμικά δεδομένα Το περιεχόμενο του μαθήματος διατίθεται με άδεια Creative Commons εκτός και
Διαβάστε περισσότεραΣχεδίαση Ολοκληρωμένων Κυκλωμάτων Ενότητα Α-Κεφάλαιο 4: Διάχυση και εμφύτευση Ιόντων. Αγγελική Αραπογιάννη Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Σχεδίαση Ολοκληρωμένων Κυκλωμάτων Ενότητα Α-Κεφάλαιο 4: Διάχυση και εμφύτευση Ιόντων Αγγελική Αραπογιάννη Τμήμα Πληροφορικής και Τηλεπικοινωνιών Εισαγωγή προσμίξεων (1από) Εισαγωγή προσμίξεων (από) Ειδική
Διαβάστε περισσότεραΈλεγχος και Διασφάλιση Ποιότητας Ενότητα 4: Μελέτη ISO Κουππάρης Μιχαήλ Τμήμα Χημείας Εργαστήριο Αναλυτικής Χημείας
Έλεγχος και Διασφάλιση Ποιότητας Ενότητα 4: Μελέτη Κουππάρης Μιχαήλ Τμήμα Χημείας Εργαστήριο Αναλυτικής Χημείας ISO 17025 5.9. ΔΙΑΣΦΑΛΙΣΗ ΤΗΣ ΠΟΙΟΤΗΤΑΣ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΔΟΚΙΜΩΝ (1) 5.9.1 Το Εργαστήριο
Διαβάστε περισσότεραΕισαγωγή στην Διοίκηση Επιχειρήσεων
Εισαγωγή στην Διοίκηση Επιχειρήσεων Ενότητα 6: ΜΕΓΕΘΟΣ ΕΠΙΧΕΙΡΗΣΗΣ Μαυρίδης Δημήτριος Τμήμα Λογιστικής και Χρηματοοικονομικής Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative
Διαβάστε περισσότεραΑνάκτηση πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ανάκτηση πληροφορίας Ενότητα 2: Μέτρηση Αποτελεσματικότητας Συστημάτων Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότεραΑερισμός. Ενότητα 1: Αερισμός και αιμάτωση. Κωνσταντίνος Σπυρόπουλος, Καθηγητής Σχολή Επιστημών Υγείας Τμήμα Ιατρικής
Αερισμός Ενότητα 1: Αερισμός και αιμάτωση Κωνσταντίνος Σπυρόπουλος, Καθηγητής Σχολή Επιστημών Υγείας Τμήμα Ιατρικής Ολικός και κυψελιδικός αερισμός Η κύρια λειτουργία του αναπνευστικού συστήματος είναι
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Ενότητα 8: Λανθάνουσα Σημασιολογική Ανάλυση (Latent Semantic Analysis) Απόστολος Παπαδόπουλος Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό
Διαβάστε περισσότερα