[9, 10] [2] [4] [10] Kyoto University, Yoshida Honmachi, Sakyo, Kyoto, , Japan 2. Yamaha Corporation. Waseda University a)

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "[9, 10] [2] [4] [10] Kyoto University, Yoshida Honmachi, Sakyo, Kyoto, , Japan 2. Yamaha Corporation. Waseda University a)"

Transcript

1 ,2,a) 3. [ 3 [4 [5 8 Kyoto Univerity, Yohida Honachi, Sakyo, Kyoto, 66 85, Japan 2 Yaaha Corporation 3 Waeda Univerity a) akira.aezawa@gail.co [9, [2 [ c 24 Inforation Proceing Society of Japan

2 Generative Model of Muic Copoition Perforance Perforance Perforance 2 Perforance 3 Tie Generative Model of Muic Copoition Generative Model of Shared Teporal Interpretation Perf. iilar! Perf. 3 Perf. 2 Tie iilar! Perf. Perf. 2 Perf. 3 ) 2) 3) [ N S Z {z n } N n z n S z n θ θ z z z π τ 2 π τ S pl n,d) z z n- ϕ d, z n z N ϕ d,t- ϕ d,t ϕ d,td x d, x d,t- x d,t x d,td pl n, d) d n l ergodic : pz π, τ ) π z, n2 θ S D τ z n, zn, ) τ Dirichlet τ Dirτ, ) π π Dirπ ) τ, π τ π 2.2 θ n d T d N Left-to-right Φ d {ϕ d,t } T d t ϕ d, ϕ d,td N Z T d > N ϕ dt [... N [... L n, l) n l d n l pl n, d) c 24 Inforation Proceing Society of Japan 2

3 3 υ ξ M Λ u a μ u n- u n a n- a n μ n- μ n To pl n,d) u N μ N a N µ 2 pl n, d) : pϕ d,t{ Td }) L pl n, d)δn, ) ϕ d,,n, δn, S) ϕ d,t d,n, l T d [ L pl n, d) ϕ d,t,n,ϕ d,t,n,l t n2 l L l2 ϕ d,t,n,lϕ d,t,n,l 2) pl n, d) d t ϕ dt n z n z n θ zn : px dt z, ϕ, θ) n px dt θ ) znϕ dtn 3) px θ ) x θ pθ ; θ ) px dt θ ) dix dt ) θ Noral-Gaa θ { µ, λ } θ {, ν, u, k } x dt µ, λ N µ, λ ) µ i, λ i N G,i, ν,i, u,i, k,i ) d n l nd n d n a n a n µ n [µ n, µ n,d * a n µ l n : pl n a n, µ n, λ ) N l n a n µ n, λ ) 4) : pa n κ, ι) N a n κ, ι ) 5) κ ι µ µ µ * µ c 24 Inforation Proceing Society of Japan 3

4 µ a aµ µ.6.4 µ aµ aµ2 zt µ µ µ2 µ µ a aµ µ Mean-reverting AR) µ n µ n : µ n µ n α µ n ) + ϵ n 6) ϵ n Λ n Λ n µ n + α) 2 ) < α < µ n α µ Λ n 4 µ a a µ µ Λ n Λ n M u M u u ξ υ µ µ µ µ 2 µ 2 µ 3 pu ξ, υ) υ u, n ξ un,u n,, 7) u n d 3 u n n µ Switching-tate Kalan filter : pµ n µ n, Λ, u n )N µ n µ ) un n +α + α, Λ 8) u ξ υ Dirichlet Λ Wihart Wn, W ) 5 2 pl n, d) : pl) [ [ n N l n,d a n µ n,d, λ d N µ n µ n, Λ Dirυ; υ ) 3.3 ) un, υ u, ) N Gan, λ a n,, a n,l ) ξ un,u n,, [ Dirξ ; ξ )WΛ ; n, W ) 9) 2 c 24 Inforation Proceing Society of Japan 4

5 q KL : N µ Σ : N d,n,t z n, ϕ d,t,n 7) qϕ, z, θ, π, τ, µ, a, u, υ, ξ, Λ) qϕ d, )qz)qπ) qθ )qτ )) d qµ)qu)qυ) qa n )qξ n )) qλ) ) n µ Σ N z n, ϕ d,t,n x d,t 8) d,n,t N z n, ϕ d,t,n x d,t µ ) 2 9) d,n,t KL qϕ) qz) HMM x t n O t,n n n T n,n p tn x t ) n O t,nt n,np t,n x t ) px t+ T tn ) n px t T t,n )O t+,n T n,n p tn ) px t+ T tn )p tn x t ) qz) n g n v : log g n, d,t ϕ d,t,n log px d,t θ ) ) log v, log τ, 2) fx) q fx) π qπ) Dirπ + z ) τ qτ ) Dirτ, + N n> z n,z n ) qϕ d,t ) qz) h d,n n, l ) n, l) w d,n,l),n,l ) : log h d,t,n z n, log px d,t θ ) 3) l >, n n log w d,n,l ),n,l) E l,n l, n n + 4) otherwie E l,n : E l,n 2 λ l nd a n µ nd ) 2 + D 2 log λ 5) a n µ n l n n θ : q µ, λ ) N G ν + N, ν + N µ ν + N, u + N 2, k + N Σ + ν N ) )) 2 µ 2 ν + N 6) Switching-tate Kalan filter [ Switching-tate Kalan filter µ Kalan oother u HMM : T d X ndl ϕ d,t,n, t )ϕ d,t,n,l t) 2) C nd t L X ndl 2) l M nd C nd L lx ndl 22) l u HMM O n T, : log O n 2 trγ nλ ) + 2 log det Λ 23) log T, log ξ, 24) υ qυ) Dirυ + u ) ξ qξ,: ) Dirξ + N n> u n,z n,: ) µ pµ n X n, ) N µ n g n, V n ) Kalan oother g V : γ α + α 25) β + α 26) Γ n µ n βµ n γ)µ n βµ n γ) T 27) M S n u n Λ 28) A n diag a n 29) : c 24 Inforation Proceing Society of Japan 5

6 P n V n + β 2 S n 3) V n S n + A n Λ n A n β 2 S n P n S n 3) g n Vn βs n P n V n g n βs n γ) ) + S n γ + A n Λ n M n 32) px n+n µ n, ) N µ n h n, W n ) h W : Error DTW HMM Independent Coupled Coupled+Dynaic Q n W n + S n + A n Λ n A n 33) W n β 2 S n I Q n S n ) 34) h n βwn S n Q n W n h n +S n γ+a n Λ n M n ) γ) 35) µ n : qµ n ) N U n V n g n +W n h n ), U n ) 36) U n V n +W n ) Γ n µ n µ n µ n µ n : µ n µ n U n 37) µ n µ n βpn S n Q n + β 2 Sn T Pn S n ) 38) a : D ικ+λ d a n N C nd µ nd M nd D ι+λ d C nd µ 2 nd, D ι + λ C nd µ 2 nd ) ) d Λ : ) N N ) Λ W n + u n, W + u n Γ n n n 39) 4) HMM Kalan oother Chopin Mazurka9 2 5 [ Chroa 6 % 3% 5% 7% 9% Percentile * Krukal-Walli DTW p.5) vector [2 -chroa kHz DTW DTW [3 ) HSMM HMM HMM 2) HSMM Independent 3) Coupled 4) Coupled+Dynaic α. W I d n D λ 3 ι. κ ξ. υ. 6 DTW Independent Coupled 4.2 J.S.Bach 5 c 24 Inforation Proceing Society of Japan 6

7 7 Phraing d{5,6,7,8}+8 d{,2,3,4}+8 d{3,4,7,8}+8 d{,2,5,6}+8 d{2,4,6,8}+8 d{,3,5,7}+8 : low : ediu 2 : fat 8 u Λ gn Λ ) ) log ab Λ ) d 7 8 d... 4 d , 2 5. [2 - [ Sapp, C. S.: Coparative Analyi of Multiple Muical Perforance, ISMIR, pp ). [2 Stowell, D. and Chew, E.: Maxiu a Poteriori Etiation of Piecewie Arc in Tepo Tie-Serie, Fro Sound to Muic and Eotion, LNCS79), Springer, pp ). [3 Konz, V.: Autoated Method for Audio-Baed Muic Analyi with Application to Muicology, PhD Thei, Saarland Univerity 22). [4 Miki, S., Baba, T. and Katayoe, H.: PEVI: Interface for retrieving and analyzing expreive uical perforance with cape plot, SMC, pp ). [5 Raphael, C.: A Hybrid Graphical Model for Aligning Polyphonic Audio with Muical Score, ISMIR, pp ). [6 Cont, A.: A Coupled Duration-Focued Architecture for Real-Tie Muic-to-Score Alignent, PAMI, Vol. 32, No. 6, pp ). [7 Otuka, T., Nakadai, K., Ogata, T. and Okuno, H. G.: Increental Bayeian Audio-to-Score Alignent with Flexible Haronic Structure Model, ISMIR, pp ). [8 Sako, S., Yaaoto, R. and Kitaura, T.: Ryry: A Real-Tie Score-Following Autoatic Accopanient Playback Syte Capable of Real Perforance with Error, Repeat and Jup, AMT, pp ). [9 Miotto, R., Montecchio, N. and Orio, N.: Statitical Muic Modeling Aied at Identification and Alignent, Ad- MIRe, pp ). [, 24-MUS-3 24). [ Ghahraani, Z. and Hinton, G. E.: Variational learning for witching tate-pace odel, Neural Coputation, Vol. 2, pp ). [2 Fujihia, T.: Realtie Chord Recognition of Muical Sound: A Syte Uing Coon Lip Muic, ICMC, pp ). [3 Hu, N., Dannenberg, R. B. and Tzanetaki, G.: Polyphonic Audio Matching and Alignent for Muic Retrieval, WASPAA, pp ). c 24 Inforation Proceing Society of Japan 7

A Robust Bootstrapping Algorithm of Speaker Models for On-Line Unsupervised Speaker Indexing

A Robust Bootstrapping Algorithm of Speaker Models for On-Line Unsupervised Speaker Indexing ISSN 000-9825, CODEN RUXUEW E-ail: jo@icaaccn Journal of Software, Vol8, No3, March 2007, pp608 66 http://wwwjoorgcn DOI: 0360/jo80608 Tel/Fax: +86-0-62562563 2007 by Journal of Software All right reerved

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

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

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

Stabilization of stock price prediction by cross entropy optimization

Stabilization of stock price prediction by cross entropy optimization ,,,,,,,, Stabilization of stock prediction by cross entropy optimization Kazuki Miura, Hideitsu Hino and Noboru Murata Prediction of series data is a long standing important problem Especially, prediction

Διαβάστε περισσότερα

MÉTHODES ET EXERCICES

MÉTHODES ET EXERCICES J.-M. MONIER I G. HABERER I C. LARDON MATHS PCSI PTSI MÉTHODES ET EXERCICES 4 e édition Création graphique de la couverture : Hokus Pokus Créations Dunod, 2018 11 rue Paul Bert, 92240 Malakoff www.dunod.com

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

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

( ) (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

Mellin transforms and asymptotics: Harmonic sums

Mellin transforms and asymptotics: Harmonic sums Mellin tranform and aymptotic: Harmonic um Phillipe Flajolet, Xavier Gourdon, Philippe Duma Die Theorie der reziproen Funtionen und Integrale it ein centrale Gebiet, welche manche anderen Gebiete der Analyi

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

[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

DEIM Forum 2018 F3-5 657 8501 1-1 657 8501 1-1 E-mail: yuta@cs25.scitec.kobe-u.ac.jp, eguchi@port.kobe-u.ac.jp, ( ) ( )..,,,.,.,.,,..,.,,, 2..., 1.,., (Autoencoder: AE) [1] (Generative Stochastic Networks:

Διαβάστε περισσότερα

Στοχαστικά Σήµατα και Εφαρµογές. ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής

Στοχαστικά Σήµατα και Εφαρµογές. ιδάσκων: Ν. Παπανδρέου (Π.. 407/80) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής Στοχαστικά Σήµατα & Εφαρµογές Βέλτιστα Φίλτρα Wiener ιδάσκων: Ν. Παπανδρέου (Π.. 7/8) Πανεπιστήµιο Πατρών ΤµήµαΜηχανικώνΗ/Υ και Πληροφορικής CEID 7-8 Εισαγωγή ιατύπωση του προβλήµατος: οθέντος των από

Διαβάστε περισσότερα

Singing Information Processing: Music Information Processing for Singing Voices

Singing Information Processing: Music Information Processing for Singing Voices : 1 1 1 1 Singing Information Processing: Music Information Processing for Singing Voices Masataka Goto, 1 Takeshi Saitou, 1 Tomoyasu Nakano 1 and Hiromasa Fujihara 1 This paper introduces our research

Διαβάστε περισσότερα

DISPLAY SUPPLY: FILTER STANDBY

DISPLAY SUPPLY: FILTER STANDBY ircuit iagrams and PW Layouts. ircuit iagrams and PW Layouts J.0 P. 0 isplay Supply P: ilter Standby MNS NPUT -Vac 00 P-V- V_OT 0 0 0 0 0 0 0 0 SPLY SUPPLY: LT STNY 0 M0 V 0 T,/0V MSU -VOLTS NOML... STNY

Διαβάστε περισσότερα

(x y) = (X = x Y = y) = (Y = y) (x y) = f X,Y (x, y) x f X

(x y) = (X = x Y = y) = (Y = y) (x y) = f X,Y (x, y) x f X X, Y f X,Y x, y X x, Y y f X Y x y X x Y y X x, Y y Y y f X,Y x, y f Y y f X Y x y x y X Y f X,Y x, y f X Y x y f X,Y x, y f Y y x y X : Ω R Y : Ω E X < y Y Y y 0 X Y y x R x f X Y x y gy X Y gy gy : Ω

Διαβάστε περισσότερα

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

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 1,a) 1,2,b) Continuous wavelet transform, CWT CWT CWT CWT CWT 100 1. 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, 113-0033 2 NTT,

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

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

. i-vector, Total Variability Subspace Adaptation Based Speaker Recognition. Brief Paper ACTA AUTOMATICA SINICA Vol. 40, No. 8 August, 2014.

. i-vector, Total Variability Subspace Adaptation Based Speaker Recognition. Brief Paper ACTA AUTOMATICA SINICA Vol. 40, No. 8 August, 2014. 40 8 2014 8 Brief Paper ACTA AUTOMATICA SINICA Vol. 40, No. 8 Augut, 2014 i-vector 1 1 1 1, (identity vector, i-vector), T i-vector T, (American National Intitute of Standard and Technology, NIST) 2008,,,,,,,,,,

Διαβάστε περισσότερα

: Monte Carlo EM 313, Louis (1982) EM, EM Newton-Raphson, /. EM, 2 Monte Carlo EM Newton-Raphson, Monte Carlo EM, Monte Carlo EM, /. 3, Monte Carlo EM

: Monte Carlo EM 313, Louis (1982) EM, EM Newton-Raphson, /. EM, 2 Monte Carlo EM Newton-Raphson, Monte Carlo EM, Monte Carlo EM, /. 3, Monte Carlo EM 2008 6 Chinese Journal of Applied Probability and Statistics Vol.24 No.3 Jun. 2008 Monte Carlo EM 1,2 ( 1,, 200241; 2,, 310018) EM, E,,. Monte Carlo EM, EM E Monte Carlo,. EM, Monte Carlo EM,,,,. Newton-Raphson.

Διαβάστε περισσότερα

T : g r i l l b a r t a s o s Α Γ Ί Α Σ Σ Ο Φ Ί Α Σ 3, Δ Ρ Α Μ Α. Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 0 1 : 0 0 π μ

T : g r i l l b a r t a s o s Α Γ Ί Α Σ Σ Ο Φ Ί Α Σ 3, Δ Ρ Α Μ Α. Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 0 1 : 0 0 π μ Α Γ Ί Α Σ Σ Ο Φ Ί Α Σ 3, Δ Ρ Α Μ Α g r i l l b a r t a s o s Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 1 : 0 π μ Δ ι α ν ο μ έ ς κ α τ ο ί κ ο ν : 1 2 : 0 0 έ ω ς 0 1 : 0 0 π μ T ortiyas Σ ο υ

Διαβάστε περισσότερα

Α Ρ Ι Θ Μ Ο Σ : 6.913

Α Ρ Ι Θ Μ Ο Σ : 6.913 Α Ρ Ι Θ Μ Ο Σ : 6.913 ΠΡΑΞΗ ΚΑΤΑΘΕΣΗΣ ΟΡΩΝ ΔΙΑΓΩΝΙΣΜΟΥ Σ τ η ν Π ά τ ρ α σ ή μ ε ρ α σ τ ι ς δ ε κ α τ έ σ σ ε ρ ι ς ( 1 4 ) τ ο υ μ ή ν α Ο κ τ ω β ρ ί ο υ, η μ έ ρ α Τ ε τ ά ρ τ η, τ ο υ έ τ ο υ ς δ

Διαβάστε περισσότερα

l 0 l 2 l 1 l 1 l 1 l 2 l 2 l 1 l p λ λ µ R N l 2 R N l 2 2 = N x i l p p R N l p N p = ( x i p ) 1 p i=1 l 2 l p p = 2 l p l 1 R N l 1 i=1 x 2 i 1 = N x i i=1 l p p p R N l 0 0 = {i x i 0} R

Διαβάστε περισσότερα

γ 1 6 M = 0.05 F M = 0.05 F M = 0.2 F M = 0.2 F M = 0.05 F M = 0.05 F M = 0.05 F M = 0.2 F M = 0.05 F 2 2 λ τ M = 6000 M = 10000 M = 15000 M = 6000 M = 10000 M = 15000 1 6 τ = 36 1 6 τ = 102 1 6 M = 5000

Διαβάστε περισσότερα

Μάθηση Λανθανόντων Μοντέλων με Μερικώς Επισημειωμένα Δεδομένα (Learning Aspect Models with Partially Labeled Data) Αναστασία Κριθαρά.

Μάθηση Λανθανόντων Μοντέλων με Μερικώς Επισημειωμένα Δεδομένα (Learning Aspect Models with Partially Labeled Data) Αναστασία Κριθαρά. Μάθηση Λανθανόντων Μοντέλων με Μερικώς Επισημειωμένα Δεδομένα (Learning Aspect Models with Partially Labeled Data) Αναστασία Κριθαρά Xerox Research Centre Europe LIP6 - Université Pierre et Marie Curie

Διαβάστε περισσότερα

GAUGE BLOCKS. Grade 0 Tolerance for the variation in length. Limit deviation of length. ± 0.25μm. 0.14μm ±0.80μm. ± 1.90μm. ± 0.40μm. ± 1.

GAUGE BLOCKS. Grade 0 Tolerance for the variation in length. Limit deviation of length. ± 0.25μm. 0.14μm ±0.80μm. ± 1.90μm. ± 0.40μm. ± 1. GAUGE BLOCKS Accuracy according to ISO650 Nominal length (mm) Limit deviation of length Grade 0 Tolerance for the variation in length Grade Grade Grade Grade 2 Limit deviations of Tolerance for the Limit

Διαβάστε περισσότερα

Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 5

Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών. Διάλεξη 5 Πανεπιστήμιο Πατρών Τμήμα Ηλεκτρολόγων Μηχανικών και Τεχνολογίας Υπολογιστών Τομέας Συστημάτων και Αυτομάτου Ελέγχου ΠΡΟΣΑΡΜΟΣΤΙΚΟΣ ΕΛΕΓΧΟΣ Διάλεξη 5 Πάτρα 2008 Χρονικά μεταβαλλόμενες παράμετροι Στο πρόβλημα

Διαβάστε περισσότερα

Exact linearization control scheme of DFIG

Exact linearization control scheme of DFIG 3 29 EL ECR ICMACH IN ESANDCON ROL Vol3 No Jan. 29, 2,, (., 224; 2., 232) :,,,,,,,, :; ; ; ; : M35 : A : 7-449X (29) - 57-6 Exact linearization control cheme of DFIG GUO J ia2hu, 2, ZHANG Lu2hua, CA I

Διαβάστε περισσότερα

1 n-gram n-gram n-gram [11], [15] n-best [16] n-gram. n-gram. 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e)

1 n-gram n-gram n-gram [11], [15] n-best [16] n-gram. n-gram. 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e) 1,a) Graham Neubig 1,b) Sakriani Sakti 1,c) 1,d) 1,e) 1. [11], [15] 1 Nara Institute of Science and Technology a) akabe.koichi.zx8@is.naist.jp b) neubig@is.naist.jp c) ssakti@is.naist.jp d) tomoki@is.naist.jp

Διαβάστε περισσότερα

A Vocabulary-Free Infinity-Gram Model for Chord Progression Analysis

A Vocabulary-Free Infinity-Gram Model for Chord Progression Analysis 1 1 n n n n n n A Vocabulary-Free Infinity-Gram Model for Chord Progression Analysis Kazuyoshi Yoshii 1 and Masataka Goto 1 This paper presents a novel nonparametric Bayesian n-gram model as a statistical

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

(Υπογραϕή) (Υπογραϕή) (Υπογραϕή)

(Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) (Υπογραϕή) F 1 F 1 RGB ECR RGB ECR δ w a d λ σ δ δ λ w λ w λ λ λ σ σ + F 1 ( ) V 1 V 2 V 3 V 4 V 5 V 6 V 7 V 8 V 9 V 10 M 1 M 2 M 3 F 1 F 1 F 1 10 M 1

Διαβάστε περισσότερα

STABILITY OF ABERRATION RETRIEVAL METHOD USING SPOT IMAGES

STABILITY OF ABERRATION RETRIEVAL METHOD USING SPOT IMAGES Vol. 2 (202 2 ), No. 4-222 JASCOME STABILITY OF ABERRATION RETRIEVAL METHOD USING SPOT IMAGES ) 2) 3) azuyohi OADA, enji AMAYA and Yuki ONISHI ) ( 52-8552 2-2--W8-36, E-mail: kokada@a.mei.titech.ac.jp)

Διαβάστε περισσότερα

Dissertation for the degree philosophiae doctor (PhD) at the University of Bergen

Dissertation for the degree philosophiae doctor (PhD) at the University of Bergen Dissertation for the degree philosophiae doctor (PhD) at the University of Bergen Dissertation date: GF F GF F SLE GF F D Ĉ = C { } Ĉ \ D D D = {z : z < 1} f : D D D D = D D, D = D D f f : D D

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

HMY 795: Αναγνώριση Προτύπων

HMY 795: Αναγνώριση Προτύπων HMY 795: Αναγνώριση Προτύπων Διάλεξη 5 Κατανομές πιθανότητας και εκτίμηση παραμέτρων Κατανομές πιθανότητας και εκτίμηση παραμέτρων δυαδικές τυχαίες μεταβλητές Διαχωριστικές συναρτήσεις Ταξινόμηση κανονικών

Διαβάστε περισσότερα

Erkki Mäkinen ja Timo Poranen Algoritmit

Erkki Mäkinen ja Timo Poranen Algoritmit rkki Mäkinen ja Timo Poranen Algoritmit TITOJNKÄSITTLYTITIDN LAITOS TAMPRN YLIOPISTO D 2008 6 TAMPR 2009 TAMPRN YLIOPISTO TITOJNKÄSITTLYTITIDN LAITOS JULKAISUSARJA D VRKKOJULKAISUT D 2008 6, TOUKOKUU 2009

Διαβάστε περισσότερα

DOCUMENTS DE TRAVAIL / WORKING PAPERS

DOCUMENTS DE TRAVAIL / WORKING PAPERS DOCUMENTS DE TRAVAIL / WORKING PAPERS 2017-66 How shifting investment towards low-carbon sectors impacts employment: three determinants under scrutiny Quentin Perrier 1, *, Philippe Quirion 1,2 September

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

Applying Markov Decision Processes to Role-playing Game

Applying Markov Decision Processes to Role-playing Game 1,a) 1 1 1 1 2011 8 25, 2012 3 2 MDPRPG RPG MDP RPG MDP RPG MDP RPG MDP RPG Applying Markov Decision Processes to Role-playing Game Yasunari Maeda 1,a) Fumitaro Goto 1 Hiroshi Masui 1 Fumito Masui 1 Masakiyo

Διαβάστε περισσότερα

2. Α ν ά λ υ σ η Π ε ρ ι ο χ ή ς. 3. Α π α ι τ ή σ ε ι ς Ε ρ γ ο δ ό τ η. 4. Τ υ π ο λ ο γ ί α κ τ ι ρ ί ω ν. 5. Π ρ ό τ α σ η. 6.

2. Α ν ά λ υ σ η Π ε ρ ι ο χ ή ς. 3. Α π α ι τ ή σ ε ι ς Ε ρ γ ο δ ό τ η. 4. Τ υ π ο λ ο γ ί α κ τ ι ρ ί ω ν. 5. Π ρ ό τ α σ η. 6. Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α 1. Ε ι σ α γ ω γ ή 2. Α ν ά λ υ σ η Π ε ρ ι ο χ ή ς 3. Α π α ι τ ή σ ε ι ς Ε ρ γ ο δ ό τ η 4. Τ υ π ο λ ο γ ί α κ τ ι ρ ί ω ν 5. Π ρ ό τ α σ η 6. Τ ο γ ρ α φ ε ί ο 1. Ε ι σ α γ ω

Διαβάστε περισσότερα

ECE 308 SIGNALS AND SYSTEMS FALL 2017 Answers to selected problems on prior years examinations

ECE 308 SIGNALS AND SYSTEMS FALL 2017 Answers to selected problems on prior years examinations ECE 308 SIGNALS AND SYSTEMS FALL 07 Answers to selected problems on prior years examinations Answers to problems on Midterm Examination #, Spring 009. x(t) = r(t + ) r(t ) u(t ) r(t ) + r(t 3) + u(t +

Διαβάστε περισσότερα

HOMEWORK#1. t E(x) = 1 λ = (b) Find the median lifetime of a randomly selected light bulb. Answer:

HOMEWORK#1. t E(x) = 1 λ = (b) Find the median lifetime of a randomly selected light bulb. Answer: HOMEWORK# 52258 李亞晟 Eercise 2. The lifetime of light bulbs follows an eponential distribution with a hazard rate of. failures per hour of use (a) Find the mean lifetime of a randomly selected light bulb.

Διαβάστε περισσότερα

SocialDict. A reading support tool with prediction capability and its extension to readability measurement

SocialDict. A reading support tool with prediction capability and its extension to readability measurement SocialDict 1 2 2 2 Web SocialDict A reading support tool with prediction capability and its extension to readability measurement Yo Ehara, 1 Takashi Ninomiya, 2 Nobuyuki Shimizu 2 and Hiroshi Nakagawa

Διαβάστε περισσότερα

2?nom. Bacc. 2 nom. acc. S <u. >nom. 7acc. acc >nom < <

2?nom. Bacc. 2 nom. acc. S <u. >nom. 7acc. acc >nom < < K+P K+P PK+ K+P - _+ l Š N K - - a\ Q4 Q + hz - I 4 - _+.P k - G H... /.4 h i j j - 4 _Q &\\ \\ ` J K aa\ `- c -+ _Q K J K -. P.. F H H - H - _+ 4 K4 \\ F &&. P H.4 Q+ 4 G H J + I K/4 &&& && F : ( -+..

Διαβάστε περισσότερα

FORMULAS FOR STATISTICS 1

FORMULAS FOR STATISTICS 1 FORMULAS FOR STATISTICS 1 X = 1 n Sample statistics X i or x = 1 n x i (sample mean) S 2 = 1 n 1 s 2 = 1 n 1 (X i X) 2 = 1 n 1 (x i x) 2 = 1 n 1 Xi 2 n n 1 X 2 x 2 i n n 1 x 2 or (sample variance) E(X)

Διαβάστε περισσότερα

F (x) = kx. F (x )dx. F = kx. U(x) = U(0) kx2

F (x) = kx. F (x )dx. F = kx. U(x) = U(0) kx2 F (x) = kx x k F = F (x) U(0) U(x) = x F = kx 0 F (x )dx U(x) = U(0) + 1 2 kx2 x U(0) = 0 U(x) = 1 2 kx2 U(x) x 0 = 0 x 1 U(x) U(0) + U (0) x + 1 2 U (0) x 2 U (0) = 0 U(x) U(0) + 1 2 U (0) x 2 U(0) =

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

2. THEORY OF EQUATIONS. PREVIOUS EAMCET Bits.

2. THEORY OF EQUATIONS. PREVIOUS EAMCET Bits. EAMCET-. THEORY OF EQUATIONS PREVIOUS EAMCET Bits. Each of the roots of the equation x 6x + 6x 5= are increased by k so that the new transformed equation does not contain term. Then k =... - 4. - Sol.

Διαβάστε περισσότερα

Aquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET

Aquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET Aquinas College Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET Pearson Edexcel Level 3 Advanced Subsidiary and Advanced GCE in Mathematics and Further Mathematics Mathematical

Διαβάστε περισσότερα

Αριθµητικές Μέθοδοι Collocation. Απεικόνιση σε Σύγχρονες Υπολογιστικές Αρχιτεκτονικές

Αριθµητικές Μέθοδοι Collocation. Απεικόνιση σε Σύγχρονες Υπολογιστικές Αρχιτεκτονικές Αριθµητικές Μέθοδοι Collocation Απεικόνιση σε Σύγχρονες Υπολογιστικές Αρχιτεκτονικές Hermite Collocation Method BVP L B uxy (, ) = f(, xy), (, xy) Ω uxy (, ) = gxy (, ), (, xy) Ω Red Black Collocation

Διαβάστε περισσότερα

Coupling strategies for compressible - low Mach number flows

Coupling strategies for compressible - low Mach number flows Coupling strategies for compressible - low Mach number flows Yohan Penel, Stéphane Dellacherie, Bruno Després To cite this version: Yohan Penel, Stéphane Dellacherie, Bruno Després. Coupling strategies

Διαβάστε περισσότερα

Solar Neutrinos: Fluxes

Solar Neutrinos: Fluxes Solar Neutrinos: Fluxes pp chain Sun shines by : 4 p 4 He + e + + ν e + γ Solar Standard Model Fluxes CNO cycle e + N 13 =0.707MeV He 4 C 1 C 13 p p p p N 15 N 14 He 4 O 15 O 16 e + =0.997MeV O17

Διαβάστε περισσότερα

γ n ϑ n n ψ T 8 Q 6 j, k, m, n, p, r, r t, x, y f m (x) (f(x)) m / a/b (f g)(x) = f(g(x)) n f f n I J α β I = α + βj N, Z, Q ϕ Εὐκλείδης ὁ Ἀλεξανδρεύς Στοιχεῖα ἄκρος καὶ μέσος λόγος ὕδωρ αἰθήρ ϕ φ Φ τ

Διαβάστε περισσότερα

Στοχαστικά Σήματα και Τηλεπικοινωνιές

Στοχαστικά 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 περισσότερα

ITU-R P (2012/02) &' (

ITU-R P (2012/02) &' ( ITU-R P.530-4 (0/0) $ % " "#! &' ( P ITU-R P. 530-4 ii.. (IPR) (ITU-T/ITU-R/ISO/IEC).ITU-R http://www.itu.int/itu-r/go/patents/en. ITU-T/ITU-R/ISO/IEC (http://www.itu.int/publ/r-rec/en ) () ( ) BO BR BS

Διαβάστε περισσότερα

J J l 2 J T l 1 J T J T l 2 l 1 J J l 1 c 0 J J J J J l 2 l 2 J J J T J T l 1 J J T J T J T J {e n } n N {e n } n N x X {λ n } n N R x = λ n e n {e n } n N {e n : n N} e n 0 n N k 1, k 2,..., k n N λ

Διαβάστε περισσότερα

η η η η GAR = 1 F RR η F RR F AR F AR F RR η F RR F AR µ µ µ µ µ µ Γ R N=mxn W T X x mean X W T x g W P x = W T (x g x mean ) X = X x mean P x = W T X d P x P i, i = 1, 2..., G M s t t

Διαβάστε περισσότερα

38 Te(OH) 6 2NH 4 H 2 PO 4 (NH 4 ) 2 HPO 4

38 Te(OH) 6 2NH 4 H 2 PO 4 (NH 4 ) 2 HPO 4 Fig. A-1-1. Te(OH) NH H PO (NH ) HPO (TAAP). Projection of the crystal structure along the b direction [Ave]. 9 1. 7.5 ( a a )/ a [1 ] ( b b )/ b [1 ] 5..5 1.5 1 1.5 ( c c )/ c [1 ].5 1. 1.5. Angle β 1.

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

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

Αναγνώριση Προτύπων. Μη παραμετρικές τεχνικές Αριθμητικά. (Non Parametric Techniques)

Αναγνώριση Προτύπων. Μη παραμετρικές τεχνικές Αριθμητικά. (Non Parametric Techniques) Αναγνώριση Προτύπων Μη παραμετρικές τεχνικές Αριθμητικά Παραδείγματα (Non Parametric Techniques) Καθηγητής Χριστόδουλος Χαμζάς Τα περιεχόμενο της παρουσίασης βασίζεται στο βιβλίο: Introduction to Pattern

Διαβάστε περισσότερα

{takasu, Conditional Random Field

{takasu, Conditional Random Field DEIM Forum 2016 C8-6 CRF 700 8530 3 1 1 700 8530 3 1 1 101 8430 2-1-2 E-mail: pobp52cw@s.okayama-u.ac.jp, ohta@de.cs.okayama-u.ac.jp, {takasu, adachi}@nii.ac.jp Conditional Random Field 1. Conditional

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

clearing a space (focusing) clearing a space, CS CS CS experiencing I 1. E. T. Gendlin (1978) experiencing (Gendlin 1962) experienc-

clearing a space (focusing) clearing a space, CS CS CS experiencing I 1. E. T. Gendlin (1978) experiencing (Gendlin 1962) experienc- clearing a space (focusing) clearing a space, CS CS CS CS CS experiencing I 1. E. T. Gendlin (1978) experiencing (Gendlin 1962) experienc- 133 ing experiencing 2009 experiencing Gendlin (1978) CS 2. CS

Διαβάστε περισσότερα

Ax = b. 7x = 21. x = 21 7 = 3.

Ax = b. 7x = 21. x = 21 7 = 3. 3 s st 3 r 3 t r 3 3 t s st t 3t s 3 3 r 3 3 st t t r 3 s t t r r r t st t rr 3t r t 3 3 rt3 3 t 3 3 r st 3 t 3 tr 3 r t3 t 3 s st t Ax = b. s t 3 t 3 3 r r t n r A tr 3 rr t 3 t n ts b 3 t t r r t x 3

Διαβάστε περισσότερα

2. N-gram IDF. DEIM Forum 2016 A1-1. N-gram IDF IDF. 5 N-gram. N-gram. N-gram. N-gram IDF.

2. N-gram IDF.   DEIM Forum 2016 A1-1. N-gram IDF IDF. 5 N-gram. N-gram. N-gram. N-gram IDF. DEIM Forum 216 A1-1 N-gram IDF 565 871 1-5 E-mail: {hirakawa.maumi,hara}@it.oaka-u.ac.jp N-gram IDF IDF N-gram N-gram N-gram N-gram IDF N-gram N-gram IDF N-gram N-gram IDF Web Wikipedia 1 N-gram IDF [3]

Διαβάστε περισσότερα

Τυπολογίο Μαθηµατικών Μεθόδων Φυσικής ΙΙ

Τυπολογίο Μαθηµατικών Μεθόδων Φυσικής ΙΙ . Μέθοδος Frobenius Τυπολογίο Μαθηµατικών Μεθόδων Φυσικής ΙΙ d w Γενική µορφή της γραµµικής.ε. ης τάξης: dz + P (z)dw + Q(z)w = dz Μορφή της.ε. όταν το σηµείο z = z είναι κανονικό ανώµαλο σηµείο d w dz

Διαβάστε περισσότερα

Hartree-Fock Theory. Solving electronic structure problem on computers

Hartree-Fock Theory. Solving electronic structure problem on computers Hartree-Foc Theory Solving electronic structure problem on computers Hartree product of non-interacting electrons mean field molecular orbitals expectations values one and two electron operators Pauli

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

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

k k ΚΕΦΑΛΑΙΟ 1 G = (V, E) V E V V V G E G e = {v, u} E v u e v u G G V (G) E(G) n(g) = V (G) m(g) = E(G) G S V (G) S G N G (S) = {u V (G)\S v S : {v, u} E(G)} G v S v V (G) N G (v) = N G ({v}) x V (G)

Διαβάστε περισσότερα

Additional Results for the Pareto/NBD Model

Additional Results for the Pareto/NBD Model Additional Results for the Pareto/NBD Model Peter S. Fader www.petefader.com Bruce G. S. Hardie www.brucehardie.com January 24 Abstract This note derives expressions for i) the raw moments of the posterior

Διαβάστε περισσότερα

An Advanced Manipulation for Space Redundant Macro-Micro Manipulator System

An Advanced Manipulation for Space Redundant Macro-Micro Manipulator System 6 (5..9) 6 An Advanced Manipulation for Space Redundant Macro-Micro Manipulator System Kazuya Yoshida, Hiromitsu Watanabe * *Tohoku University : (Macro-micro manipulator system) (Flexible base), (Vibration

Διαβάστε περισσότερα

ω α β χ φ() γ Γ θ θ Ξ Μ ν ν ρ σ σ σ σ σ σ τ ω ω ω µ υ ρ α Coefficient of friction Coefficient of friction 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 5 10 15 20 0.90 0.80 0.70 0.60 0.50 0.40 0.30

Διαβάστε περισσότερα

Echo path identification for stereophonic acoustic echo cancellation without pre-processing

Echo path identification for stereophonic acoustic echo cancellation without pre-processing Echo path identification for stereophonic acoustic echo cancellation without pre-processing Yuusuke MIZUNO Takuya NUNOME Akihiro HIRANO Kenji NAKAYAMA Division of Electronics and Computer Science Graduate

Διαβάστε περισσότερα

Εθνικό & Καποδιστριακό Πανεπιστήμιο Αθηνών. Εισαγωγή στην Οικονομική Ανάλυση. Νίκος Θεοχαράκης Διάλεξη 5 Ιανουάριος 2014

Εθνικό & Καποδιστριακό Πανεπιστήμιο Αθηνών. Εισαγωγή στην Οικονομική Ανάλυση. Νίκος Θεοχαράκης Διάλεξη 5 Ιανουάριος 2014 Εθνικό & Καποδιστριακό Πανεπιστήμιο Αθηνών Εισαγωγή στην Οικονομική Ανάλυση Νίκος Θεοχαράκης Διάλεξη 5 Ιανουάριος 2014 Ελαστικότητα Ελαστικότητα Γενικά η ελαστικότητα μας δείχνει πως αντιδρά μια εξαρτημένη

Διαβάστε περισσότερα

1 B0 C00. nly Difo. r II. on III t o. ly II II. Di XR. Di un 5.8. Di Dinly. Di F/ / Dint. mou. on.3 3 D. 3.5 ird Thi. oun F/2. s m F/3 /3.

1 B0 C00. nly Difo. r II. on III t o. ly II II. Di XR. Di un 5.8. Di Dinly. Di F/ / Dint. mou. on.3 3 D. 3.5 ird Thi. oun F/2. s m F/3 /3. . F/ /3 3. I F/ 7 7 0 0 Mo ode del 0 00 0 00 A 6 A C00 00 0 S 0 C 0 008 06 007 07 09 A 0 00 0 00 0 009 09 A 7 I 7 7 0 0 F/.. 6 6 8 8 0 00 0 F/3 /3. fo I t o nt un D ou s ds 3. ird F/ /3 Thi ur T ou 0 Fo

Διαβάστε περισσότερα

Η μέθοδος των πεπερασμένων στοιχείων για την εξίσωση της θερμότητας

Η μέθοδος των πεπερασμένων στοιχείων για την εξίσωση της θερμότητας Κεφάλαιο 6 Η μέθοδος των πεπερασμένων στοιχείων για την εξίσωση της θερμότητας Σε αυτό το κεφάλαιο θεωρούμε την εξίσωση της θερμότητας στη μια διάσταση ως προς τον χώρο και θα κατασκευάσουμε μεθόδους πεπερασμένων

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

11 Drinfeld. k( ) = A/( ) A K. [Hat1, Hat2] k M > 0. Γ 1 (M) = γ SL 2 (Z) f : H C. ( ) az + b = (cz + d) k f(z) ( z H, γ = cz + d Γ 1 (M))

11 Drinfeld. k( ) = A/( ) A K. [Hat1, Hat2] k M > 0. Γ 1 (M) = γ SL 2 (Z) f : H C. ( ) az + b = (cz + d) k f(z) ( z H, γ = cz + d Γ 1 (M)) Drinfeld Drinfeld 29 8 8 11 Drinfeld [Hat3] 1 p q > 1 p A = F q [t] A \ F q d > 0 K A ( ) k( ) = A/( ) A K Laurent F q ((1/t)) 1/t C Drinfeld Drinfeld p p p [Hat1, Hat2] 1.1 p 1.1.1 k M > 0 { Γ 1 (M) =

Διαβάστε περισσότερα

Bayesian statistics. DS GA 1002 Probability and Statistics for Data Science.

Bayesian statistics. DS GA 1002 Probability and Statistics for Data Science. Bayesian statistics DS GA 1002 Probability and Statistics for Data Science http://www.cims.nyu.edu/~cfgranda/pages/dsga1002_fall17 Carlos Fernandez-Granda Frequentist vs Bayesian statistics In frequentist

Διαβάστε περισσότερα

Vol. 37 ( 2017 ) No. 3. J. of Math. (PRC) : A : (2017) k=1. ,, f. f + u = f φ, x 1. x n : ( ).

Vol. 37 ( 2017 ) No. 3. J. of Math. (PRC) : A : (2017) k=1. ,, f. f + u = f φ, x 1. x n : ( ). Vol. 37 ( 2017 ) No. 3 J. of Math. (PRC) R N - R N - 1, 2 (1., 100029) (2., 430072) : R N., R N, R N -. : ; ; R N ; MR(2010) : 58K40 : O192 : A : 0255-7797(2017)03-0467-07 1. [6], Mather f : (R n, 0) R

Διαβάστε περισσότερα

Κεφάλαιο 2 ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ. 2.1 Σηµειακή Εκτίµηση. = E(ˆθ) και διασπορά σ 2ˆθ = Var(ˆθ).

Κεφάλαιο 2 ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ. 2.1 Σηµειακή Εκτίµηση. = E(ˆθ) και διασπορά σ 2ˆθ = Var(ˆθ). Κεφάλαιο 2 ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ Οι στατιστικές δείγµατος που υπολογίζονται από τα δεδοµένα που έχουν συλλεχθεί, όπως η δειγµατική µέση τιµή x και η δειγµατική διασπορά s 2, χρησιµοποιούνται για την εκτίµηση

Διαβάστε περισσότερα

The Algorithm to Extract Characteristic Chord Progression Extended the Sequential Pattern Mining

The Algorithm to Extract Characteristic Chord Progression Extended the Sequential Pattern Mining 1,a) 1,b) J-POP 100 The Algorithm to Extract Characteristic Chord Progression Extended the Sequential Pattern Mining Shinohara Toru 1,a) Numao Masayuki 1,b) Abstract: Chord is an important element of music

Διαβάστε περισσότερα

CDMA. Performance Analysis of Chaotic Spread Spectrum CDMA Systems. LI Xiao - chao, GUO Dong - hui, ZENG Quan, WU Bo - xi RESEARCH & DEVELOPMENT

CDMA. Performance Analysis of Chaotic Spread Spectrum CDMA Systems. LI Xiao - chao, GUO Dong - hui, ZENG Quan, WU Bo - xi RESEARCH & DEVELOPMENT 2003 6 RESEARCH & DEVELOPME 00-893X(2003) 06-003 - 06 3 CDMA Ξ,, (, 36005), roecker Delta, CDMA, DS - CDMA, CDMA, CDMA CDMA, CDMA, Gold asami DS - CDMA CDMA ; ; ; 929. 5 ;O45. 5 A Performace Aalysis of

Διαβάστε περισσότερα

Μελέτη και Υλοποίηση Ελεγκτών Ρομποτικών Συστημάτων με χρήση Αλγορίθμων Ενισχυτικής Μάθησης

Μελέτη και Υλοποίηση Ελεγκτών Ρομποτικών Συστημάτων με χρήση Αλγορίθμων Ενισχυτικής Μάθησης .. Μελέτη και Υλοποίηση Ελεγκτών Ρομποτικών Συστημάτων με χρήση Αλγορίθμων Ενισχυτικής Μάθησης Πολυτεχνείο Κρήτης 22 Ιουλίου, 2009 Διάρθρωση Εισαγωγή Μαρκοβιανές Διεργασίες Απόφασης (ΜΔΑ) Ενισχυτική Μάθηση

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

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

Probability and Random Processes (Part II)

Probability and Random Processes (Part II) Probability and Random Processes (Part II) 1. If the variance σ x of d(n) = x(n) x(n 1) is one-tenth the variance σ x of a stationary zero-mean discrete-time signal x(n), then the normalized autocorrelation

Διαβάστε περισσότερα

#%" )*& ##+," $ -,!./" %#/%0! %,!

#% )*& ##+, $ -,!./ %#/%0! %,! -!"#$% -&!'"$ & #("$$, #%" )*& ##+," $ -,!./" %#/%0! %,! %!$"#" %!#0&!/" /+#0& 0.00.04. - 3 3,43 5 -, 4 $ $.. 04 ... 3. 6... 6.. #3 7 8... 6.. %9: 3 3 7....3. % 44 8... 6.4. 37; 3,, 443 8... 8.5. $; 3

Διαβάστε περισσότερα

= df. f (n) (x) = dn f dx n

= df. f (n) (x) = dn f dx n Παράγωγος Συνάρτησης Ορισμός Παραγώγου σε ένα σημείο ΠΑΡΑΓΩΓΟΣ ΣΥΝΑΡΤΗΣΗΣ σε ένα σημείο ξ είναι το όριο (αν υπάρχει!) Ορισμός Cauchy: f (ξ) = lim x ξ g(x, ξ), g(x, ξ) = f(x) f(ξ) x ξ ɛ > 0 δ(ɛ, ξ) > 0

Διαβάστε περισσότερα

= f(0) + f dt. = f. O 2 (x, u) x=(x 1,x 2,,x n ) T, f(x) =(f 1 (x), f 2 (x),, f n (x)) T. f x = A = f

= f(0) + f dt. = f. O 2 (x, u) x=(x 1,x 2,,x n ) T, f(x) =(f 1 (x), f 2 (x),, f n (x)) T. f x = A = f 2 n dx (x)+g(x)u () x n u (x), g(x) x n () +2 -a -b -b -a 3 () x,u dx x () dx () + x x + g()u + O 2 (x, u) x x x + g()u + O 2 (x, u) (2) x O 2 (x, u) x u 2 x(x,x 2,,x n ) T, (x) ( (x), 2 (x),, n (x)) T

Διαβάστε περισσότερα

Τύπος TAYLOR. f : [a, b] R f (n 1) (x) συνεχής x [a, b] f (n) (x) x (a, b) ξ μεταξύ x και x 0. (x x 0 ) k k! f(x) = f (k) (x 0 ) + R n (x)

Τύπος TAYLOR. f : [a, b] R f (n 1) (x) συνεχής x [a, b] f (n) (x) x (a, b) ξ μεταξύ x και x 0. (x x 0 ) k k! f(x) = f (k) (x 0 ) + R n (x) Τύπος TAYLOR f : [a, b] R f (n 1) (x) συνεχής x [a, b] f (n) (x) x (a, b) f(x) = ξ μεταξύ x και x 0 n 1 (x x 0 ) k f (k) (x 0 ) + R n (x) R n (x) = (x ξ)n p (x x 0 ) p p(n 1)! f (n) (ξ) υπόλοιπο Sclömlich-Roche

Διαβάστε περισσότερα

y = f(x)+ffl x 2.2 x 2X f(x) x x p T (x) = 1 Z T exp( f(x)=t ) (2) x 1 exp Z T Z T = X x2x exp( f(x)=t ) (3) Z T T > 0 T 0 x p T (x) x f(x) (MAP = Max

y = f(x)+ffl x 2.2 x 2X f(x) x x p T (x) = 1 Z T exp( f(x)=t ) (2) x 1 exp Z T Z T = X x2x exp( f(x)=t ) (3) Z T T > 0 T 0 x p T (x) x f(x) (MAP = Max 2006 2006 Workshop on Information-Based Induction Sciences (IBIS2006) Osaka, Japan, October 31- November 2, 2006. [ ] Introduction to statistical models for populational optimization Λ Shotaro Akaho Abstract:

Διαβάστε περισσότερα

Topic Structure Mining based on Wikipedia and Web Search

Topic Structure Mining based on Wikipedia and Web Search DEWS2008 A7-5 Wikipedia Web AdamJatowt 606-8501 606-8501 E-mail: {nakatani,tezuka,adam,tanaka}@dl.kuis.kyoto-u.ac.jp Wikipedia Web Web Wikipedia Wikipedia Abstract Topic Structure Mining based on Wikipedia

Διαβάστε περισσότερα