| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 10 / 11
First pagePrevious page12Next pageLast page
1.
2.
3.
Indirektne segmentacijske metode za adaptivno robustno kontrolo prenosa podatkov po govornem kanalu sistema GSM
Zdenko Mezgec, 2009, dissertation

Abstract: V doktorski nalogi obravnavamo problematiko adaptivnega robustnega prenosa podatkov po govornem kanalu sistema GSM. Podrobno smo raziskali vplive sistema in na osnovi tega razvili indirektne segmentacijske metode ISM, ki zagotavljajo adaptivno robustno kontrolo prenosa podatkov. ISM temeljijo na množici izvirnih pilotskih signalov, ki se robustno prenašajo v sistemu GSM. Omenjeni pilotski signali so namenjeni energijsko neodvisni sinhronizaciji podatkov, robustnemu potrjevanju okvirjev, pošiljanju pomemb
Keywords: prenos podatkov, pilotski signali, identifikacija, kodirniki govora, sinhronizacija, potrjevanje okvirjev, izničevalniki odbojev, adaptivni sistemi, indirektne segmentacijske metode, GSM
Published: 30.01.2009; Views: 3258; Downloads: 218
.pdf Full text (8,47 MB)

4.
SPLOŠNONAMENSKI SISTEM ZA UPRAVLJANJE IN NADZOR NAPRAV NA DALJAVO S POMOČJO MOBILNEGA TELEFONA ALI SPLETNEGA VMESNIKA
Davorin Mađarić, 2011, bachelor thesis/paper

Abstract: Diplomsko delo obravnava splošnonamenski sistem za upravljanje in nadzor naprav na daljavo s pomočjo mobilnega telefona ali spletnega vmesnika. Sistem omogoča spremljanje statusa naprav, branje merilnih veličin iz senzorjev ter proženje aktuatorjev naprav, ki so priključene na krmilno enoto sistema. S pomočjo mobilne aplikacije, mobilnega telefona ter Bluetooth povezave uporabniki spremljajo vse parametre naprav, ki so priključene na krmilno enoto. Pomemben del sistema je splet, ki z grafično bogatejšim in uporabniško prijaznejšim spletnim vmesnikom omogoča upravljanje in nadzor naprav z oddaljenega računalnika.
Keywords: Bluetooth, mikrokrmilnik, AVR, mobilni telefon, spletni vmesnik, nadzor, upravljanje
Published: 01.09.2011; Views: 3153; Downloads: 294
.pdf Full text (2,36 MB)

5.
A noise robust feature extraction algorithm using joint wavelet packet subband decomposition and AR modeling of speech signals
Bojan Kotnik, Zdravko Kačič, 2007, original scientific article

Abstract: This paper presents a noise robust feature extraction algorithm NRFE using joint wavelet packet decomposition (WPD) and autoregressive (AR) modeling of a speech signal. In opposition to the short time Fourier transform (STFT)-based time-frequency signal representation, wavelet packet decomposition can lead to better representation of non-stationary parts of the speech signal (e.g. consonants). The vowels are well described with an AR model as in LPC analysis. The proposed Root-Log compression scheme is used to perform the computation of the wavelet packet parameters. The separately extracted WPD and AR-based parameters are combined together and then transformed with the usage of linear discriminant analysis (LDA) to finally produce a lower dimensional output feature vector. The noise robustness is improved with the application of proposed wavelet-based denoising algorithm with a modified soft thresholding procedure and time-frequency adaptive threshold. The proposed voice activity detector based on a skewness-to-kurtosis ratio of the LPC residual signal is used to effectively perform a frame-dropping principle. The speech recognition results achieved on Aurora 2 and Aurora 3 databases show overall performance improvement of 44.7% and 48.2% relative to the baseline MFCC front-end, respectively.
Keywords: automatic speech recognition, autoregressive modeling, modified soft thresholding, noise robust speech parameterization, wavelet packet decomposition
Published: 31.05.2012; Views: 1426; Downloads: 91
URL Link to full text

6.
7.
8.
FILTER Z DELCI ZA LOKALIZACIJO V BREZŽIČNIH SENZORSKIH OMREŽJIH
Janja Svečko, 2012, dissertation

Abstract: Doktorska disertacija predstavlja algoritem za določanje razdalje med slepim vozliščem in referenčnim vozliščem v brezžičnem senzorskem omrežju (ang. Wireless Sensor Network – WSN) z zajemanjem meritev indikatorja moči sprejetega signala (ang. Received Signal Strength Indicator – RSSI) na antenskem sklopu sprejemnika. Za ocenjevanje razdalj smo v doktorski disertaciji uporabili Bayesovo sklepanje in filter z delci (ang. particle filter). Z Bayesovim sklepanjem prvega reda in s predhodno izbranim modelom širjenja signala (log-normalni model ali odbojni model) smo določili razdaljo iz zajetih meritev RSSI. Apriorno verjetnost v Bayesovem sklepanju smo modelirali z Gauss-Markovimi naključnimi polji (ang. Gauss-Markov Random Field – GMRF), za opis verjetja pa je bila uporabljena Gamma porazdelitvena funkcija. Ocena razdalje je izvedena s cenilko največje posteriorne verjetnosti (ang. Maximum a posterior – MAP). Bayesovo sklepanje drugega reda, pri katerem smo vrednotili maksimirane robne porazdelitve, smo uporabili za določitev najboljših parametrov apriorne verjetnosti in stopnjo modela oziroma števila anten antenskega sklopa. Za nadaljnjo oceno razdalje smo uporabili filter z delci z metodo prevzorčenja (ang. Sequential Importance Resampling – SIR). Znotraj filtra smo za postopek tipanja uporabili Gaussovo porazdelitveno funkcijo in za posodobitev uteži primerjali med uporabo Gamma porazdelitvene funkcije in Gaussove funkcije. Eksperimentalni rezultati v doktorski nalogi, ki zajemajo realne meritve RSSI-jev in ocenjene razdalje z Bayesovim sklepanjem in filtra z delci, nam kažejo, da je možno oceniti razdaljo med slepim in referenčnim vozliščem 0,03 m natančno. Pri tem je natančnost metode odvisna od samega prostora in odbojev v njem ter od uporabljenih modelov in strojne opreme. Natančnost oziroma napaka je podana kot absolutna vrednost razlike dejanske in ocenjene razdalje.
Keywords: filter z delci, indikator moči sprejetega signala, brezžična senzorska omrežja, več anten
Published: 20.11.2012; Views: 1719; Downloads: 167
.pdf Full text (5,32 MB)

9.
VEČLOČLJIVOSTNO IZLOČANJE ZNAČILK PRI RAZPOZNAVANJU EMOCIJ V GOVORU
Aleš Zelenik, 2013, doctoral dissertation

Abstract: V doktorski nalogi obravnavamo problematiko prepoznave emocionalnega govora iz avdio posnetkov. V okviru naloge je za izločanje značilk uporabljenih več različnih širin kratkočasovnih procesnih oken, z namenom pridobitve optimalne širine in doseganje najvišje stopnje prepoznave. V dosedanjih raziskavah se največkrat pojavljajo procesna okna širine 20 in 100ms [6], kjer uporaba krajšega okna omogoča boljšo časovno ločljivost, a slabšo frekvenčno ločljivost, medtem ko daljša okna dvignejo frekvenčno ločljivost in poslabšajo časovno ločljivost. V tej točki je definiran nov postopek, ki združi prednosti uporabe ožjih in širših oken in izkorišča prednosti dinamičnega prilagajanja časovne in frekvenčne ločljivosti pri posameznih značilkah. Postopek, poimenovan ESRA, definira koncept večločljivostnega izločanja, izbire in uporabe značilk in pri tem poskrbi za uporabo večločljivostnega koncepta pri razpoznavanju končnih razredov, kjer se za procesiranje uporabi del akustičnega signala, ki vsebuje zvočni govor. Dodatno višanje nivoja uspešnosti prepoznave je doseženo z uporabo normalizacije uporabljenih značilk ter glajenja vrednosti značilk v postprocesiranju. Dodana vrednost pri postopku optimizacije uspešnosti razpoznave je v definiranju algoritma zamenjave končnih razredov, s katerim je bilo doseženo zvišanje uspešnosti najoptimalnejših rezultatov prepoznavanja emocionalnih posnetkov. Za vrednotenje vpliva algoritma na optimizacijo nivoja razpoznave emocionalnega govora sta uporabljeni dve različni območji poimenovani kratko- in dolgočasovno območje, na podlagi katerih poteka izločanje in ocenjevanje od emocij odvisnih značilk govora, z namenom njihove uporabe pri razpoznavanju emocij v govoru. Pri tem sta za potrditev delovanja algoritma uporabljena dva načina generiranja podsetov značilk ter za klasifikacijo štirje različni klasifikatorji (MLP, RF, KNN, GMM). Uporabljeni emocionalni posnetki so del emocionalne govorne baze Interface [18], ki vsebuje igrane posnetke osnovnih šestih emocionalnih razredov (Ekman-ovih velikih šest) in nevtralni govor. Najvišja dosežena uspešnost prepoznave večločljivostnega pristopa je znašala 88,6%, kar je za 3,8% presegalo najboljšo uspešnost enonivojskega pristopa oziroma je bila uspešnost prepoznave za 24,9% višja v relativnem smislu. Podane so primerjave z rezultati uspešnosti dosedanjih raziskav na uporabljeni bazi.
Keywords: govor, razpoznavanje emocij, segmentacija, večločljivost
Published: 22.03.2013; Views: 1648; Downloads: 226
.pdf Full text (7,89 MB)

10.
A comprehensive noise robust speech parameterization algorithm using wavelet packet decomposition-based denoising and speech feature representation techniques
Bojan Kotnik, Zdravko Kačič, 2007, original scientific article

Abstract: This paper concerns the problem of automatic speech recognition in noise-intense and adverse environments. The main goal of the proposed work is the definition, implementation, and evaluation of a novel noise robust speech signal parameterization algorithm. The proposed procedure is based on time-frequency speech signal representation using wavelet packet decomposition. A new modified soft thresholding algorithm based on time-frequency adaptive threshold determination was developed to efficiently reduce the level of additive noise in the input noisy speech signal. A two-stage Gaussian mixture model (GMM)-based classifier was developed to perform speech/nonspeech as well as voiced/unvoiced classification. The adaptive topology of the wavelet packet decomposition tree based on voiced/unvoiced detection was introduced to separately analyze voiced and unvoiced segments of the speech signal. The main feature vector consists of a combination of log-root compressed wavelet packet parameters, and autoregressive parameters. The final output feature vector is produced using a two-staged feature vector postprocessing procedure. In the experimental framework, the noisy speech databases Aurora 2 and Aurora 3 were applied together with corresponding standardized acoustical model training/testing procedures. The automatic speech recognition performance achieved using the proposed noise robust speech parameterization procedure was compared to the standardized mel-frequency cepstral coefficient (MFCC) feature extraction procedures ETSI ES 201 108 and ETSI ES 202 050.
Keywords: speech parametrization, algorithm, speech techniques
Published: 26.06.2017; Views: 653; Downloads: 286
.pdf Full text (984,48 KB)
This document has many files! More...

Search done in 0.26 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica