A2M31RAT - Řečové aplikace v telekomunikacích. Robustní řečové parametrizace
|
|
- František Tobiška
- před 8 lety
- Počet zobrazení:
Transkript
1 AM31RAT - Řečové aplikace v telekomunikacích Robustní řečové parametrizace Doc. Ing. Petr Pollák, CSc. 3. března 11-1:34
2 Obsah přednášky Příznaky pro rozpoznávání řeči Vlastnosti příznaků na bázi DFT, LPC a kepstra MFCC a PLP Statické a dynamické příznaky Techniky robustní parametrizace (příznaky pro rozpoznávání) Spektrální odečítání CMS VTLN Kompenzace Lombardova jevu
3 I. část Příznaky pro rozpoznávání řeči
4 Parametrizace řečového signálu parametrizace = extrakce příznaků popisujících signál pro účely následné klasifikace používané spektrální (kepstrální příznaky) DFT spektrum - méně používané pro množství redundantní informace AR koeficienty - nevhodné, koeficienty polynomu AR model, koeficienty odrazu - možné, stabilnější Kepstrum - tvoří shluky v n-dimenzionální prostoru - OK LPC kepstrum - méně používané pro malou robustnost MFCC = mel-kepstrum - nejpoužívanější příznaky (modelování nelinearity lidského slyšení) PLP - alternativní způsob modelování nelinearity slyšení dynamické a akcelerační parametry (delta, delta-delta) energetické parametry ( E, ln E, c ) Další parametrizace výpočet pomocí neuronových sítí TRAPs - časové trajektorie příznaků v delších kontextech
5 MFCC - Melovské kepstrální koeficienty Blokové schéma výpočtu mel-kepstrálních koeficientů: sn DFT Xk Mel BF mk ln(.) ln(mk) IDCT cn Výpočet energie v jednom pásmu N/ g j = ln S[k] H mel,j [k]. k= Výpočet kepstra pomocí DCT c i = P P j=1 ( ) πi g j cos (j.5) P
6 PLP - kepstrální koeficienty Blokové schéma výpočtu PLP kepstrálních koeficientů: sn DFT Xk E(f) Xsk CBA Bsj.3 Bj IDFT Rk LPC ak ac cn aplikuje se dříve diskutovaná PLP banka filtrů kepstrum se počítá na bázi lineární predikce rozdílné šumové vlastnosti
7 Statické a diferenciální parametry c 1 [i] 1 [i] δ 1 [i] c [i] c[i] =., [i] = [i]., δ[i] = δ [i]. c p [i] n [i] δ n [i] Dynamické parametry (odhad 1. derivace základních příznaků) MX m (c k [i + m] c k [i m]) m=1 k [i] = pro 1 k n MX m m=1 Akcelerační parametry (odhad. derivace základních příznaků) MX m ( k [i + m] k [i m]) m=1 δ k [i] = pro 1 k n MX m m=1
8 II. část Základní robustní parametrizační techniky
9 pravdepod pro kazd neuro 9 tody jsou zaloz eny na spektra lnı m odec ı ta nı vloz eny m ^Xi GMM/ Robustní parametrizace řeči pro kompenzaci aditivního šumu 14 HMM do standardnı ch parametrizac nı ch postupu, viz pr ı klad Podrobne js ı info vy poc tu melovsky ch kepstra lnı ch koeficientu. x c Ni + - standardnı +pr ı znaky Mel-kepstrum r ec ove MFCC -DFT mel-frekvenční kepstrální koeficienty (DCT) WF IDFT p Ni Si Modifikovane spektra lnı odec ı ta nı z 1 Metoda pro potlac enı. aditivnı ho s umu + ^Xi sbi Bor il, H., Polla k, P.: De /u/ Bor il, H.,1 Polla k, P.: C ASIDE 5,3 COST7 DCT Blok MSO.6.7 Xi ff Podrobne Bor il, H., P Bor il, H., P ASIDE Si MBF ln DCT Ni 1 1 p Blokz 1MSO + p Blok MSO lze umístit Ni Si i za MBF či za logaritmus (z hlediska vyhlazení je vhodné 1 umístění přímo za DFT) z databa zı MSO Si b xmfcc c + pozadí i Robustnı Xi vlivu aditivního N mel-kepstrum - standardnı pr ı znakysi s eliminací rušivého i r ec ove + WFc IDFTcbs,i xi DFT DFT cx,i Počet segmentů (x 1 ) Xi Si 1 M N 1 pmi i i 1 DFT MBF ln 1 + z Habs pravdepodobnosti fonemu pro kazdy segment xi 17 1 Xi i neuronova sit 16 7 Hardwarove impleme
10 Výsledky rozpoznávání řeči se standardní parametrizací 43 1 Rozpoznávač izolovaných slov, standardní MFCC parametrizace Trénování i testování - zašuměná řeč s různou úrovní šumu -/., -/. +* ')(* $% &!#" ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) ) 4 ) ) - ) )! " #$ #%" &(' (*,+.- +/*1 *3 45.*36 --.*1-(*78 54.*74:9! -.*74 -.*364 9*39.*3 *1-8 -4(*5.*75- +;*79 98*3<+ -(*7 98*3<+ +/*1=+ 4:98*,+ -5.*745 49*3-.* (*39.*754 +/*1=+ (*>9-54.*396 #? +. (*3@ 958*7 --(* 45.*7-5 *14=+ :*7 *7-
11 Výsledky rozpoznávání řeči s předzpracováním řeči s šumem 3 1 / Rozpoznávač izolovaných slov, standardní MFCC parametrizace Trénování i testování - zašuměná řeč, spektrální odečítání,.-+,.- *) &(') #$ %!"! " #$ #%" & ')(*'+ ',-(*',+ ')(*+ ',.-(*/ +-(1 /3(*. /3(*.,! ')( & '/3(*+,' '4(5 & ',-(5 '.-(6.' +)(*.3 /3(*',. ')(5 ',-( & ')(* '/3(5 & ' & (1' ')(*'. +,-( &,& ' & (* ',-(*',+ ')(* '/3(5 & ')(5 ' & (* & +,-(5, #7 +)(5' +,'-(*.,+ '3/(*. '/3(*./ '.-(6'3 '.)(5 +,'-(*4
12 Robustní parametrizace řeči pro kompenzaci aditivního šumu Spektrální odečítání lze použít různé techniky pro zvýrazňování řeči (obvykle spíše jednokanálové systémy) odstranění šumu se provede pouze ve frekvenční oblasti zpětný převod do časové oblasti není nutný otázka vlivu zkreslení řečového signálu (potlačení informace) Možnost zařazení potlačení aditivního rušení ve frekvenční oblasti standardní MFCC, PLP různý vliv na jednotlivé techniky (LPC vs. DCT) TRAPs (základem je též banka filtrů) - nadějné, zatím spíše v základním výzkumu
13 CMS - Cepstral Mean Subtraction Potlačení konvolučního rušení (především vlivu kanálu) Vstupní předpoklad: x[n] = s[n] h[n] c x = c s + c h Průměrné kepstrum všech L segmentů signálu je dané vztahem c x = 1 L 1 c s [i] + c h = c s + c h L i= pro dostatečné množství segmentů platí c s. c x = ĉ h ĉ s [i] = c x [i] c x = c s [i] + c h ĉ h c s [i]
14 VTLN - Vocal Tract Length Normalization Zvýšení robustnosti kompenzací variability mezi mluvčími Výchozí předpoklad - délka vokálního traktu je nepřímo úměrná formantovým frekvencím VTL = (i 1) c 4F i Řešení - warpovací funkce a warpovací faktor pro transformaci frekvenční osy
15 VTLN - Vocal Tract Length Normalization Ilustrační obrázek vlivu warpování frekvenční osy Převzato z: David Suendermann, Guntram Strecha, Antonio Bonafonte, Harald Hoege, Hermann Ney: Evaluation of VTLN-Based Voice Conversion for Embedded Speech Synthesis, In Interspeech 5.
16 VTLN - Vocal Tract Length Normalization Ilustrace principu warpovacích funkcí Převzato z: Xiaodong Cui and Abeer Alwan: MLLR-Like Speaker Adaptation Based on Linearization of VTLN with MFCC Features. In Interspeech 5.
17 VTLN - Vocal Tract Length Normalization Nelineární zkreslení - warpovací faktor α :, 88 α 1, 1 ( ) (1 α) sin π f f η α (f ) = f 1 + arctan mez 1 (1 α) cos π f f mez Warped frequency Linear frequency warpují se často jen mezní frekvence použité BF (MFCC, PLP) parametr α se odhaduje maximalizací pravděpodobnosti (analogie trénování)
18 VTLN - Vocal Tract Length Normalization Lineární zkreslení - warpovací faktor α :, 88 α 1, 1 αf pro f < f o f η α (f ) = mez αf o + αf o f mez (f f o ) f o pro f o f < f mez Warped frequency Linear frequency aproximace nelineární warpovací funkce parametr α se odhaduje opět trénováním
19 Lombardův jev (LE) Změny v produkci řeči pod vlivem šumu zvýšení intezity promluvy posun základního tónu řeči (při rozpoznávání menší vliv) posun formantových kmitočtů VÝRAZNÝ VLIV NA ROZPOZNÁVÁNÍ podobný efekt má vliv stresu či jiných emocí (emotional speech recognition)
20 ree Car 7 gine Off ngine Off gine On ngine On 7 s. voice intensity rises significantly for the Lombard speech, see possible Fig.. evaluate only the power of mixture σ, as the 4 Přítomnost Lombardova jevu v dostupných DB xi signal is supposed to contain noise all the time. Powers of 3.. Fundamental frequency speech and noise ( ˆ σ s, i and ˆn σ, i ) have to be estimated. Noise f power was is tracked estimated in in the speech WaveSurfer pause by standard [1]. Tracking exponential was performed estimation in voiced parts of all neutral and noisy speech utterances. ˆ = In p the ˆ graph + (1 descriptions, p) for letters =, F and () M σ σ σ VAD ni, ni, 1 xi, i represent female and male data respectively. ˆ σ ˆ ni, = σni, 1 for VADi = 1. (3) 1 If the speech SPEECON and noise - Fundamental signals can Frequency be considered Distribution to be uncorrelated, 1 speech power can be estimated by subtraction of noise power from the mixture power 8 ˆ σ ˆ Office_F s, i = σx, i σ,. (4) n i Car_F In 6principle, the algorithm estimates standard global Office_M SNR evaluated over speech activity regions only. The segmental Car_M approach 4 and the averaging of linear power ratios give lower estimation error [8]. Precision of the estimation is very sensitive to correct VAD classification. Detector based on differential cepstral analysis was used. The details are described 7 in [9] Frequency (Hz) Number of Frames (x 1 ) er of Utterances Number of Utterances Figure SPEECON 3: SPEECON Channel f SNR distribution. Histograms Close-talk Office Hands-free Office Close-talk Car Hands-free Car SNR (db) 5 CZKCC Channel SNR Histograms 15 Close-talk Engine Off Distant Mike Engine Off Hands-free LE evaluated over speech activity regions only. The segmental approach and the averaging of linear power ratios give lower estimation error [8]. Precision of the estimation is very sensitive to correct VAD classification. Detector based on differential cepstral analysis was SNR (db) used. The details are described in [9]. Figure : CLSD channel SNRs. Number of Frames (x 1) Number of Utterances Number Number of of Frames Utterances (x 1 ) N Since CZKCC and CLSD were recorded by two 3 SPEECON Channel SNR Histograms microphones, SPEECON SNR distributions are also 16depicted only CZKCC for - the Fundamental first two Frequency channels. Distribution In CZKCC a 5 directional microphone was used in the distant position, 14 which explains higher average SNR in the distant 1microphone engine on channel than in SPEECON Sometimes it is necessary to modify gain of the Close-talk Office Off_F 8microphone preamplifier during the recording Hands-free session Drv_F Office to avoid Off_M 6 1 signal clipping when speaker changes Close-talk voice Car intensity. Drv_M In consequence, it becomes impossible Hands-free to evaluate Car voice 4 intensity 5 changes directly from the amplitude of the recorded speech signal. In case the ambient noise can be considered stationary, relative voice intensity changes can be estimated -1 from 7 the SNR 17 1 even 7 with 3 gain 37 being 5 changed 47 7during 57the Frequency SNR (db) (Hz) session. Moreover, if the absolute level of the ambient noise was 5known, absolute level of vocal intensity could be 7 CZKCC Channel SNR Histograms estimated (but CLSD it was - not Fundamental our case). Frequency Distribution 6 In SPEECON and CZKCC environmental characteristics changed significantly when comparing office and car or 5 standing car with engine off and moving car scenarios, but in 4case 15of CLSD ambient noise can be considered Clean_F stationary Close-talk Engine LE_F Off and thus SNR histograms relate to overall vocal intensity 3 Clean_M changes in neutral and Lombard speech. Distant It Mike is Engine obvious Off LE_M that 1 voice intensity rises significantly for the Lombard speech, Close-talk Engine On see Fig Distant Mike Engine On 3.. Fundamental frequency f was tracked in the Frequency WaveSurfer (Hz) [1]. Tracking was performed in voiced parts SNR of (db) all neutral and noisy speech utterances. Figure In 4: CZKCC the graph and descriptions, CLSD f distribution. letters F and M represent Figure 1: female SPEECON and male and data CZKCC respectively. channel SNRs. In case 1 of SPEECON, see Fig. 3, and CZKCC, Fig. 4, shifts SPEECON - Fundamental Frequency Distribution in f distribution are observable but not significant. In case of 1 CLSD, Fig. 4, maximum of the LE male f distribution appears 8at the higher frequency than maximum of neutral Office_F female distribution while female maximum moves to ames (x 1 ) 6 Car_F microphone avoid signal In consequen intensity cha speech signa stationary, re from the SN session. Mor was known, estimated 4(bu In SPEEC changed sign standing car case of CLS 18 and thus SN changes 16 in n voice intensi 14 see Fig.. F (Hz) Fundam 1 f was track 3 performed in utterances. I 4 represent fem Number of Frames (x 1 ) 1 1 F (Hz) F Changes observed Formant changes i be observ of first tw
21 In case of SPEECON, see Fig. 3, and CZKCC, Fig. 4, shifts in f distribution are observable but not significant. In case of CLSD, Fig. 4, maximum of the LE male f distribution appears at the higher frequency than maximum of neutral Changes in first two formant F 1, F locations can be observed for SPEECON, Fig. 5, and CZKCC, Fig. 6. Formant bandwidths did not display any systematical changes in different scenarios. Significant formant shifts can 3.3. Formants Přítomnost Formant analysis Lombardova was performed on utterances jevu containing v dostupných DB Number of Frames (x 1) Number of Frames (x 1 ) digits. Monophone HTK [11] recognizer trained on 7 SPEECON office sessions was used for the forced alignment. 1 th order LPC was chosen for formant tracking performed by the WaveSurfer. Information about first four formant frequencies and bandwidths were assigned to corresponding phonemes. In the following figures, positions of first two female formants of the selected vowels appearing in Czech digits are presented. CZKCC - Fundamental Frequency Distribution 4 16 SPEECON - Female Vowel Formants /i/ Office vs. Car 14 /i'/ /e/ 1 Neutral 1 18 Off_F /e'/ LE 8 Drv_F 16 Off_M /a'/ 6 Drv_M /o'/ 14 4 /u'/ /a/ /o/ 1 /u/ Frequency (Hz) F1 (Hz) F (Hz) Figure 5: Positions of female F 1, F SPEECON. CLSD - Fundamental Frequency Distribution containing digits. Difference in phoneme duration in the same word uttered in two different scenarios was evaluated as shown in Eq. 5. TC TC = T 1 (%), (5) 1 C1 T Cx represents average phoneme duration in scenario x. In SPEECON, phoneme duration differences did not exceed 38 %. In case of CZKCC, greatest duration changes were observed in the word 'štiri' (phoneme /r/ 79 %) and in the word 'sedm' (phoneme CZKCC - Female /e/ 73 Vowel %). Formants Most significant phoneme duration /i/ /i'/ differences Engine Off were vs. Engine observed Drivein the CLSD database, e.g. in word jedna (/e/ 161 %), pjet (/e/ 174 %), devjet ( nd /e/ 177 %). No /e'/ systematical changes in /e/ Neutral word duration were observed in SPEECON. LE Word # N TN (s) σtn (%) # LE TLE (s) /a/ σtle (%) (%) Nula 349,475 11,68 /o'/ 36,56 34,48 17,8 /u'/ /a'/ /o/ Jedna 69,559 /u/ 13,6 51,67 6,7 8,58 1 Dvje , , , ,517 13,57 3 Figure 7: CZKCC - word duration changes. 4 CLSD - Female Vowel Formants /i/ /i'/ /e'/ Oproti předpokladu je LE přítomen v menší /e/ míře Clean_F 18 LE_F (Čtené promluvy, Clean_M bez zpětné vazby) /a'/ 16 LE_M /a/ 14 /u'/ /o'/ Neutral 1 /o/ LE /u/ Frequency (Hz) F1 (Hz) F (Hz) F (Hz) F1 (Hz) Figure 4: CZKCC and CLSD f distribution. Figure 6: Female F 1, F CZKCC and CLSD.
22 1 Off_F Off_F Drv_F Drv_F Analýza přítomnosti LE Off_M v CLSD5 16 Off_M Number of Frame 6 4 Number of Frame 6 4 Drv_M Drv_M Frequency (Hz) Frequency (Hz) F (Hz) F (Hz) /u'/ /u/ /u'/ /u/ F1 (Hz) /o'/ /o/ F1 (Hz) /a/ /o'/ /a'/ /o/ LE /a/ /a'/ LE Number of Frames (x 1 ) Number of Frames (x 1 ) 7 CLSD - Fundamental CLSD - Fundamental Frequency Frequency Distribution Distribution Clean_F Clean_F LE_F LE_F 3 Clean_M Clean_M LE_M LE_M Frequency (Hz) Frequency (Hz) F (Hz) 4 4 CLSD - Female CLSD - Vowel Female Formants Vowel Formants /i/ /i'/ /i/ /i'/ /e'/ /e'/ /e/ /e/ /a'/ /a'/ /a/ /a/ /u'/ /o'/ /u'/ /o'/ Neutral Neutral 1 1 /o/ /o/ LE LE /u/ /u/ 1 1 F (Hz) F1 (Hz) F1 (Hz) Figure 4: Figure CZKCC 4: CZKCC and CLSD and f CLSD distribution. f distribution. Figure 6: Figure Female 6: Female 1, F FCZKCC 1, F CZKCC and CLSD. and CLSD. nnel distribution 16 CLSD Channel SNR Histograms In case of In SPEECON, case of SPEECON, see Fig. see 3, and Fig. CZKCC, 3, and CZKCC, Fig. 4, shifts Fig. 4, shifts Changes Changes in first in two first formant two formant F 1, F Flocations 1, F locations can be can be egmental SNR was evaluated as 14 in f distribution in f distribution are observable are observable but not significant. but not significant. In case of In case of observed observed for SPEECON, for SPEECON, Fig. 5, Fig. and 5, CZKCC, and CZKCC, Fig. 6. Fig. 6. L CLSD, ˆ 1 σ sclsd, Fig., j 4, Fig. maximum 4, maximum of the LE of the male LE f male distribution f distribution Formant Formant bandwidths bandwidths did not did display not display any systematical any systematical SNR = 1log appears, (1) appears at the higher at the frequency higher frequency than maximum than maximum of neutral of neutral changes changes in different in different scenarios. scenarios. Significant Significant formant formant shifts can shifts can j 1 ˆ σ 1 = n, j female female distribution distribution while female while female maximum maximum moves moves to to be observed be observed in the CLSD, in the Fig. CLSD, 6. Also Fig. significant 6. Also significant narrowing narrowing index of frames with speech activity since the 8 Close-talk Clean location location of typical of typical first formant first formant appearance appearance of certain of certain of first two of first formant two formant bandwidths bandwidths has been has observed. aluated only for short-time frames containing been observed. Hands-free Clean 6 =1 for each phonemes j. For each phonemes in short-time neutral in frame neutral speech. it is speech. During During the recognition, the recognition, f f Close-talk LE component component may be wrongly may be wrongly interpreted interpreted as F1. as F Phoneme 3.4. Phoneme Hands-free and word LE and durations word durations aluate only the power of mixture σ xi, as the 4 osed to contain Average phoneme durations were evaluated for utterances 3.3. noise Formants 3.3. all Formants the time. Powers of Average phoneme durations were evaluated for utterances ise ( ˆ σ containing containing digits. Difference digits. Difference in phoneme in phoneme duration duration in the in the s, i and ˆn σ, i ) have to be estimated. Noise Formant Formant analysis analysis was performed was performed on utterances on utterances containing containing same word same uttered word in uttered two different in two different scenarios scenarios was evaluated was evaluated ated in speech pause by standard exponential SNR digits. Monophone digits. Monophone HTK [11] HTK recognizer [11] recognizer trained trained on 7 on 7 as (db) shown as in shown Eq. 5. in Eq. 5. SPEECON SPEECON office sessions office sessions was used was for used the for forced Figure the : forced CLSD channel SNRs. ˆ σ alignment. 1 th TC T alignment. 1 th TC T ni, 1 + (1 p) σxi, for VADi C1 order =, () LPC C1 order was LPC chosen was for chosen formant formant tracking tracking = = 1 (%), 1 (%), (5) (5) Since CZKCC and CLSD were recorded by performed performed by the WaveSurfer. by the WaveSurfer. Information Information about first about four first four Ttwo ˆ σ ˆ C1 T ni, = σni, 1 VADi = 1. (3) C1 microphones, SPEECON SNR distributions are also and noise formant signals can formant frequencies be considered frequencies and to bandwidths be bandwidths depicted were assigned were only for assigned to the first to two T Cx channels. represents T Cx represents In average CZKCC average phoneme a phoneme duration duration in scenario in scenario x. x. speech power corresponding can be corresponding estimated phonemes. by subtraction phonemes. In the following In the following directional figures, figures, positions microphone positions was used in In the SPEECON, distant In SPEECON, position, phoneme phoneme duration duration differences differences did not did not r from the mixture of first power of two first female two female formants formants of the which of selected the explains selected vowels higher vowels average exceed SNR 38 exceed %. in In the 38 case %. distant In of case CZKCC, of CZKCC, greatest greatest duration duration changes changes Number of Utterances
23 Možnosti kompenzace LE Konverze hlasu - změna f o resp. dalších parametrů Speciální parametrizace - daty řízený návrh BF s optimalizovaným rozložením pásem Frekvenční transformace formantových kmitočtů - obdoba VTLN, počítáno na základě intezity LE
24 Děkuji vám za pozornost!
Lombardův efekt v řečové databázi CLSD
Lombardův efekt v řečové databázi CLSD Hynek Bořil České vysoké učení v Praze, Fakulta elektrotechnická borilh@gmail.com Abstrakt: V tomto příspěvku jsou prezentovány výsledky analýz parametrů řečové databáze
VíceLOMBARDŮV EFEKT V ŘEČOVÝCH DATABÁZÍCH CLSD A SPEECON
Abstrakt LOMBARDŮV EFEKT V ŘEČOVÝCH DATABÁZÍCH CLSD A SPEECON Lombard Effect in CLSD and SPEECON Speech Databases Hynek Bořil * Úspěšnost systémů automatického rozpoznávání řeči výrazně klesá v hlučném
VíceA6M33BIO- Biometrie. Biometrické metody založené na rozpoznávání hlasu I
A6M33BIO- Biometrie Biometrické metody založené na rozpoznávání hlasu I Doc. Ing. Petr Pollák, CSc. 16. listopadu 216-15:16 Obsah přednášky Úvod Aplikace hlasové biometrické verifikace Základní princip
VíceCHAPTER 5 MODIFIED MINKOWSKI FRACTAL ANTENNA
CHAPTER 5 MODIFIED MINKOWSKI FRACTAL ANTENNA &KDSWHUSUHVHQWVWKHGHVLJQDQGIDEULFDW LRQRIPRGLILHG0LQNRZVNLIUDFWDODQWHQQD IRUZLUHOHVVFRPPXQLFDWLRQ7KHVLPXODWHG DQGPHDVXUHGUHVXOWVRIWKLVDQWHQQDDUH DOVRSUHVHQWHG
VíceKlepnutím lze upravit styl předlohy. nadpisů. nadpisů.
1/ 13 Klepnutím lze upravit styl předlohy Klepnutím lze upravit styl předlohy www.splab.cz Soft biometric traits in de identification process Hair Jiri Prinosil Jiri Mekyska Zdenek Smekal 2/ 13 Klepnutím
VíceKlasifikace a rozpoznávání. Extrakce příznaků
Klasifikace a rozpoznávání Extrakce příznaků Extrakce příznaků - parametrizace Poté co jsme ze snímače obdržely data která jsou relevantní pro naši klasifikační úlohu, je potřeba je přizpůsobit potřebám
VíceVyužití algoritmu DTW pro vyhodnocování vad řeči dětí postižených Landau-Kleffnerovým syndromem (LKS)
Využití algoritmu DTW pro vyhodnocování vad řeči dětí postižených Landau-Kleffnerovým syndromem (LKS) Petr Zlatník České vysoké učení technické v Praze, Fakulta elektrotechnická zlatnip@fel.cvut.cz Abstrakt:
VíceModelování neřečových událostí pro rozpoznávání řeči v reálných podmínkách
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE FAKULTA ELEKTROTECHNICKÁ Katedra Teorie obvodů Modelování neřečových událostí pro rozpoznávání řeči v reálných podmínkách Dizertační práce Josef Rajnoha Praha, únor
VíceLitosil - application
Litosil - application The series of Litosil is primarily determined for cut polished floors. The cut polished floors are supplied by some specialized firms which are fitted with the appropriate technical
VíceSTANOVENÍ CHARAKTERU SEGMENTU ŘEČI S VYUŽITÍM REÁLNÉHO KEPSTRA
STANOVENÍ CHARAKTERU SEGMENTU ŘEČI S VYUŽITÍM REÁLNÉHO KEPSTRA Oldřich Horák Univerzita Pardubice, Fakulta ekonomicko-správní, Ústav systémového inženýrství a informatiky Abstract: The extraction of the
VíceAnalýza chování algoritmu MSAF při zpracování řeči v bojových prostředcích
Analýza chování algoritmu MSAF při zpracování řeči v bojových prostředcích Analysis of MSAF algorithm for speech enhancement in combat vehicles Ing. Jaroslav Hovorka MESIT přístroje spol. s r.o., Uherské
VícePAINTING SCHEMES CATALOGUE 2012
Evektor-Aerotechnik a.s., Letecká č.p. 84, 686 04 Kunovice, Czech Republic Phone: +40 57 57 Fax: +40 57 57 90 E-mail: sales@evektor.cz Web site: www.evektoraircraft.com PAINTING SCHEMES CATALOGUE 0 Painting
VíceObrábění robotem se zpětnovazební tuhostí
Obrábění robotem se zpětnovazební tuhostí Odbor mechaniky a mechatroniky ČVUT v Praze, Fakulta strojní Student: Yaron Sela Vedoucí: Prof. Ing. Michael Valášek, DrSc Úvod Motivace Obráběcí stroj a důležitost
VíceThe Over-Head Cam (OHC) Valve Train Computer Model
The Over-Head Cam (OHC) Valve Train Computer Model Radek Tichanek, David Fremut Robert Cihak Josef Bozek Research Center of Engine and Content Introduction Work Objectives Model Description Cam Design
VíceTento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost.
Tento materiál byl vytvořen v rámci projektu Operačního programu Vzdělávání pro konkurenceschopnost. Projekt MŠMT ČR Číslo projektu Název projektu školy Klíčová aktivita III/2 EU PENÍZE ŠKOLÁM CZ.1.07/1.4.00/21.2146
VíceIDENTIFIKACE ŘEČOVÉ AKTIVITY V RUŠENÉM ŘEČOVÉM SIGNÁLU
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
VíceGymnázium, Brno, Slovanské nám. 7 WORKBOOK. Mathematics. Teacher: Student:
WORKBOOK Subject: Teacher: Student: Mathematics.... School year:../ Conic section The conic sections are the nondegenerate curves generated by the intersections of a plane with one or two nappes of a cone.
Více4 TABULKY ZÁKLADNÍCH STATISTICKÝCH CHARAKTE- RISTIK TÌLESNÝCH ROZMÌRÙ TABLES OF BASIC STATISTICAL CHARACTERISTICS OF BODY PARAMETERS
4 TABULKY ZÁKLADNÍCH STATISTICKÝCH CHARAKTE- RISTIK TÌLESNÝCH ROZMÌRÙ TABLES OF BASIC STATISTICAL CHARACTERISTICS OF BODY PARAMETERS Tables of frequencies, means and standard deviations for particular
VíceSPECIFICATION FOR ALDER LED
SPECIFICATION FOR ALDER LED MODEL:AS-D75xxyy-C2LZ-H1-E 1 / 13 Absolute Maximum Ratings (Ta = 25 C) Parameter Symbol Absolute maximum Rating Unit Peak Forward Current I FP 500 ma Forward Current(DC) IF
VíceDynamic Signals. Ananda V. Mysore SJSU
Dynamic Signals Ananda V. Mysore SJSU Static vs. Dynamic Signals In principle, all signals are dynamic; they do not have a perfectly constant value over time. Static signals are those for which changes
Více3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU
3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU V současné době se pro potlačení šumu u řečového signálu používá mnoho různých metod. Jedná se například o metody spektrálního odečítání, Wienerovy filtrace,
VíceA2M31RAT- Řečové aplikace v telekomunikacích
A2M31RAT- Řečové aplikace v telekomunikacích Záznam a zpracování hlasových signálů pro potřeby výzkumu a aplikací hlasových technologií. Textové korpusy Doc. Ing. Petr Pollák, CSc. 17.května2011-15:44
VíceTransportation Problem
Transportation Problem ١ C H A P T E R 7 Transportation Problem The transportation problem seeks to minimize the total shipping costs of transporting goods from m origins (each with a supply s i ) to n
Více2N Voice Alarm Station
2N Voice Alarm Station 2N Lift1 Installation Manual Version 1.0.0 www.2n.cz EN Voice Alarm Station Description The 2N Voice Alarm Station extends the 2N Lift1/ 2N SingleTalk with an audio unit installed
VíceJ. Tatarinov, P. Pollák. Fakulta elektrotechnická. Abstrakt. otestován a zhodnocen na signálech z databáze CAR2CS. Detektor využívající
Řečové detektory využívající ergodické Markovovské modely J. Tatarinov, P. Pollák České vysoké učení technické v Praze Fakulta elektrotechnická Abstrakt Tento článek prezentuje využití ergodických Markovovských
VíceČeské vysoké učení technické v Praze Fakulta elektrotechnická. Disertační práce. Jiří Tatarinov. Srpen 2010
České vysoké učení technické v Praze Fakulta elektrotechnická Disertační práce Srpen 2010 Jiří Tatarinov České vysoké učení technické v Praze Fakulta elektrotechnická Katedra teorie obvodů Detektory řečové
VícePetr Zlatník, Roman Čmejla. Katedra teorie obvodů, Fakulta elektrotechnická, ČVUT, Praha. Abstrakt
Vyhodnocování promluv dětí s poruchami řeči Petr Zlatník, Roman Čmejla Katedra teorie obvodů, Fakulta elektrotechnická, ČVUT, Praha Abstrakt Příspěvek popisuje metodu, která byla vyvinuta pro vyhodnocení
VíceProblematika ozvučování zohledňuje tyto disciplíny:
Ozvučování Problematika ozvučování zohledňuje tyto disciplíny: - šíření vlny ve volném poli, odrazy vln od stěn - šíření vlny v uzavřeném prostoru - teorie akustických vysílačů (směrové charakteristiky,
VíceUSING VIDEO IN PRE-SET AND IN-SET TEACHER TRAINING
USING VIDEO IN PRE-SET AND IN-SET TEACHER TRAINING Eva Minaříková Institute for Research in School Education, Faculty of Education, Masaryk University Structure of the presentation What can we as teachers
VíceCARBONACEOUS PARTICLES IN THE AIR MORAVIAN-SILESIAN REGION
UHLÍKATÉ ČÁSTICE V OVZDUŠÍ MORAVSKO- SLEZSKÉHO KRAJE CARBONACEOUS PARTICLES IN THE AIR MORAVIAN-SILESIAN REGION Ing. MAREK KUCBEL Ing. Barbora SÝKOROVÁ, prof. Ing. Helena RACLAVSKÁ, CSc. Aim of this work
VíceKarta předmětu prezenční studium
Karta předmětu prezenční studium Název předmětu: Číslo předmětu: 545-0250 Garantující institut: Garant předmětu: Ekonomická statistika Institut ekonomiky a systémů řízení RNDr. Radmila Sousedíková, Ph.D.
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceUser manual SŘHV Online WEB interface for CUSTOMERS June 2017 version 14 VÍTKOVICE STEEL, a.s. vitkovicesteel.com
1/ 11 User manual SŘHV Online WEB interface for CUSTOMERS June 2017 version 14 2/ 11 Contents 1. MINIMUM SYSTEM REQUIREMENTS... 3 2. SŘHV ON-LINE WEB INTERFACE... 4 3. LOGGING INTO SŘHV... 4 4. CONTRACT
VíceJosef Rajnoha. České vysoké učení technické v Praze, Fakulta elektrotechnická rajnoj1@fel.cvut.cz
Modelování neřečových událostí v robustním rozpoznávání řeči s malým slovníkem Josef Rajnoha České vysoké učení technické v Praze, Fakulta elektrotechnická rajnoj1@fel.cvut.cz Abstrakt: V tomto článku
VíceCompression of a Dictionary
Compression of a Dictionary Jan Lánský, Michal Žemlička zizelevak@matfyz.cz michal.zemlicka@mff.cuni.cz Dept. of Software Engineering Faculty of Mathematics and Physics Charles University Synopsis Introduction
VíceWORKSHEET 1: LINEAR EQUATION 1
WORKSHEET 1: LINEAR EQUATION 1 1. Write down the arithmetical problem according the dictation: 2. Translate the English words, you can use a dictionary: equations to solve solve inverse operation variable
VíceBy David Cameron VE7LTD
By David Cameron VE7LTD Introduction to Speaker RF Cavity Filter Types Why Does a Repeater Need a Duplexer Types of Duplexers Hybrid Pass/Reject Duplexer Detail Finding a Duplexer for Ham Use Questions?
Více3.cvičen. ení. Ing. Bc. Ivan Pravda
3.cvičen ení Úvod do laboratorních měřm ěření Základní měření PCM 1.řádu - měření zkreslení Ing. Bc. Ivan Pravda Měření útlumového zkreslení - Útlumové zkreslení vyjadřuje frekvenční závislost útlumu telefonního
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV RADIOELEKTRONIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF
VíceANALÝZA POTLAČOVÁNÍ AKUSTICKÉHO ECHA A DTD DETEKCE V CHYTRÝCH TELEFONECH
ANALÝZA POTLAČOVÁNÍ AKUSTICKÉHO ECHA A DTD DETEKCE V CHYTRÝCH TELEFONECH Jan Klapuch, Petr Pollák České vysoké učení technické v Praze, Fakulta elektrotechnická, K13131 klapujan@fel.cvut.cz, pollak@fel.cvut.cz
VíceAkustika. 3.1 Teorie - spektrum
Akustika 3.1 Teorie - spektrum Rozklad kmitů do nejjednodušších harmonických Spektrum Spektrum Jedna harmonická vlna = 1 frekvence Dvě vlny = 2 frekvence Spektrum 3 vlny = 3 frekvence Spektrum Další vlny
VíceDvojitě vyvážený směšovač pro KV pásma. Doubly balanced mixer for short-wave bands
Dvojitě vyvážený směšovač pro KV pásma Doubly balanced mixer for short-wave bands Úvodem / Intro Cílem tohoto miniprojektu bylo zkonstruovat diodový směšovač vhodný pro účely krátkovlnného TRXu. Tento
VíceImplementace rozpoznávače řeči na bázi TANDEM architektury
bakalářská práce Implementace rozpoznávače řeči na bázi TANDEM architektury Aleš Brich květen 2014 Doc. Ing. Petr Pollák, CSc. České vysoké učení technické v Praze Fakulta elektrotechnická, Katedra kybernetiky
VíceCzech Technical University in Prague. Faculty of Electrical Engineering. Doctoral Thesis
Czech Technical University in Prague Faculty of Electrical Engineering Doctoral Thesis March 28 Hynek Bořil Czech Technical University in Prague Faculty of Electrical Engineering Department of Circuit
VíceMechanika Teplice, výrobní družstvo, závod Děčín TACHOGRAFY. Číslo Servisní Informace Mechanika: 5-2013
Mechanika Teplice, výrobní družstvo, závod Děčín TACHOGRAFY Servisní Informace Datum vydání: 20.2.2013 Určeno pro : AMS, registrované subj.pro montáž st.měř. Na základě SI VDO č./datum: Není Mechanika
VíceRadiova meteoricka detekc nı stanice RMDS01A
Radiova meteoricka detekc nı stanice RMDS01A Jakub Ka kona, kaklik@mlab.cz 15. u nora 2014 Abstrakt Konstrukce za kladnı ho softwarove definovane ho pr ijı macı ho syste mu pro detekci meteoru. 1 Obsah
VícePříznaky pro automatické rozpoznávání řeči odvozené z dynamiky spektra
Příznaky pro automatické rozpoznávání řeči odvozené z dynamiky spektra Petr Fousek České vysoké učení technické v Praze, Fakulta elektrotechnická fousekp@fel.cvut.cz Abstrakt: Jedním z problémů současných
VíceDolování dat z multimediálních databází. Ing. Igor Szöke Speech group ÚPGM, FIT, VUT
Dolování dat z multimediálních databází Ing. Igor Szöke Speech group ÚPGM, FIT, VUT Obsah prezentace Co jsou multimediální databáze Možnosti dolování dat v multimediálních databázích Vyhledávání fotografií
VíceOdhad základního tónu řeči s lokalizací hlasivkových pulsů a pitch-synchronní segmentace
Odhad základního tónu řeči s lokalizací hlasivkových pulsů a pitch-synchronní segmentace P. Mizera, P. Pollák České vysoké učení technické v Praze, Fakulta elektrotechnická, Katedra teorie obvodů mizerpet@fel.cvut.cz,
VíceCZ.1.07/1.5.00/
Projekt: Příjemce: Digitální učební materiály ve škole, registrační číslo projektu CZ.1.07/1.5.00/34.0527 Střední zdravotnická škola a Vyšší odborná škola zdravotnická, Husova 3, 371 60 České Budějovice
VíceA6M33BIO- Biometrie. Biometrické metody založené na rozpoznávání hlasu II
A6M33BIO- Biometrie Biometrické metody založené na rozpoznávání hlasu II Doc. Ing. Petr Pollák, CSc. 16. listopadu 216-15:14 Obsah přednášky Úlohy automatického rozpoznávání řečníka Verifikace vs. identifikace
VíceVOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSMOVÝCH SIGNÁLŮ
VOLBA ČASOVÝCH OKEN A PŘEKRYTÍ PRO VÝPOČET SPEKTER ŠIROKOPÁSOVÝCH SIGNÁLŮ Jiří TŮA, VŠB Technická univerzita Ostrava Petr Czyž, Halla Visteon Autopal Services, sro Nový Jičín 2 Anotace: Referát se zabývá
Víceo zkoušce elektromagnetické slučitelnosti LED svítidlo stube
INSTITUT PRO TESTOVÁNÍ A CERTIFIKACI, a.s. zkušební laboratoř elektrických výrobků Sokolovská 573 686 01 Uherské Hradiště ZKUŠEBNÍ LABORATOŘ č. 1004.3 Číslo protokolu: 3676/12 akreditovaná Českým institutem
VíceA7B31ZZS 4. PŘEDNÁŠKA 13. října 2014
A7B31ZZS 4. PŘEDNÁŠKA 13. října 214 A-D převod Vzorkování aliasing vzorkovací teorém Kvantování Analýza reálných signálů v časové oblasti řečové signály biologické signály ---> x[n] Analogově-číslicový
VíceINFLUENCE OF CONSTRUCTION OF TRANSMISSION ON ECONOMIC PARAMETERS OF TRACTOR SET TRANSPORT
INFLUENCE OF CONSTRUCTION OF TRANSMISSION ON ECONOMIC PARAMETERS OF TRACTOR SET TRANSPORT Vykydal P., Žák M. Department of Engineering and Automobile Transport, Faculty of Agronomy, Mendel University in
VíceSignál v čase a jeho spektrum
Signál v čase a jeho spektrum Signály v časovém průběhu (tak jak je vidíme na osciloskopu) můžeme dělit na periodické a neperiodické. V obou případech je lze popsat spektrálně určit jaké kmitočty v sobě
VíceDobrovolná bezdětnost v evropských zemích Estonsku, Polsku a ČR
MASARYKOVA UNIVERZITA V BRNĚ Fakulta sociálních studií Katedra sociologie Dobrovolná bezdětnost v evropských zemích Estonsku, Polsku a ČR Bakalářská diplomová práce Vypracovala: Kateřina Jurčová Vedoucí
VíceMEDIA RESEARCH RATINGS
READERS OF MF DNES MEDIA RESEARCH RATINGS National media ratings research in the Czech Republic jointly requested by the publishers of dailies and magazines associated in the Publisher s Union (Unie vydavatelů)
VíceMEDIA RESEARCH RATINGS
READERS OF MF DNES MEDIA RESEARCH RATINGS National media ratings research in the Czech Republic jointly requested by the publishers of dailies and magazines associated in the Publisher s Union (Unie vydavatelů)
Vícetechnický list TRANSIL TM 1.5KE6V8A/440A 1.5KE6V8CA/440CA www.gme.cz str 1
Dodavatel: GM electronic, spol. s r.o., Křižíkova 77, 186 00 Praha 8 zákaznická linka: 840 50 60 70 technický list 1.5KE6V8A/440A 1.5KE6V8CA/440CA TRANSIL TM FEATURES PEAK PULSE POWER : 1500 W (10/1000µs)
VíceKlepnutím lze upravit styl předlohy. Klepnutím lze upravit styl předlohy. nadpisů. nadpisů. Aleš Křupka.
1 / 13 Klepnutím lze upravit styl předlohy Klepnutím lze upravit styl předlohy www.splab.cz Aleš Křupka akrupka@phd.feec.vutbr.cz Department of Telecommunications Faculty of Electrotechnical Engineering
VíceII_ _Listening Pracovní list č. 2.doc II_ _Listening Pracovní list č. 3.doc II_ _Listening Řešení 1,2.doc
Název školy: ZŠ Brno, Měšťanská 21, Brno -Tuřany Název práce: Listening Pořadové číslo: II_2-01-06 Předmět: Anglický jazyk Třída: 9. AC Téma hodiny: Problémy Vyučující: Mgr. Milena Polášková Cíl hodiny:
VíceAir Quality Improvement Plans 2019 update Analytical part. Ondřej Vlček, Jana Ďoubalová, Zdeňka Chromcová, Hana Škáchová
Air Quality Improvement Plans 2019 update Analytical part Ondřej Vlček, Jana Ďoubalová, Zdeňka Chromcová, Hana Škáchová vlcek@chmi.cz Task specification by MoE: What were the reasons of limit exceedances
VíceSPECIAL THEORY OF RELATIVITY
SPECIAL THEORY OF RELATIVITY 1. Basi information author Albert Einstein phenomena obsered when TWO frames of referene moe relatie to eah other with speed lose to the speed of light 1905 - speial theory
VíceANALÝZA SIGNÁLŮ SPOJITÉ AKUSTICKÉ EMISE
ANALÝZA SIGNÁLŮ SPOJITÉ AKUSTICKÉ EMISE Milan Chlada, Zdeněk Převorovský Ústav termomechaniky AV ČR, v. v. i., NDT laboratoř, Dolejškova 142/, 182 Praha 8 chlada@it.cas.cz, zp@it.cas.cz, tel.+42 2663144
VíceMEDIA RESEARCH RATINGS
READERS OF MF DNES MEDIA RESEARCH RATINGS National media ratings research in the Czech Republic jointly requested by the publishers of dailies and magazines associated in the Publisher s Union (Unie vydavatelů)
VíceSYNTÉZA AUDIO SIGNÁLŮ
SYNTÉZA AUDIO SIGNÁLŮ R. Čmejla Fakulta elektrotechnická, ČVUT v Praze Abstrakt Příspěvek pojednává o technikách číslicové audio syntézy vyučovaných v předmětu Syntéza multimediálních signálů na Elektrotechnické
VíceAnalýza robustnosti moderních rozpoznávačů řeči na bázi TANDEM architektury
diplomová práce Analýza robustnosti moderních rozpoznávačů řeči na bázi TANDEM architektury Bc. Aleš Brich květen 2016 Doc. Ing. Petr Pollák, CSc. České vysoké učení technické v Praze Fakulta elektrotechnická,
VíceŠkola: Střední škola obchodní, České Budějovice, Husova 9. Inovace a zkvalitnění výuky prostřednictvím ICT
Škola: Střední škola obchodní, České Budějovice, Husova 9 Projekt MŠMT ČR: EU PENÍZE ŠKOLÁM Číslo projektu: CZ.1.07/1.5.00/34.0536 Název projektu školy: Výuka s ICT na SŠ obchodní České Budějovice Šablona
VícePRAVIDLA ZPRACOVÁNÍ STANDARDNÍCH ELEKTRONICKÝCH ZAHRANIČNÍCH PLATEBNÍCH PŘÍKAZŮ STANDARD ELECTRONIC FOREIGN PAYMENT ORDERS PROCESSING RULES
PRAVIDLA ZPRACOVÁNÍ STANDARDNÍCH ELEKTRONICKÝCH ZAHRANIČNÍCH PLATEBNÍCH PŘÍKAZŮ STANDARD ELECTRONIC FOREIGN PAYMENT ORDERS PROCESSING RULES Použité pojmy Platební systém Elektronický platební příkaz Účetní
VíceExternal ROM 128KB For Sinclair ZX Spectrum
External ROM 8KB For Sinclair ZX Spectrum ersion.0 CSS Electronics (c) 07 RESET NMI ERD0RSZ 0n 0K 00n 00n 00n 00u/6 SN7N N8 7C00A GAL68 N369A 680R 56R 680R 8A 8B 7A 6A 5A A 3A 7B 6B 5B B 3B A A 0A 9A 8A
VíceADA Semestrální práce. Harmonické modelování signálů
České vysoké učení technické v Praze ADA Semestrální práce Harmonické modelování signálů Jiří Kořínek 31.12.2005 1. Zadání Proveďte rozklad signálu do harmonických komponent (řeč, hudba). Syntetizujte
VíceDTW. Petr Zlatník, Roman Čmejla. zlatnip@fel.cvut.cz, cmejla@fel.cvut.cz. Abstrakt: Příspěvek popisuje metodu, která byla vyvinuta pro vyhodnocení
Vyhodnocování vad řeči dětí s využitím algoritmu DTW Petr Zlatník, Roman Čmejla České vysoké učení technické v Praze, Fakulta elektrotechnická zlatnip@fel.cvut.cz, cmejla@fel.cvut.cz Abstrakt: Příspěvek
VícePC/104, PC/104-Plus. 196 ept GmbH I Tel. +49 (0) / I Fax +49 (0) / I I
E L E C T R O N I C C O N N E C T O R S 196 ept GmbH I Tel. +49 (0) 88 61 / 25 01 0 I Fax +49 (0) 88 61 / 55 07 I E-Mail sales@ept.de I www.ept.de Contents Introduction 198 Overview 199 The Standard 200
VíceRYBÁŘSKÉ ŘETĚZY FISHING CHAINS
Řetězárna a.s Polská 48 790 81 Česká Ves Czech Republic + 420 584 488 111 + 420 584 428 194 export@retezarna.cz www.retezarna.cz RYBÁŘSKÉ ŘETĚZY FISHING CHAINS RYBÁŘSKÉ ŘEŤEZY Chains exported worldwide...
VíceGUIDELINES FOR CONNECTION TO FTP SERVER TO TRANSFER PRINTING DATA
GUIDELINES FOR CONNECTION TO FTP SERVER TO TRANSFER PRINTING DATA What is an FTP client and how to use it? FTP (File transport protocol) - A protocol used to transfer your printing data files to the MAFRAPRINT
VíceMEDIA RESEARCH RATINGS
READERS OF MF DNES MEDIA RESEARCH RATINGS National media ratings research in the Czech Republic jointly requested by the publishers of dailies and magazines associated in the Publisher s Union (Unie vydavatelů)
VíceDigital Electronics. Jaroslav Bernkopf. 17 October 2008
Digital Electronics Jaroslav Bernkopf 7 October 2008 . Introduction Úvod. Representation of Values Zobrazení veliin.2 Analogue Representation Analogové zobrazení This is an analogue meter. Toto je analogový
VícePAINTING SCHEMES CATALOGUE 2007
Evektor-Aerotechnik a.s., Letecká č.p. 84, 686 04 Kunovice, Czech Republic Phone: +40 57 57 Fax: +40 57 57 90 E-mail: marketing@evektor.cz Web site: www.evektor.cz PAINTING SCHEMES CATALOGUE 007 Painting
VíceKepstrální analýza řečového signálu
Semestrální práce Václav Brunnhofer Kepstrální analýza řečového signálu 1. Charakter řečového signálu Lidská řeč je souvislý, časově proměnný proces. Je nositelem určité informace od řečníka k posluchači
VíceEfekt zvyšování hlasitosti na spektrální charakteristiky hlasuurůznýchtypůpoužitíhlasuaurůznýchskupin hlasových profesí
c ČsAS Efekt zvyšování hlasitosti na spektrální charakteristiky hlasuurůznýchtypůpoužitíhlasuaurůznýchskupin hlasových profesí Marek Frič Výzkumné centrum hudební akustiky(marc) Zvukové studio Hudební
VíceIntroduction to MS Dynamics NAV
Introduction to MS Dynamics NAV (Item Charges) Ing.J.Skorkovský,CSc. MASARYK UNIVERSITY BRNO, Czech Republic Faculty of economics and business administration Department of corporate economy Item Charges
VíceJust write down your most recent and important education. Remember that sometimes less is more some people may be considered overqualified.
CURRICULUM VITAE - EDUCATION Jindřich Bláha Výukový materiál zpracován v rámci projektu EU peníze školám Autorem materiálu a všech jeho částí, není-li uvedeno jinak, je Bc. Jindřich Bláha. Dostupné z Metodického
VíceRelativnost současnosti dvou nesoumístných událostí poprvé (UDÁLOSTI NEJSOU SPOJENY KAUZÁLNĚ)
Relativnost současnosti dvou nesoumístných událostí poprvé (UDÁLOSTI NEJSOU SPOJENY KAUZÁLNĚ) Viz GeoGebra Poznámka : Výpočet relativistického průvodčího obsahuje rel. faktor gama kvůli kontrakci délek.
Vícekupi.cz Michal Mikuš
kupi.cz Michal Mikuš redisgn website kupi.cz, reduce the visual noise. ADVERT ADVERT The first impression from the website was that i dint knew where to start. It was such a mess, adverts, eyes, products,
VíceA/D převodníky - parametry
A/D převodníky - parametry lineární kvantování -(kritériem je jednoduchost kvantovacího obvodu), parametry ADC : statické odstup signálu od kvantizačního šumu SQNR, efektivní počet bitů n ef, dynamický
VíceNová éra diskových polí IBM Enterprise diskové pole s nízkým TCO! Simon Podepřel, Storage Sales 2. 2. 2011
Nová éra diskových polí IBM Enterprise diskové pole s nízkým TCO! Simon Podepřel, Storage Sales 2. 2. 2011 Klíčovéatributy Enterprise Information Infrastructure Spolehlivost Obchodní data jsou stále kritičtější,
VíceČeské vysoké učení technické v Praze Fakulta elektrotechnická. Předzpracování řeči s šumovým pozadím pro účely komunikace a rozpoznávání
České vysoké učení technické v Praze Fakulta elektrotechnická Předzpracování řeči s šumovým pozadím pro účely komunikace a rozpoznávání Diplomová práce Vypracoval: Petr Fousek Vedoucí práce: Ing. Petr
VíceKULOVÝ STEREOTEPLOMĚR NOVÝ přístroj pro měření a hodnocení NEROVNOMĚRNÉ TEPELNÉ ZÁTĚŽE
české pracovní lékařství číslo 1 28 Původní práce SUMMARy KULOVÝ STEREOTEPLOMĚR NOVÝ přístroj pro měření a hodnocení NEROVNOMĚRNÉ TEPELNÉ ZÁTĚŽE globe STEREOTHERMOMETER A NEW DEVICE FOR measurement and
VíceKdo jsme Čím se zabýváme Nabídka služeb pro veřejnou správu Ověřeno v praxi u tisíce uživatelů v podnikatelské a bankovní sféře Plně využitelné u
Kdo jsme Čím se zabýváme Nabídka služeb pro veřejnou správu Ověřeno v praxi u tisíce uživatelů v podnikatelské a bankovní sféře Plně využitelné u uživatelů ve veřejné správě Bez nutnosti nasazování dalšího
VíceJméno autora: Mgr. Alena Chrastinová Datum vytvoření: Číslo DUMu: VY_32_INOVACE_O7_AJ
Jméno autora: Mgr. Alena Chrastinová Datum vytvoření: 24.07.2012 Číslo DUMu: VY_32_INOVACE_O7_AJ Ročník: IV. Anglický jazyk Vzdělávací oblast: Jazyk a jazyková komunikace Vzdělávací obor: cizí jazyk anglický
VíceNoise Measurement Měření hluku
XXX. ASR '5 Seminar, Instruments and Control, Ostrava, April 9, 5 39 Noise Measurement Měření hluku KOČÍ, Petr Ing., Ph.D., Katedra ATŘ-35, VŠB-TU Ostrava, 17. listopadu, Ostrava - Poruba, 78 33 petr.koci@vsb.cz,
VíceMEDIA RESEARCH RATINGS
READERS OF MF DNES MEDIA RESEARCH RATINGS National media ratings research in the Czech Republic jointly requested by the publishers of dailies and magazines associated in the Publisher s Union (Unie vydavatelů)
VíceKonference k programu Monitoring sýčka obecného na Moravě
Projekt Monitoring sýčka obecného na Moravě je financován z prostředků EHP a Norských fondů 2009-2014 a Ministerstva životního prostředí v rámci Malého grantového schématu Záchranné programy pro zvláště
VíceIf there is any inconsistency of weather forecast between Local Weather Station and this unit, the Local Weather Station's forecast should prevail. The trend pointer displayed on the LCD indicates the
VíceEntrance test from mathematics for PhD (with answers)
Entrance test from mathematics for PhD (with answers) 0 0 3 0 Problem 3x dx x + 5x +. 3 ln 3 ln 4. (4x + 9) dx x 5x 3. 3 ln 4 ln 3. (5 x) dx 3x + 5x. 7 ln. 3 (x 4) dx 6x + x. ln 4 ln 3 ln 5. 3 (x 3) dx
VíceDOPLNĚK K FACEBOOK RETRO EDICI STRÁNEK MAVO JAZYKOVÉ ŠKOLY MONCHHICHI
MONCHHICHI The Monchhichi franchise is Japanese and held by the Sekiguchi Corporation, a famous doll company, located in Tokyo, Japan. Monchhichi was created by Koichi Sekiguchi on January 25, 1974. Sekiguchi
VíceNávštěvy. Aug 1, 2011 - Aug 31, 2011. www.businessinfo.cz. This report shows the number of visits to your web site during the selected period.
Návštěvy This report shows the number of visits to your web site during the selected period. Week Visits % Week 31, Aug 01-Aug 07 2011 40,271 20.90% Week 32, Aug 08-Aug 14 2011 42,532 22.07% Week 33, Aug
VíceNabídky spolupráce pro průmysl
Nabídky spolupráce pro průmysl České vysoké učení technické v Praze kontakty Prof. Ing. Pavel Sovka, CSc., e-mail: sovka@fel.cvut.cz doc. Dr. Ing. Jiří Hospodka, email: hospodka@fel.cvut.cz 17. dubna 2012
VícePalmovka Business center +420 224 217 217. Kancelářské prostory k pronájmu / Offices for lease. Na Žertvách 2247/29, Prague 8
Kancelářské prostory k pronájmu / Offices for lease Palmovka Business center Na Žertvách 2247/29, Prague 8 +420 224 217 217 Knight Frank, spol. s r.o., Diamant building, Wenceslas Square 3, 110 00, Prague
Více