A6M33BIO- Biometrie. Biometrické metody založené na rozpoznávání hlasu II
|
|
- Bohumil Mareš
- před 5 lety
- Počet zobrazení:
Transkript
1 A6M33BIO- Biometrie Biometrické metody založené na rozpoznávání hlasu II Doc. Ing. Petr Pollák, CSc. 13. prosince :13
2 Obsah přednášky Úlohy automatického rozpoznávání řečníka Verifikace vs. identifikace Reprezentace řečníka a algoritmy klasifikace Časové funkce(dtw) Kódová kniha(vq) Statistický model(gmm, HMM) Moderní metody na bázi i-vektorů Rozpoznávání s umělými neuronovými sítěmi Příklady systémů verifikace
3 I. část Úlohy automatického rozpoznávání řečníka
4 Metody automatického rozpoznávání mluvčího Databáze mluvčích signál(spk x ) akustická analýza příznaky vytvoření reprezentace hlasu SROVNÁNÍ
5 Řečové příznaky v úlohách rozpoznávání mluvčího SHRNUTÍ- Používané příznaky: MFCC- obecně používané- textově nezávislé (možnost vyhlazení variability mezi mluvčími) LPC kepstrální příznaky (variabilita mezi mluvčími, přímá souvislost formanty malá robustnost vůči šumu) parametry AR modelu (menší robustnost, Itakurova vzdálenost) kombinované vektory příznaků pro komplexnější rozhodování(spíše textově závislé úlohy) f o -základnífrekvence(charakteristikahlasu) formanty(přímá souvislost s délkou vokálního traktu)
6 Metody automatického rozpoznávání mluvčího Databáze mluvčích signál(spk x ) akustická analýza příznaky vytvoření reprezentace hlasu SROVNÁNÍ
7 Úlohy rozpoznávání mluvčího Používaná řešení: expertní rozhodování(fonetici, lingvisté) automatizované vyhodnocování Základní úlohy automatického rozpoznávání mluvčího: 1 Verifikace mluvčího ověření předpokládané totožnosti mluvčího 2 Identifikace mluvčího Identifikace v uzavřené množině rozpoznání neznámého mluvčího z dané množiny mluvčích Identifikace v otevřené množině rozpoznání neznámého mluvčího z neomezené množiny mluvčích identifikace& verifikace
8 Verifikace mluvčího totožnost spk x Databáze mluvčích spk 1 spk 2 spkx spk N signál(spk x ) akustická analýza příznaky vytvoření reprezentace hlasu výpočet podobnosti spk x -ANO/NE porovnání s prahem vzdálenost(pravděpodobnost) ověření předpokládané totožnosti mluvčího VÝSLEDEK = přijetí/ odmítnutí předpokl. totožnosti
9 Identifikace mluvčího(v uzavřené množině) Databáze mluvčích spk 1 spk 2 spk 3 signál(spk x ) akustická analýza příznaky vytvoření reprezentace hlasu spk N výpočet podobnosti spk x výběr min(max) vzdálenosti(pravděpodobnosti) spk 1... spk N rozpoznání neznámého mluvčího(největší podobnost hlasu) VÝSLEDEK = ID mluvčího/ skupiny
10 Identifikace mluvčího(v otevřené množině) Databáze mluvčích spk 1 spk 2 spk 3 signál(spk x ) akustická analýza verifikace porovnání sprahem spk x nebo ŽÁDNÝ ZNÁMÝ MLUVČÍ příznaky vytvoření reprezentace hlasu identifikace výběr min(max) spk N výpočet podobnosti vzdálenosti(pravděpodobnosti) spk 1... spk N rozpoznání neznámého mluvčího(největší podobnost hlasu) VÝSLEDEK = ID mluvčího/ skupiny nebo ZAMÍTNUTÍ
11 II. část Klasifikační metody v úloze rozpoznávání řečníka
12 Reprezentace hlasu řečníka a klasifikační techniky Reprezentace mluvčího na bázi vzorů Vzorová promluva či jiná časová funkce: míra = DTW vzdálenost mezi vzorovou a verifikovanou reprezentací Kódová kniha používaných parametrů: míra = střední vzdálenost příznaků od typických reprezentantů Reprezentace mluvčího na bázi statistických modelů GMM modely: modelují rozložení příznaků pro daného řečníka míra = věrohodnost spočítaná z emitovaných pravděpodobností HMM modely: modelují též průchod stavy, tj. časovou funkci i-vektory: modelování prostoru středních hodnot GMM modelů Klasifikace na bázi neuronových sítí přímá identifikace mluvčího výpočet pravděpodobnosti místo GMM
13 Klasifikační metody při rozpoznávání řečníka- časové funkce Rozpoznávání na základě časových funkcí vzorová promluva průběh energie- rytmizace promluvy průběh f o -intonacevpromluvě Vzdálenost mezi promluvami: normalizace délky promluvy- prosté prodloužení, zkrácení (problém pro různou rychlost v rámci promluvy) normalizovaná kumulovaná vzdálenost na bázi DTW dist s =dk (O,O s ) Vzdálenost mezi všemi segmenty(normovaná na délku): d i,j = 1 p (c k [i] c k [j]) 2 pro i =1,..., N; j =1,..., M NM k=1 Kumulovaná vzdálenost algoritmem dynamického programování: dk i,j =min (dk i 1,j +d i,j,dk i,j 1 +d i,j,dk i 1,j 1 +d i,j ) pro i =1,..., N; j =1,..., M
14 DTW- shrnující popis metody Referenční promluva délky N 1 2 j c[j] M 1 dk 1,1 2 dk dk i 1,j 1 i 1,j Rozpoznávaná promluva délky M i dk i,j 1 dk i,j c[i] N dk N,M Identifikaceřečníka hledáníminima dk N,M prorůznévzory Verifikaceřečníka srovnání dk N,M sprahem SHRNUTÍ: VÝHODY- jednoduchá koncepce, potřeba málo dat NEVÝHODA- konkrétní časová funkce textově závislá metoda
15 Klasifikace na bázi VQ Rozloženíkepstrařečníka-1&2&3&4 15 Cepstrum variation for speakers 1 & 2 & 3 & c[3] c[2]
16 Srovnání obecného rozložení příznaků VQ- vektorová kvantizace - redukce počtu uchovávaných příznakových vektorů kvantování všech příznakových vektorů - rozložení příznaku je potom popsáno kódovou knihou Kódovákniha-c s VQ...konečnýpočetreprezentantůpopisující variabilitu příznaků - výpočet na bázi K-means algoritmu VAD (Voice Activity Detector) při výpočtu příznaků - vhodné pro odstranění neřečových segmentů(jednoduchý energetický detektor může být postačující pro kvalitní signál)
17 Variace kepstra a kódová kniha vybraného řečníka 15 Cepstrum variation and codebook for speaker 1 1 c[3] c[2]
18 Kódováknihařečníka-1&2&3&4 15 Codebooks for speakers 1 & 2 & 3 & c[3] c[2]
19 Realizace klasifikace na bázi VQ Srovnání dvou mluvčích na bázi VQ - měření průměrné vzdálenosti aktuálních příznakových vektorů od uložených typických reprezentantů 14 Cepstrum variation of speaker 1 and codebook for speaker 1 14 Cepstrum variation speaker 1 and codebook for speaker c[3] c[3] c[2] c[2] dist s =mean (cd (c i,argmin c VQ,s cd (c i,c s VQ )))
20 Statistiky výsledků pro 4 řečníky a 1 kódovou knihu 9 Distribution of VQ distances (BLUE - correct speaker) 8 7 Counts of appearance Computed VQ distances Kódovákniha-zdroj:12promluv(12x5s),cca2segmentů - velikost kódové knihy: 2 Identifikace-2promluv(2xcca1s),cca12segmentů Průměrné hodnoty vzdálenosti
21 Rozpoznávání řečníka na bázi GMM Hlavní idea - rozložení kepstra je popsáno statistickým modelem na bázi GMM M s p(o λ s ) = ci s N (Ó, µ s i,cs i ) i=1 - N (Ó, µ,c)... N-rozměrnágaussovskáfunkcedanávektorem středních hodnot µ a kovarianční maticí C - více směsí modeluje lépe variabilitu příznaků pro daného řečníka - typické počty směsí: 8-256(model řečníka), (univerzální model)- počty směsí zavisí na množství trénovacích dat
22 Rozložení prvků kódové knihy kepstra mluvčího A 15 Train data 5 1 c[2] 5 c[4] c[1] c[3] c[6] c[5] c[8] c[7]
23 Rozložení prvků kódové knihy kepstra mluvčího B 15 Train data c[2] 5 c[4] c[1] c[3] c[6] c[5] c[8] c[7]
24 GMM model rozložení kepstra mluvčího A pdf(gmm c12,[x,y]) pdf(gmm c34,[x,y]) y 5 1 x y 1 5 x pdf(gmm c56,[x,y]) pdf(gmm c78,[x,y]) y x y x 2 4
25 GMM model rozložení kepstra mluvčího B pdf(gmm c12,[x,y]) pdf(gmm c34,[x,y]) y 5 1 x y 1 5 x pdf(gmm c56,[x,y]) pdf(gmm c78,[x,y]) y x y x 2 4
26 Klasifikace na bázi GMM Klasifikační míra: věrohodnostpříznakuprodanýmodel-p(o j λ s ) - hodnota věrohodnosti se počítá z celé promluvy O = (o 1,o 2,...,o n ) P(O λ s ) = N p(o j λ s ) - logaritmická věrohodnost- průměrování(sčítání) logaritmů emitovaných pravděpodobností pro všechny krátkodobé realizace (segmenty) a GMM model daného mluvčího (omezení možnosti podtečení) N logp(o λ s ) = logp(o j λ s ) j=1 j=1 - opět vhodné aplikovat detektor řečové aktivity
27 Statistikyvýsledkůpro4řečníkya1GMMmodel 1 Distribution of emitted log-probabilities (BLUE - correct speaker) Counts of appearance Logarithm of emitted probabilities GMMmodel-zdroj:12promluv(12x5s),cca2segmentů -početváženýchsměsívgmm:6 Identifikace-2promluv(2xcca1s),cca12segmentů Průměrné hodnoty logaritmické pravděpodobnosti
28 Rozpoznávání mluvčího na bázi UBM-GMM Trénování GMM modelu pro jednotlivého mluvčího je problematické: - málo dat malá schopnost generalizace UBM-GMM modelování UBM- Universal Background Model - generalizující model popisující společný prostor parametrů pro všechny mluvčí GMM model mluvčího- získáný adaptací UBM - nejčastěji MAP(Maximum Aposteriori Probability) UBM-GMM systém = základ současných systémů
29 Rozhodování UBM-GMM verifikace Λ = log P(O λspk ) P(O λ UBM ) GMM spk řeč Features + + Decision Λ > =PŘIJATO Λ < =ZAMÍTNUTO UBM
30 Rozpoznávání mluvčích na bázi i-vektorů GMM-UBM: adaptace UBM GMM(pouze střední hodnoty) Mluvčího charakterizují hodnoty vektoru středních hodnot supervektor: vektor délky C F všech středních hodnot lze použít i pro reprezentaci nahrávek(různé délky) lze pak použít i jiné klasifikátory(svm) lze provést dekompozici na složku mluvčího resp. prostředí i-vektor: jednoduchý model na bázi faktorové analýzy(jfa) Ñ r,s = µ+ìü r,s základníidea-redukcedimenzesupervektoru Ñ r,s, CF D ivec µ- supervektor nezávislý na mluvčím a nahrávce Ì-transformačnímaticedimenze CF D ivec (odhad- iterativní EM algoritmus) Ü r,s -i-vektorpopisujícívariabilitumluvčíhočiprostředí (identity vector, itermediate vector)
31 Klasifikace na bázi i-vektorů i-vector: reprezentace mluvčích(trénování) či nahrávek(provoz) SVM klasifikátor s jádrovou funkcí na bázi kosinové vzdálenosti score = Ü T 1 Ü 2 Ü 1 Ü 2 verifikacehypotézy,žemluvčívnahrávce1jeshodnýs mluvčím v nahrávce 2 srovnání skóre s verifikačním prahem variabilita akustických podmínek není explicitně modelována potlačení variability akustických podmínek v prostoru i-vektorů LDA(nalezení podprostoru s optimální rozlišitelností tříd) WCCN(normalizace kovariance uvnitř tříd) PLDA-Ü r,s = µ+îý s + ÍÛ r,s +ǫ r,s (modelování variability akustických podmínek)
32 Zobecnění rozhodování v úlohách rozpoznávání řečníka identifikace spk =argmindist s pro s =1,2,...,L s spk =argmax s P(O λ s ) pro s =1,2,...,L verifikace dist s < dist thr...předpokládanáidentitapřijata dist s > dist thr...předpokládanáidentitazamítnuta P(O λ s ) > P thr...předpokládanáidentitapřijata P(O λ s ) < P thr...předpokládanáidentitazamítnuta
33 Systémy rozpoznávání řečníka s neuronovými sítěmi ANN/DNN- Artificial Neural Networks/Deep Neural Networks Použití: výpočet pravděpodobnosti místo GMM či přímo klasifikace VÝHODY: - možnost natrénování složitější funkce - možné rozšíření příznakového vektoru (řetězení příznaků s širším kontextem) - přesnější výsledky lze dosáhnout s DNN (vícevrstvé sítě s hlubokým učením- deep learning) - použití konvolučních sítí(cnn) umožňuje End-to-End processing (vstup: přímo signál/spektrogram, výstup: přímo ID mluvčího) NEVÝHODY: - obecně náročnější trénování(algoritmy hlubokého učení) - potřeba většího množství trénovacích dat (nastavení mnoha vnitřních parametrů sítě)
34 ANN, DNN- dopředný výpočet x 1 w 1 x 2 w 2 x 3 w 3 Σ z φ(z) y w n 1 x n 1 w n b Obecný výstup neuronu: y = φ ( x n b + ) m w i x i = φ(z) i=1 Sigmoidní přenosová fce ve skryté vrstvě: φ(z) = 1 1+e z Softmax přenosová fce ve výstupní vrstvě(pravděpod. C tříd, součet 1): e z k φ k (z) = p k = C j=1 ez k Lineární přenosová fce ve výstupní vrstvě- regresní síť(obecné mapování)
35 Trénování ANN, DNN Základní algoritmy trénování(učení) sítě: kritérium na bázi MSE(střední kvadr. chyba)- regresní síť kritérium na bázi CE(vzájemné entropie)- klasifikační síť algoritmus zpětného šíření chyby(gradient kritéria) dávkový odhad gradientu pro danou trénovací sadu gradientní stochastický algoritmus (odhad gradientu s každým vzorkem) minibatch training (odhad gradientu s menším souborem náhodně vybraných dat) Inicializace sítě před trénování: náhodná-okpro3-vrstvésítě,problémprodnn předtrénování pro DNN - RBM(Restricted Boltzmann Machines) - DPT- diskriminativní předtrénování
36 Klasifikace na bázi ANN/DNN Přímá klasifikace pomocí DNN(výpočet pravděpodobnosti) - DNN ve funkci odhadu aposteriorní pravděpodobnosti řečníka VSTUP: BF, kepstrum(mfcc), možný kontext několik oken SKRYTÉ VRSTVY: 4-1 VÝSTUP: Softmax(aposteriors) VARIANTA- DNN síť s bottleneck vrstvou(zúžení = komprese)
37 CNN(Convolution Networks): End-to-End Recognition Principiální schéma CNN: Nejčastější aplikace CNN ve zpracování obrázků Aplikace pro řeč: vstupem je spektrogram(obrázek) či signál End-to-End Recognition (tj. bez výpočtu příznaků)
38 CNN Siamese Speaker Verification
39 III. část Příklady systémů rozpoznávání řečníka
40 Hodnotící kritéria při verifikaci mluvčího- Míra stejné chyby 9 Distribution of VQ distances (BLUE - correct speaker) 8 7 Counts of appearance Computed VQ distances TA-Trueacceptance FA-Falseacceptance: R FA = N FA N podv TR-Truerejection FR-Falserejection R FR = N FR N spref EER-EqualErrorRate Míra stejné chyby: EER = R FR (P thr ) = R FA (P thr )
41 Příklady systémů J. R. Campbell: Speaker Recognition. Department of Defense Fort Meade, MD, at přehled různých systémů verifikace Autor Příznaky Metoda Text Vstup Error Atal 74 kepstr. Pattern depend. LAB 2%(1s) Fururi 81 nor. kepstr. Pattern depend. TEL,2%(3s) Doddington 85 FB DTW depend. LAB,8%(6s) Tishby 91 kepstr. HMM 1 digits TEL 2,8%(1,5s),8%(3,5s) Reynolds 96 MFCC+ GMM indep. TEL 11%(3s) match. 6%(1s) 3%(3s) Reynolds 96 MFCC+ GMM indep. TEL 16%(3s) mism. 8%(1s) 5%(3s)
42 Příklady systémů NIST 21- Speaker verification evaluations. výsledky verifikace pro rozdílné evaluační podmínky GMM-UBM systémy(ubm- Universal Background Model) EER-EqualErrorRate mic-mic mic-mic2 mic-tel tel-tel Systém 1- muži 8,39 17,29 16,24 15,68 Systém 1- ženy 13,5 23,47 18,42 17,18 Systém 1- AVG 1,94 2,38 17,54 16,52 Systém 2 6, 8,64 5,32 5,11 Systém1-8kHz,25/1ms,preemfáze,16MFCC(+,+ ), log energie, energetický VAD, normalizace příznakových vektorů, 512 směsí Systém2-8kHz,25/1ms,19MFCC&c[](+ ),detektorřeči na bázi automatického přepisu(rozpoznávání), normalizace příznakových vektorů, adaptace akustických modelů, 512 směsí
43 Příklady systémů Současné systémy na bázi GMM a ANN/DNN Tianetal,Interspeech215-NIST21task EER2.91%-GMMUBM-248 EER 2.28%- DNN(English) EER 2.61%- DNN(Multiling) Garcia-Romero& McCree, Interspeech 215 EER 1.82% UBM-GMM- 8kHz, 25/1 ms, preemfáze, 2 MFCC+, short-time CVMN, 248 mixtures, UBM, PLDA speaker subspace EER1.23%-DNN-4-5hiddenlayers,příznaky9x4dim(2 MFCC+ ), LDA+MLLT Chen, Moreno, etal, Interspeech 215 EER % fully connected DNN- 48 mel filter-banks, 12 frame context, 4 x 256 hidden layers, softmax output function, 32 output speakers
44 Příklady systémů- Interspeech 216 The IBM Speaker Recognition System EER2.11%-GMM-UBM(i-vector)-MFCC-LDA EER1.49%-GMM-UBM(i-vector)-MFCC-NDA (NDA- Nearest-neighbour discriminant analysis) EER.59%- DNN-fMLLR-NDA(English) SITW-SpeakersInTheWild-core-core Speakers In The Wild Database(for speaker recognition) speakers, 8 different sessions per speaker - mismatch of acoustic conditions - core conditions(data from one person of interest) - training 618 seconds -test6-18sofspeechperfile Brno University of Technology: EER = 5.85% Quensland University of Technology, Australia: EER = 8.69%
45 Příklady systémů- Interspeech 218 Muckenhirn, Magimai-Doss, Marcel: On Learning Vocal Tract System Related Speaker Discriminative Information from Raw Signal Using CNNs EER 3.5%- GMM-UBM(standard baseline approach) EER 2.4%- ISV(inter-session variability) EER 2.82/5.87%- i-vector, cosine distance/plda EER 5.%- JFA(Joint Factor Analysis) EER.8/1.15%-CNN(kW1=3/kW1=3) EER.75%-Fusionof2CNNsystems(averagescore)
46 Příklady systémů Vlasta Radová: Rozpoznávání řečníka. ZČU Plzeň. Prosinec 24. Komplexní systém využívající kombinované příznaky a víceúrovňové rozhodování - textově závislá verifikace EER.5%-vstupzmikrofonu(16kHz) EER2%-vstupztelefonnílinky(8kHz) - textově nezávislá verifikace EER2%-vstupzmikrofonu(16kHz) EER1%-vstupztelefonnílinky(8kHz)
47 Děkuji vám za pozornost!
A6M33BIO- 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
1. 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
Úloha: Verifikace osoby pomocí dynamického podpisu
Cvičení z předmětu Biometrie Úloha: Verifikace osoby pomocí dynamického podpisu Jiří Wild, Jakub Schneider kontaktní email: schnejak@fel.cvut.cz 5. října 2015 1 Úvod Úloha má za cíl seznámit vás s metodami
Kybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
Algoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
Klasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
Klasifikace 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
Algoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
Technická univerzita v Liberci
Technická univerzita v Liberci Fakulta mechatroniky, informatiky a mezioborových studií Ústav informačních technologií a elektroniky Generativní a diskriminativní klasifikátory v úlohách textově nezávislého
NG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
A2M31RAT- Řečové aplikace v telekomunikacích. Aplikační úlohy rozpoznávání řeči a speciální techniky.
A2M31RAT- Řečové aplikace v telekomunikacích Aplikační úlohy rozpoznávání řeči a speciální techniky. Doc. Ing. Petr Pollák, CSc. 12.května2011-16:7 Obsah přednášky Adaptační techniky Teoretický základ
7 Další. úlohy analýzy řeči i a metody
Pokročilé metody rozpoznávánířeči Přednáška 7 Další úlohy analýzy řeči i a metody jejich řešení Výsledky rozpoznávání (slovník k 413k) frantisek_vlas 91.92( 90.18) [H= 796, D= 10, S= 60, I= 15, N=866,
Učící se klasifikátory obrazu v průmyslu
Učící se klasifikátory obrazu v průmyslu FCC průmyslové systémy s.r.o. FCC průmyslové systémy je technicko obchodní společností, působící v oblasti průmyslové automatizace. Tvoří ji dvě základní divize:
UČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
Přednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
Algoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
Moderní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
A6M33BIO- 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
Fakulta informačních technologií VUT Brno. Předmět: Srovnání klasifikátorů Autor : Jakub Mahdal Login: xmahda03 Datum:
Fakulta informačních technologií VUT Brno Předmět: Projekt: SRE Srovnání klasifikátorů Autor : Jakub Mahdal Login: xmahda03 Datum: 9.12.2006 Zadání Vyberte si jakékoliv 2 klasifikátory, např. GMM vs. neuronová
Rozpoznávání izolovaných slov (malý slovník, např. číslovky, povely).
Rozpoznávání řeči Každý člověk má originální hlasové ústrojí a odlišný způsob artikulace, to se projevuje rozdílnou barvou hlasu, přízvukem, rychlostí řeči atd. I hlas jednoho řečníka je variabilní a závislý
SRE 03 - Statistické rozpoznávání
SRE 03 - Statistické rozpoznávání vzorů II Lukáš Burget ÚPGM FIT VUT Brno, burget@fit.vutbr.cz FIT VUT Brno SRE 03 - Statistické rozpoznávání vzorů II Lukáš Burget, ÚPGM FIT VUT Brno, 2006/07 1/29 Opakování
Strojové učení se zaměřením na vliv vstupních dat
Strojové učení se zaměřením na vliv vstupních dat Irina Perfilieva, Petr Hurtík, Marek Vajgl Centre of excellence IT4Innovations Division of the University of Ostrava Institute for Research and Applications
Trénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
Klasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce p íznaků Granáty Četnost Jablka Váha [dkg] Pravděpodobnosti - diskrétní p íznaky Uvažujme diskrétní p íznaky váhové kategorie Nechť tabulka
Rozpoznávání v obraze
Rozpoznávání v obraze AdaBoost a detekce objektů IKR, 2013 Roman Juránek www.fit.vutbr.cz/~ijuranek/personal Detekce objektů Úloha - v daném obraze nalézt objekty určitých tříd
Klasifikace a rozpoznávání
Klasifikace a rozpoznávání Prezentace přednášek M. Španěl, 2009 Ústav počítačové grafiky a multimédií Téma přednášky Unsupervised techniky Obsah: Literatura Úvod do shlukování Metriky, základní přístupy,
Úloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
Pokročil. Vyučující: Prof. Ing. Jan Nouza, CSc., ITE
Pokročil ilé metody rozpoznávánířeči Vyučující: Prof. Ing. Jan Nouza, CSc., ITE Cíl předmětu: Seznámit se s nejmodernějšími metodami rozpoznávánířeči s využitím modulové stavebnice HTK (Hidden Model Markov
Umělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
Lineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
Vytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
Neuronové sítě Ladislav Horký Karel Břinda
Neuronové sítě Ladislav Horký Karel Břinda Obsah Úvod, historie Modely neuronu, aktivační funkce Topologie sítí Principy učení Konkrétní typy sítí s ukázkami v prostředí Wolfram Mathematica Praktické aplikace
Statistická analýza dat
Statistická analýza dat Jméno: Podpis: Cvičení Zkouška (písemná + ústní) 25 Celkem 50 Známka Pokyny k vypracování: doba řešení je 120min, jasně zodpovězte pokud možno všechny otázky ze zadání, pracujte
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS
Testování neuronových sítí pro prostorovou interpolaci v softwaru GRASS GIS Veronika NEVTÍPILOVÁ Gisáček 2013 Katedra Geoinformatiky Univerzita Palackého v Olomouci Cíle otestovat kvalitu interpolace pomocí
KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ
KLASIFIKÁTOR MODULACÍ S VYUŽITÍM UMĚLÉ NEURONOVÉ SÍTĚ Marie Richterová 1, David Juráček 2 1 Univerzita obrany, Katedra KIS, 2 PČR MŘ Brno Abstrakt Článek se zabývá rozpoznáváním analogových a diskrétních
Dobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
Odečítání pozadí a sledování lidí z nehybné kamery. Ondřej Šerý
Odečítání pozadí a sledování lidí z nehybné kamery Ondřej Šerý Plán Motivace a popis úlohy Rozdělení úlohy na tři části Detekce pohybu Detekce objektů Sledování objektů Rozbor každé z částí a nástin několika
Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
Projekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
Whale detection Brainstorming session. Jiří Dutkevič Lenka Kovářová Milan Le
Whale detection Brainstorming session Jiří Dutkevič Lenka Kovářová Milan Le Signal processing, Sampling theorem Spojitý signál může být nahrazen diskrétní posloupností vzorků, aniž by došlo ke ztrátě informace,
Speciální struktury číslicových systémů ASN P12
Aplikace UNS v syntéze řeči modelování prozodie druhy syntezátorů Umělé neuronové sítě pro modelování prozodie Rozdíly mezi přirozenou a syntetickou řečí Požadavky: zlepšování srozumitelnosti zlepšování
J. 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
Vojtěch Franc Centrum strojového vnímání, Katedra kybernetiky, FEL ČVUT v Praze Eyedea Recognition s.r.o MLMU 29.4.2015
Příklady použití metod strojového učení v rozpoznávání tváří Vojtěch Franc Centrum strojového vnímání, Katedra kybernetiky, FEL ČVUT v Praze Eyedea Recognition s.r.o MLMU 29.4.2015 Stavební bloky systému
Využití 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:
Modernizace a inovace výpočetní kapacity laboratoří ITE pro účely strojového učení. Jiří Málek
Modernizace a inovace výpočetní kapacity laboratoří ITE pro účely strojového učení Jiří Málek Cíl projektu Cíl: Zefektivnění vzdělávání na ITE* v oblasti strojového učení pomocí posílení dostupné výpočetní
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami Josef Keder Motivace Předpověď budoucí úrovně znečištění ovzduší s předstihem v řádu alespoň několika hodin má význam
Preceptron přednáška ze dne
Preceptron 2 Pavel Křížek Přemysl Šůcha 6. přednáška ze dne 3.4.2001 Obsah 1 Lineární diskriminační funkce 2 1.1 Zobecněná lineární diskriminační funkce............ 2 1.2 Učení klasifikátoru........................
Algoritmy a struktury neuropočítačů ASN P3
Algoritmy a struktury neuropočítačů ASN P3 SOM algoritmus s učitelem i bez učitele U-matice Vektorová kvantizace Samoorganizující se mapy ( Self-Organizing Maps ) PROČ? Základní myšlenka: analogie s činností
Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron
Deep learning v jazyku Python
Deep learning v jazyku Python Barevné obrázky 1 Deep learning v jazyku Python Barevné obrázky Deep learning v jazyku Python Barevné obrázky 2 Obrázek 2.12: Gradientní sestup po 2D ztrátové ploše (dva učební
Úvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
Neparametrické odhady hustoty pravděpodobnosti
Neparametrické odhady hustoty pravděpodobnosti Václav Hlaváč Elektrotechnická fakulta ČVUT Katedra kybernetiky Centrum strojového vnímání 121 35 Praha 2, Karlovo nám. 13 hlavac@fel.cvut.cz Statistické
ANALÝZA 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
TERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny
PŘEDZPRACOVÁNÍ DAT Radek Mareček TERMINOLOGIE Session soubor skenů nasnímaných během jednoho běhu stimulačního paradigmatu (řádově desítky až stovky skenů) Sken jeden nasnímaný objem... Voxel elementární
Rozpoznávání písmen. Jiří Šejnoha Rudolf Kadlec (c) 2005
Rozpoznávání písmen Jiří Šejnoha Rudolf Kadlec (c) 2005 Osnova Motivace Popis problému Povaha dat Neuronová síť Architektura Výsledky Zhodnocení a závěr Popis problému Jedná se o praktický problém, kdy
Neuronové sítě v DPZ
Univerzita J. E. Purkyně v Ústí nad Labem Fakulta životního prostředí Neuronové sítě v DPZ Seminární práce z předmětu Dálkový průzkum Země Vypracovali: Jan Lantora Rok: 2006 Zuzana Vašková Neuronové sítě
Jasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
Instance based learning
Učení založené na instancích Instance based learning Charakteristika IBL (nejbližších sousedů) Tyto metody nepředpokládají určitý model nejsou strukturované a typicky nejsou příliš užitečné pro porozumění
MODELOVÁNÍ DYNAMIKY PROSODIE
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
Apriorní rozdělení. Jan Kracík.
Apriorní rozdělení Jan Kracík jan.kracik@vsb.cz Apriorní rozdělení Apriorní rozdělení (spolu s modelem) reprezentuje informaci o neznámém parametru θ, která je dostupná předem, tj. bez informace z dat.
Optimální rozdělující nadplocha 4. Support vector machine. Adaboost.
Optimální rozdělující nadplocha. Support vector machine. Adaboost. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics Opakování Lineární diskriminační
Rozdělování dat do trénovacích a testovacích množin
Rozdělování dat do trénovacích a testovacích množin Marcel Jiřina Rozpoznávání je důležitou metodou při zpracování reálných úloh. Rozpoznávání je definováno dvěma kroky a to pořízením dat o reálném rozpoznávaném
Vytěžování znalostí z dat
Pavel Kordík, Jan Motl (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 7 1/27 Vytěžování znalostí z dat Pavel Kordík, Jan Motl Department of Computer Systems Faculty of Information Technology
Implementace 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
Strojové učení Marta Vomlelová
Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování
Zpětnovazební učení Michaela Walterová Jednoocí slepým,
Zpětnovazební učení Michaela Walterová Jednoocí slepým, 17. 4. 2019 V minulých dílech jste viděli Tři paradigmata strojového učení: 1) Učení s učitelem (supervised learning) Trénovací data: vstup a požadovaný
STANOVENÍ 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
Aplikace obrazové fúze pro hledání vad
Marek Vajgl, Irina Perfilieva, Petr Hurtík, Petra Hoďáková Národní superpočítačové centrum IT4Innovations Divize Ostravské univerzity Ústav pro výzkum a aplikaci fuzzy modelování Ostrava, Česká republika
Umělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
Analýza 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,
Zpracování digitalizovaného obrazu (ZDO) - Popisy III
Zpracování digitalizovaného obrazu (ZDO) - Popisy III Statistické popisy tvaru a vzhledu Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování
NEURONOVÉ SÍTĚ PŘI KLASIFIKACI MLUVČÍCH NEURAL NETWORKS IN SPEAKER CLASSIFICATION
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKACNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS
Vojtěch Franc. Biometrie ZS Poděkování Janu Šochmanovi za slajdy vysvětlující AdaBoost
Rozpoznávání tváří I Vojtěch Franc Centrum strojového vnímání, ČVUT FEL Praha Biometrie ZS 2013 Poděkování Janu Šochmanovi za slajdy vysvětlující AdaBoost Úlohy rozpoznávání tváří: Detekce Cíl: lokalizovat
Aktivní detekce chyb
Fakulta aplikovaných věd, Katedra kybernetiky a Výzkumné centrum Data - Algoritmy - Rozhodování Západočeská univerzita v Plzni Prezentace v rámci odborného semináře Katedry kybernetiky Obsah Motivační
Analytické metody v motorsportu
Analytické metody v motorsportu Bronislav Růžička Ústav konstruování Odbor konstruování strojů Fakulta strojního inženýrství Vysoké učení technické v Brně 26. června 2013, FSI VUT v Brně, Česká republika
Využití metod strojového učení v bioinformatice David Hoksza
Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace
5 1. Úvod Automatického rozpoznávání řeči (Automatic Speech Recognition, ASR) je obor, ve kterém aktivní výzkum probíhá již od 60. let minulého století. V dnešní době nachází široké uplatnění, např. v
Emergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
Bayesovská klasifikace
Bayesovská klasifikace založeno na Bayesově větě P(H E) = P(E H) P(H) P(E) použití pro klasifikaci: hypotéza s maximální aposteriorní pravděpodobností H MAP = H J právě když P(H J E) = max i P(E H i) P(H
Umělá inteligence pro zpracování obrazu a zvuku
Umělá inteligence pro zpracování obrazu a zvuku Jan Švec honzas@ntis.zcu.cz Kontakt: Jan Švec honzas@ntis.zcu.cz jan.svec@speechtech.cz www.linkedin.com/in/jansvec Katedra kybernetiky ZČU v Plzni Katedra
3. Vícevrstvé dopředné sítě
3. Vícevrstvé dopředné sítě! Jsou tvořeny jednou nebo více vrstvami neuronů (perceptronů). Výstup jedné vrstvy je přitom připojen na vstup následující vrstvy a signál se v pracovní fázi sítě šíří pouze
Semestrální práce: Rozpoznání hláskované řeči a převedení na text
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Fakulta strojního inženýrství Ústav mechaniky těles, mechatroniky a biomechaniky Technická 2, Brno 616 69 RSZ Základy zpracování signálu Semestrální práce: Rozpoznání hláskované
Využití neuronové sítě pro identifikaci realného systému
1 Portál pre odborné publikovanie ISSN 1338-0087 Využití neuronové sítě pro identifikaci realného systému Pišan Radim Elektrotechnika 20.06.2011 Identifikace systémů je proces, kdy z naměřených dat můžeme
1 0 0 u 22 u 23 l 31. l u11
LU dekompozice Jedná se o rozklad matice A na dvě trojúhelníkové matice L a U, A=LU. Matice L je dolní trojúhelníková s jedničkami na diagonále a matice U je horní trojúhelníková. a a2 a3 a 2 a 22 a 23
Klasifikace a rozpoznávání. Bayesovská rozhodovací teorie
Klasifikace a rozpoznávání Bayesovská rozhodovací teorie Extrakce příznaků 3 25 2 Granáty Jablka Četnost 15 1 5 2 3 4 5 6 7 8 Váha [dkg] Pravděpodobnosti - diskrétní příznaky Uvažujme diskrétní příznaky
ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
Rosenblattův perceptron
Perceptron Přenosové funkce Rosenblattův perceptron Rosenblatt r. 1958. Inspirace lidským okem Podle fyziologického vzoru je třívrstvá: Vstupní vrstva rozvětvovací jejím úkolem je mapování dvourozměrného
Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 39
Extrakce obrazových příznaků Ing. Aleš Láník, Ing. Jiří Zuzaňák Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 39
5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz
25. 10. 2012, Praha Ing. Petr Vahalík Ústav geoinformačních technologií Možnosti modelování lesní vegetační stupňovitosti pomocí geoinformačních analýz 21. konference GIS Esri v ČR Lesní vegetační stupně
ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
Úvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
Klasifikace hudebních stylů
Klasifikace hudebních stylů Martin Šimonovský (mys7@seznam.cz) Rozpoznávání hudby úloha z oblasti DSP klasifikace dle hudebních stylů
Implementace Bayesova kasifikátoru
Implementace Bayesova kasifikátoru a diskriminačních funkcí v prostředí Matlab J. Havlík Katedra teorie obvodů Fakulta elektrotechnická České vysoké učení technické v Praze Technická 2, 166 27 Praha 6
Už bylo: Učení bez učitele (unsupervised learning) Kompetitivní modely
Učení bez učitele Už bylo: Učení bez učitele (unsupervised learning) Kompetitivní modely Klastrování Kohonenovy mapy LVQ (Učení vektorové kvantizace) Zbývá: Hybridní modely (kombinace učení bez učitele