|
|
Vícekanálové metody zvýrazňování řeči
Zitka, Adam ; Balík, Miroslav (oponent) ; Smékal, Zdeněk (vedoucí práce)
Diplomová práce se zabývá vícekanálovými metodami zvýrazňování řeči. Vícekanálové metody zvýrazňování řeči používají pro snímání signálů více mikrofonů. Ze směsí signálů můžeme pomocí neuronových sítí oddělit například jednotlivé mluvčí, potlačit hluk v pozadí či šum. Tato úloha bývá nazývána cocktail-party efekt. Hlavní metoda řešící tento problém se nazývá analýza nezávislých komponent. V práci jsou nejdříve popsány její teoretické základy a jsou představeny podmínky a požadavky k její aplikaci. Jednotlivé metody ICA se snaží směsi rozdělovat pomocí hledání co nejmenších gaussovských vlastností signálů. Pro analýzu nezávislých komponent se používají různé matematické vlastnosti signálů jako je např. špičatost a entropie. Signály, které byly smíšeny uměle v počítači, lze poměrně dobře oddělovat např. pomocí FastICA či algoritmu rostoucího gradientu. Složitější situace nastává, chceme-li oddělit signály pořízené v reálném nahrávacím prostředí, protože separaci řeči osob současně mluvících v reálném prostředí ovlivňují různé další okolnosti jako akustické vlastnosti místnosti, šum, zpoždění, odrazy od stěn, pozice či typ mikrofonů apod. Práce představuje postup analýzy nezávislých komponent ve frekvenční oblasti, který dokáže úspěšně oddělit i nahrávky pořízené v reálném prostředí.
|
|
|
Implementace algoritmů slepé separace zdrojů v jazyce C/C++
Funderák, Marcel ; Malý, Jan (oponent) ; Míča, Ivan (vedoucí práce)
Tato práce se zabývá jednou z metod slepé separace zdrojů (BSS), která se nazývá analýza nezávislých komponent (z anglického Independent Component Analysis). Je uveden stručný teoretický podklad, ve kterém jsou vysvětleny základní poznatky důležité pro odvození jednotlivých algoritmů ICA. Tyto teoretické poznatky zahrnují zejména vysvětlení základních znalostí ze statistiky. V další části jsou popsány metody vhodné k předzpracování vstupních signály – analýza hlavních komponent (PCA) a bělení signálů. Zejména bělení je důležitou součástí řešení algoritmů ICA. Poté jsou již nastíněna různá řešení algoritmů ICA, jakož i úvod do této problematiky. Mezi uvedenými postupy lze vyzvednout popis algoritmů FastICA, které se jeví jako velice vhodné pro počítačové zpracování, jelikož jsou robustní a také nejsou výpočetně náročné oproti jiným metodám. Dále je nastíněno zpracování jednoho algoritmu ICA v jazyce C++, konkrétně algoritmus FastICA pro komplexní signály.
|
|
|
Implementace algoritmů slepé separace zdrojů v jazyce C/C++
Funderák, Marcel ; Malý, Jan (oponent) ; Míča, Ivan (vedoucí práce)
Tato práce se zabývá jednou z metod slepé separace zdrojů (BSS), která se nazývá analýza nezávislých komponent (z anglického Independent Component Analysis). Je uveden stručný teoretický podklad, ve kterém jsou vysvětleny základní poznatky důležité pro odvození jednotlivých algoritmů ICA. Tyto teoretické poznatky zahrnují zejména vysvětlení základních znalostí ze statistiky. V další části jsou popsány metody vhodné k předzpracování vstupních signály – analýza hlavních komponent (PCA) a bělení signálů. Zejména bělení je důležitou součástí řešení algoritmů ICA. Poté jsou již nastíněna různá řešení algoritmů ICA, jakož i úvod do této problematiky. Mezi uvedenými postupy lze vyzvednout popis algoritmů FastICA, které se jeví jako velice vhodné pro počítačové zpracování, jelikož jsou robustní a také nejsou výpočetně náročné oproti jiným metodám. Dále je nastíněno zpracování jednoho algoritmu ICA v jazyce C++, konkrétně algoritmus FastICA pro komplexní signály.
|
|
|
Vícekanálové metody zvýrazňování řeči
Zitka, Adam ; Balík, Miroslav (oponent) ; Smékal, Zdeněk (vedoucí práce)
Diplomová práce se zabývá vícekanálovými metodami zvýrazňování řeči. Vícekanálové metody zvýrazňování řeči používají pro snímání signálů více mikrofonů. Ze směsí signálů můžeme pomocí neuronových sítí oddělit například jednotlivé mluvčí, potlačit hluk v pozadí či šum. Tato úloha bývá nazývána cocktail-party efekt. Hlavní metoda řešící tento problém se nazývá analýza nezávislých komponent. V práci jsou nejdříve popsány její teoretické základy a jsou představeny podmínky a požadavky k její aplikaci. Jednotlivé metody ICA se snaží směsi rozdělovat pomocí hledání co nejmenších gaussovských vlastností signálů. Pro analýzu nezávislých komponent se používají různé matematické vlastnosti signálů jako je např. špičatost a entropie. Signály, které byly smíšeny uměle v počítači, lze poměrně dobře oddělovat např. pomocí FastICA či algoritmu rostoucího gradientu. Složitější situace nastává, chceme-li oddělit signály pořízené v reálném nahrávacím prostředí, protože separaci řeči osob současně mluvících v reálném prostředí ovlivňují různé další okolnosti jako akustické vlastnosti místnosti, šum, zpoždění, odrazy od stěn, pozice či typ mikrofonů apod. Práce představuje postup analýzy nezávislých komponent ve frekvenční oblasti, který dokáže úspěšně oddělit i nahrávky pořízené v reálném prostředí.
|
host ::
RSS.