|
|
Detekce impulsního rušení ve zvukovém signálu
Hůla, Josef ; Ištvánek, Matěj (oponent) ; Mokrý, Ondřej (vedoucí práce)
Práce pojednává o známých metodách detekce impulsního rušení v hudebních nahrávkách. Obsahuje studii o difereciální, filtrační, autoregresivní a ARMA metodě detekce. Jednotlivé metody jsou prostudovány po teoretické stránce, následně je diskutováno o~charakteru detekovaného rušení. Metody jsou implementovány v praxi a jsou mezi sebou srovnány. Za účelem porovnání jsou aplikovány na uměle vytvořené impulsy se známou pozicí a poté i na nahrávky obsahující reálné poškození.
|
|
|
Porovnání metod pro konstrukci barevných DNA spektrogramů
Postránecká, Tereza ; Provazník, Ivo (oponent) ; Kubicová, Vladimíra (vedoucí práce)
Tato práce pojednává o možnostech konstrukce barevných DNA spektrogramů a o vzorech, které z nich detekujeme. Spektrogramy jako nástroje spektrální analýzy nám umožňují současný pohled na lokální frekvence napříč celou nukleotidovou sekvencí. Jsou vhodné pro identifikaci genů či jejich regionů, určování globálních vlastností celých chromozomů, ale také dávají možnost objevit nové dosud neznámé regiony s potenciálním významem. Za účelem takovéto analýzy DNA lze použít techniky číslicového zpracování signálů. Jejich použití však musí předcházet metody konvertování DNA sekvence do numerické reprezentace. Výběr správné numerické reprezentace ovlivní, jak dobře budou dané biologické vlastnosti reflektovány v numerickém zápisu potřebném pro další použití v analýze zpracování signálů.
|
|
|
Doplňování chybějících úseků v audio signálu
Pospíšil, Jiří ; Rášo, Ondřej (oponent) ; Mach, Václav (vedoucí práce)
Cílem této bakalářské práce je seznámit se s metodami pro doplňování chybějících úseků v audio signálu, a to metodami založenými na interpolaci periodického signálu a interpolaci AR modelu signálu. Dále nás seznamuje s metodou Audio Inpainting založené na řídké reprezentaci signálu. V praktické části jsou vyhotovené tři algoritmy na základě interpolačních metod a popsán algoritmus použitý u metody Audio Inpainting. Tyto algoritmy jsou porovnávány objektivní metodou, měřením SNR v závislosti na délce mezery a hodnotě vstupního parametru.
|
|
|
Restoration of damaged audio signals using autoregressive models
Soboňa, Matúš ; Rajmic, Pavel (oponent) ; Mokrý, Ondřej (vedoucí práce)
The bachelor thesis deals with the problem of restoring audio signals damaged by sample loss, using autoregressive models. The restoration itself is solved by W. Etter and A. Janssen's algorithms. These algorithms are implemented in MATLAB and tested on artificial signals aswell as on real recordings. Algorithms are then compared based on quality of restoration dependent on different parameters of signals.
|
|
|
Detekce impulsního rušení ve zvukovém signálu
Hůla, Josef ; Ištvánek, Matěj (oponent) ; Mokrý, Ondřej (vedoucí práce)
Práce pojednává o známých metodách detekce impulsního rušení v hudebních nahrávkách. Obsahuje studii o difereciální, filtrační, autoregresivní a ARMA metodě detekce. Jednotlivé metody jsou prostudovány po teoretické stránce, následně je diskutováno o~charakteru detekovaného rušení. Metody jsou implementovány v praxi a jsou mezi sebou srovnány. Za účelem porovnání jsou aplikovány na uměle vytvořené impulsy se známou pozicí a poté i na nahrávky obsahující reálné poškození.
|
|
|
Algorithms for Detection and Correction of Local Degradations in Digital Audio Signals
Kúdela, Jakub ; Toropila, Daniel (vedoucí práce) ; Petříček, Martin (oponent)
Názov: Algoritmy detekcie a korekcie lokálnych znehodnotení digitálneho audio signálu Autor: Jakub Kúdela E-mailová adresa autora: jakub.kudela@gmail.com Katedra: Katedra teoretické informatiky a matematické logiky Veducí práce: Mgr. Daniel Toropila E-mailová adresa vedúceho: daniel.toropila@mff.cuni.cz Abstrakt: Lokálne znehodnotenia audio signálu sú nespojitosti v záznamovej stope. Sú zapričinené charakterom nahrávacieho procesu alebo stárnutím či po- škodením záznamového média. V mnohých prípadoch sú tieto nespojitosti pri posluchu nežiadúce a tak existuje množstvo metód, ktoré si kladú za ciel' po- škodené nahrávky reštaurovat'. V úvode práca oboznámi čitatel'a s vybranými algoritmami pre detekciu a korekciu lokálnych znehodnotení v digitálnych audio signáloch. Jeden z predostretých algoritmov v práci je vlastnou aplikáciou ume- lých neurónových sietí na danú problematiku. Súčast'ou práce je implementácia vybraných algoritmov spolu s experimentami. Ciel'om experimentov je objektívne aj subjektívne porovnat' výkony vybraných algoritmov. V práci je navrhnutá me- tóda pre objektívne hodnotenie kvality detekcie a korekcie, ktorá, ako sa ukáže, do značnej miery odpovedá subjektívnemu hodnoteniu. Výsledky experimentov ukazujú, že...
|
|
|
Součinové procesy jako nástroj pro finanční analýzu
Krejčí, Kateřina ; Zichová, Jitka (vedoucí práce) ; Hurt, Jan (oponent)
Tato bakalářská práce se zabývá součinovými procesy jako nástroji pro modelování finančních časových řad. Práce je rozdělena na část teoretickou a praktickou. V teoretické části je shrnuta základní problematika součinových procesů. Jsou zde popsány a odvozeny vlastnosti momentů a korelací procesu, následně jsou v práci odvozeny odhady parametrů modelu součinového procesu. Těmito odhady se pak dále zabývá praktická část práce. Pomocí simulační studie v programu Mathematica 9 je ověřena kvalita odvozených odhadů a poté jsou tyto odhady aplikovány na reálná finanční data. Powered by TCPDF (www.tcpdf.org)
|
|
|
Restoration of damaged audio signals using autoregressive models
Soboňa, Matúš ; Rajmic, Pavel (oponent) ; Mokrý, Ondřej (vedoucí práce)
The bachelor thesis deals with the problem of restoring audio signals damaged by sample loss, using autoregressive models. The restoration itself is solved by W. Etter and A. Janssen's algorithms. These algorithms are implemented in MATLAB and tested on artificial signals aswell as on real recordings. Algorithms are then compared based on quality of restoration dependent on different parameters of signals.
|
|
|
Electricity Load Forecasting Using Auto-Regressive and Artificial Neural Network Model
Vyčítal, Václav
In this paper a short review of two forecasting models Autoregressive and Artificial neural network is presented. Both models were used to demonstrate its superior performance in load forecasting issues. In the third section the results of load forecasting experiment are given. For obtained forecasted results mean absolute percentage error for autoregressive model was 0.644 % and for artificial neural network model 2.31 %. In this paper error distribution for both models is also shown.
|
|
|
Autoregressive models
Rathouský, Marek ; Zichová, Jitka (vedoucí práce) ; Prášková, Zuzana (oponent)
Náplňou tejto práce je porovnanie klasického a celočíselného autoregresného modelu prvého rádu. Vzhľadom k rozšírenosti klasického AR(1) modelu je v tejto práci spracovaný v menšej podrobnosti. Vo väčšom detaile je spracovaná teória celočíselného autoregresného modelu prvého rádu. V práci je definovaný operá- tor ◦ potrebný k zavedeniu INAR(1) a jeho základné vlastnosti s dôkazmi. Pre INAR(1) sú všetky netriviálne vlastnosti v podrobnosti dokázané, odvodená je aj podmienka slabej stacionarity. Pre poissonovský INAR(1) sú popísané základné odhadové metódy. Práca obsahuje aj simulačnú štúdiu sústredenú na skúmanie konvergencie odhadov. 1
|
host ::
RSS.