Národní úložiště šedé literatury Nalezeno 5 záznamů.  Hledání trvalo 0.01 vteřin. 
Nedourčená slepá separace zvukových signálů
Čermák, Jan ; Smékal, Zdeněk (vedoucí práce)
V reálných situacích se často setkáváme s případem, kdy je v neznámém prostředí smícháno více zvukových signálů dohromady. Aby mohly být tyto signály správně interpretovány je nutné užitečné signály extrahovat z jejich směsi. Disciplína zabývající se tímto problémem se nazývá slepá separace signálů. Tato práce pojednává o vícekanálové slepé separaci zvukových signálů v reálném prostředí, a to i v případě kdy počet zdrojů přesáhne počet senzorů. První částí disertační práce je úvodem do slepé separace signálu. Je zde provedena analýza současného stavu separačních metod. Na základě získaných poznatků jsou navrženy separační systémy implementující více-stavové časově-frekvenční maskování. Tyto metody však stále provádí nelineární změny ve spektru, jež mohou způsobovat hudební šum. Jsou tedy představeny další metody potlačující hudební šum. Tyto metody kombinují časově-frekvenční binární maskování a adaptivní metody směrování přijímací charakteristiky. Výsledkem je nový lineární separační systém aplikovatelný i v případě kdy počet zdrojů převyšuje počet senzorů. V závěrečné části práce jsou navržené separační systémy vyhodnoceny pomocí objektivních i subjektivních testů.
Aplikace lineární algebry a optimalizace ve zpracování zvukových signálů
Kolbábková, Anežka ; Veselý, Vítězslav (oponent) ; Rajmic, Pavel (vedoucí práce)
Práce je zaměřena na řídké reprezentace v oblasti audio signálů. Zahrnuje obecný teoretický úvod do základní problematiky řídkých reprezentací a simulaci teorie na vygenerovaných tónech "klavíru" v programu Matlab. Teorii ověřuje na těchto vygenerovaných tónech i na reálných signálech.
Nedourčená slepá separace zvukových signálů
Čermák, Jan ; Smékal, Zdeněk (vedoucí práce)
V reálných situacích se často setkáváme s případem, kdy je v neznámém prostředí smícháno více zvukových signálů dohromady. Aby mohly být tyto signály správně interpretovány je nutné užitečné signály extrahovat z jejich směsi. Disciplína zabývající se tímto problémem se nazývá slepá separace signálů. Tato práce pojednává o vícekanálové slepé separaci zvukových signálů v reálném prostředí, a to i v případě kdy počet zdrojů přesáhne počet senzorů. První částí disertační práce je úvodem do slepé separace signálu. Je zde provedena analýza současného stavu separačních metod. Na základě získaných poznatků jsou navrženy separační systémy implementující více-stavové časově-frekvenční maskování. Tyto metody však stále provádí nelineární změny ve spektru, jež mohou způsobovat hudební šum. Jsou tedy představeny další metody potlačující hudební šum. Tyto metody kombinují časově-frekvenční binární maskování a adaptivní metody směrování přijímací charakteristiky. Výsledkem je nový lineární separační systém aplikovatelný i v případě kdy počet zdrojů převyšuje počet senzorů. V závěrečné části práce jsou navržené separační systémy vyhodnoceny pomocí objektivních i subjektivních testů.
Aplikace lineární algebry a optimalizace ve zpracování zvukových signálů
Kolbábková, Anežka ; Veselý, Vítězslav (oponent) ; Rajmic, Pavel (vedoucí práce)
Práce je zaměřena na řídké reprezentace v oblasti audio signálů. Zahrnuje obecný teoretický úvod do základní problematiky řídkých reprezentací a simulaci teorie na vygenerovaných tónech "klavíru" v programu Matlab. Teorii ověřuje na těchto vygenerovaných tónech i na reálných signálech.
Experimental Comparison of Sparse Signal Recovery Algorithms
Hoskovec, J. ; Tichavský, Petr
This report presents an experimental comparison of some of the newest and/or most common algorithms that are used for solving the sparse recovery problem: matching pursuit, orthogonal matching pursuit (OMP), A*OMP, basis pursuit, re-weighted least square (also known as FOCUSS), re-weighted L1 optimization (RL1). The comparison is done on synthetic (random) data set (dictionary) of the size 50x250 and 500x2500.

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.