Jürgen Dick - Lehrstuhl Algorithmen & Datenstrukturen, Institut für ...

Weitere Magazine

Empfehlungen

Info

$(LMS\) an der Universität Freiburg - Lehrstuhl Algorithmen ...$

60 KAPITEL 3. EXTRAKTION VON AUDIO-FEATURES N- FFT 2N- IFFT © £¦¥¨§ normalisierte short-term autocorrelation £¦¥¢¡¤£ § stimmhaft, Upsampling Windowing Hanning-Fenster ¥ £ ¥¨§ ¦ £¦¥¨§ finde und bewerte Kandidaten suche mittels DP beste Kandidaten normalisierte short-term autocorrelation §©¨¨ § stimmlos bzw. Stille, 0Hz Abbildung 3.12: Blockdiagramm des PDAs nach BOERSMA [5]
3.4. FUNDAMENTALFREQUENZ (PITCH) ¢¡ Sprachsignal £¦¥¨§ ¦ £ ¥¨§ ¥ Windowing normalisierte short-term autocorrelation £¦¥¢¡£ § ¨¨ finde Peak Hanning-Window normalisierte short-term autocorrelation stimmlos stimmhaft Abbildung 3.13: Blockdiagramm des ModifiedACF-PDAs. eine schematische Darstellung dieses PDAs. Das Signal wird zunächst ¢ im Abstand von mittels Windowing in Frames ¥ mit einer Länge von ¥ ¢ zerlegt, wobei das Windowing mit Hilfe ¡¢¡ ¦ eines Hanning-Fensters durchgeführt wird. Die Frames überlappen sich also ¢ jeweils um . Die Framelänge wurde so gewählt, daß sie mindestens drei Perioden der tiefsten zu detektierenden Frequenz abdeckt [5]. Daraufhin wird die (normalisierte) short-term autocorrelation des entstandenen Frames berechnet. Die resultierende Autokorrelationsfolge wird durch die (normalisierte) AKF des Hanning-Fensters geteilt, es ergibt sich somit folgende AKF ©© § Innerhalb eines bestimmten Bereichs mit ¢ ¤ wird nun der Spitzenwert der AKF gesucht. wird so gewählt, daß es der höchsten zu detektierenden Frequenz entspricht und wird so gewählt, daß es der tiefsten zu detektierenden Frequenz entspricht. ¥ ¥ ¡ ¡ ¡ ¡ Beispiel: Die Abtastfrequenz ¥ ¦ ¤ ¡ des Sprachsignal beträgt , die tiefste zu detektierende ¢ ¡ Frequenz sei und die höchste zu detektierende ¡ © ¢ ¢ ¡ Frequenz sei . Dann lassen sich ¡¡ und wie folgt berechnen: ¤£ ¥ ¥ ©§¦ ¡ ¥ ¦ ¤ ¡ ¢ ¡ ¦ ¢ 61 ¥ (3.23)
Seite 1 und 2:
ALBERT-LUDWIGS-UNIVERSITÄT FREIBUR
Seite 3:
Vorwort Ich möchte mich bei Prof.
Seite 6 und 7:
6 INHALTSVERZEICHNIS 3 Extraktion v
Seite 8 und 9:
Abbildungsverzeichnis 1.1 Story Seg
Seite 10 und 11: Tabellenverzeichnis 3.1 Mathematisc
Seite 12 und 13: 12 KAPITEL 1. EINLEITUNG, MOTIVATIO
Seite 20 und 21: Kapitel 2 Grundlagen der Sprachanal
Seite 22 und 23: 22 KAPITEL 2. GRUNDLAGEN DER SPRACH
Seite 40 und 41: Kapitel 3 Extraktion von Audio-Feat
Seite 42 und 43: 42 KAPITEL 3. EXTRAKTION VON AUDIO-
Seite 70 und 71: Kapitel 4 Segmentierungsverfahren I
Seite 72 und 73: 72 KAPITEL 4. SEGMENTIERUNGSVERFAHR
Seite 86 und 87: 86 KAPITEL 5. EVALUATION grobe Segm
Seite 88 und 89: 88 KAPITEL 5. EVALUATION Topic Begi
Seite 90 und 91: 90 KAPITEL 5. EVALUATION Die folgen
Seite 92 und 93: 92 KAPITEL 5. EVALUATION Datei: ga7
Seite 94 und 95: 94 KAPITEL 5. EVALUATION Analyse Ei
Seite 96 und 97: 96 KAPITEL 5. EVALUATION dsaas §
Seite 98 und 99: 98 KAPITEL 5. EVALUATION Präferenz
Seite 100 und 101: 100 KAPITEL 5. EVALUATION Segment-L
Seite 102 und 103: 102 KAPITEL 5. EVALUATION Precision
Seite 104 und 105: Kapitel 6 Zusammenfassung und Ausbl
Seite 106 und 107: Anhang A Beispiel einer Text-Transk
Seite 108 und 109: 108 ANHANG A. BEISPIEL EINER TEXT-T
Seite 110 und 111:
Anhang B Segmentierung am Beispiel
Seite 112 und 113:
112ANHANG B. SEGMENTIERUNG AM BEISP
Seite 114 und 115:
114ANHANG B. SEGMENTIERUNG AM BEISP
Seite 116 und 117:
Literaturverzeichnis [1] AOF - Auth
Seite 118 und 119:
118 LITERATURVERZEICHNIS [23] OTTMA
Alle anzeigen

Jürgen Dick - Lehrstuhl Algorithmen & Datenstrukturen, Institut für ...

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?