پایان نامه کارشناسی ارشد سریهای زمانی
سریهای زمانی
مقدمه مقیاس های اندازه گیری تشابه در سری های زمانی
2.1. ( فاصله اقلیدسی ونرم Lp) Euclidean Distances and Lp Norms
2.2. ( تبدیلات نرمال ) Normalization Transformations
2.3. (تبدیلات عمومی) General Transformations
2.4. Dynamic Time Warping
2.5. Longest Common Subsequence Similarity
تکنیک های شاخص یابی برای سریها ی زمانی
3.1. شاخص یابی سریهای زمانی با تابع فاصله متریک
3.1.1. به کارگیری کاهش بعد
3.1.2. تحقیق درباره تکنیک های کاهش بعد
3.1.2.1. تجزیه ارزش منفرد ) (Singular Value Decomposition
3.1.2.2. تبدیلات گسسته فوریه (Fourier and Discrete Cosine Transform )
3.1.2.3. تجزیه Wavelet Decomposition) Wavelet
3.1.2.4. Line Segment Approximation
3.1.2.5. Random Projection
3.1.2.6. Multidimensional Scaling
3.1.2.7. Isomap and LLE
3.1.2.8. FastMap
3.1.3. مباحث تکمیلی
3.2. تشابه سریهای زمانی بازگشتی وقتی تابع متریک نباشد
استفاده از الگوریتم ژنتیک برای شناسایی الگوهای موقتکه نشان دهنده وقایع سریهای زمانی هستند
1- مقدمه
سریهای زمانی در زمینه های گوناگون پیش می آ ید. ما در کشاورزی، مقدار محصول وقیمتهای سالانه غله را مشاهده می کنیم. در بازرگانی واقتصاد، قیمتهای موجود در پایان روز، نرخهای بهره هفتگی، شاخص قیمتهای ماهانه، فروش سه ماهه و درآمدهای سالانه را ملاحظه می نماییم. در مهندسی، صدا، علا یم الکتریکی وولتاژ را مشاهده می کنیم. در ژ ئو فیزیک، تلا طمهایی نظیر موجهای اقیانوس واغتشا ش زمین در ناحیه ای را ثبت می کنیم. در مطا لعات پزشکی، ردهای الکتروانسفاوگرام (EEG) وا لکتروکاردیوگرام (EKG) را اندازه گیری می نماییم. در هوا شناسی، بسرعت باد در ساعت، درجه حرارت روزانه، ومیزان باران سالانه را مشاهده می کنیم . در کنترل کیفیت فرآیند ی را با توجه به یک مقدار هدف معین مشخص می کنیم. در علوم اجتماعی، میزان زاد وولد سالانه، نرخهای مرگ ومیر، تصادفات وجنایتهای گوناگون را مورد مطالعه قرا می دهیم . فهرست زمینه هایی که در آن ، سریهای زمانی مشاهده ومطاله می شود، بی پایان است.
یک سری زمانی ، نظیر علائم الکتریکی وولتاژ که بطور پیوسته در زمان ثبت می شوند یک سری پیوسته است . یک سری زمانی ، مانند نرخهای بهره ، وحجم فروش راکه فقط در فواصل زمانی مشخص در نظر گرفته می شوند ، گسسته می گویند . ما منحصرا با سریهای زمانی گسسته که در فواصل مساوی مشاهده می شوند ، سروکارداریم .
دلیل این کار این است که حتی سریهای زمانی پیوسته ، فقط مقادیر رقمی شده را در فواصل گسسته ، برای محاسبات فراهم می کند .
برای مطالعه سریهای زمانی ، اهداف مختلفی وجود دارد ، که این اهداف ، د رک وبیان مکانیسم تولیدی ، وپیش بینی مقادیر آ ینده وکنترل بهین یک سیستم را شامل می شود . طبیعت ذاتی یک سری زمانی وابسته یا همبسته بودن مشاهدات آن است ، وبنا براین ، ترتیب مشاهدات دارایی اهمیت است لذا روش ها وفنون آماری که مبتنی بر فرض مستقل بودن است ، دیگر کاربرد ندارد . وروشهای متفاوتی مورد نیاز هستند . به پیکره اسلوب شناسی آماری موجو د برای تحلیل سریهای زمانی ، تحلیل سریهای زمانی اطلاق می شود .
شکل ا ، چهار سری زمانی را نشان می دهد ، خصوصیات بسیار متمایز دیگری را نیز آشکار می سا زد . به نظر می رسد که متوسط تعداد نقایص روزانه پیدا شده در هرکامیون ، در پایان خط تولید کارخانه تولید کامیون که در شکل 1- ( الف ) نشان داده شده است در حول سطح ثابتی ، تغییر می کند . سریهای زمانی که این پدیده را نشان می دهند ، ایستا در میانگین نامیده وحا لتهای ویژه سریهای زمانی ایستا هستند . تولید سالانه تنباکوی ایالات متحده که در شکل 1-(ب) نشان داده شده است در حول سطح ثابتی تغییر نمی کند ، و درعوض یک روند روبه بالا را ، درکل ، نشان می دهد ، علاوه براین ، واریانس این سری تنباکو ، با اضافه شدن سطح سری ، افزایش می یابد سریهای زمانی که این پدیده نرا نشان می دهند ، نا ایستا در میانگین وواریانس گفته می شوند ، ومثالهایی ا ز سریهای زمانی ناایستا هستند . تولید سه ماهه آ بجو U.S در شکل1- ( پ) طرح خاص دیگری را نشان می دهد که به واسطه تغییرات فصلی طبیعتی تکراری دارد . سریهای زمانی که تعییرات فصلی ب را در بر می گیرند،سریهای زمانی فصلی می نامند. سریهای زمانی نا ایستا را مانند َآنها یی که در شکل های ( ب ) و (پ ) نشان داده شده اند ، می توان با تبدیلات مناسبی به سری ایستا تبدیل نمود.
قیمت فقط15,000 تومانپرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : جعفر علایی
شماره تماس : 09147457274 - 04532722652
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
مشخصات فایل
فرمت : doc
تعداد صفحات : 142
قیمت : 15,000 تومان
حجم فایل : 2777 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایلسمینار کارشناسی ارشد رشته برق با موضوع جداسازی گفتار و موزیک
پایان نامه کارشناسی ارشد مهندسی برق الکترونیک: جداسازی گفتار و موزیک
متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی برق با عنوان : جداسازی گفتار و موزیک در ادامه مطلب می توانید تکه هایی از ابتدای این پایان نامه را بخوانید و در صورت نیاز به متن کامل آن می توانید از لینک پرداخت و دانلود آنی برای خرید این پایان نامه اقدام نمائید. دانشگاه آزاد اسلامی واحد تهران جنوب دانشکده تحصیلات تکمیلی سمینار برای دریافت درجه کارشناسی ارشد مهندسی برق – الکترونیک عنوان: جداسازی گفتار و موزیک برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود تکه هایی از متن به عنوان نمونه : (ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است) چکیده پردازش گفتار با توجه به کاربردهای وسیع آن در ارتباطات، تبادل اطلاعات میان انسان و ماشین مانند روبات ها، صنعت مخابرات، سمعک ها، به کارگیری ماشین در ترجمه مکالمات از یک زبان به زبان دیگر، ابزارهای آموزشی و دیگر محصولات تجاری مورد توجه قرار گرفته است. دهه اخیر شاهد پیشرفت چشمگیری در این عرصه بوده است. سیستم ها و الگوریتم هایی که با عملکرد بالا در آزمایشگاه پیاده سازی شده اند، به سمت دنیای واقعی در حال حرکت هستند. جداسازی یا افتراق بین گفتار و موسیقی (SMD) از جمله موضوعاتی است که در دهه اخیر، مطالعات زیادی روی آن انجام شده است. از کاربردهای آن می توان به تشخیص کانال های رادیویی که فقط موسیقی پخش می کنند اشاره کرد. همچنین می تواند به عنوان بخش اولیه در بازشناسی خودکار گفتار محسوب شود. به طور کلی اغلب کارهایی که در این زمینه انجام شده است شامل دو مرحله می باشد: 1- استخراج ویژگی قطعه صوتی که تمایز بین گفتار و موسیقی را بیان می کند 2- طبقه بندی قطعه صوتی با توجه به ویژگی. در بعضی رویکردها از یک ویژگی استفاده می شود ولی در برخی دیگر از چند ویژگی. از جمله این ویژگی ها می توان به نرخ عبور از صفر، ضرائب کپسترال، ضرائب کدینگ پیش خطی و… اشاره کرد. طبقه بندی کننده هایی که برای این کار استفاده می شوند نیز طبقه کننده های مرسوم مانند مدل مارکوف پنهان، ماشین بردار پشتیبان، گوسی و شبکه های عصبی و… می باشند. مقدمه پیشرفت های قابل توجه فن آوری در طی دهه های گذشته به طور چشمگیری طریقه ارتباط برقرار کردن مردم با بسیاری از منابع مختلف اطلاعات و سرگرمی را تغییر داده است. کاربران فن آوری های مدرن، در ارتباط با انواع رسانه ها از یک حالت انفعال به وضعیت فعال منتقل شده است. همین طور که مقادیر داده ای در دسترس افزایش می یابد، تکنیک های کارآمد داده گردانی نیز لازم می شود. در چند سال گذشته داده های صوتی به میزان زیاد از منابع در دسترس مانند پایگاه داده ها، برنامه های پخش و اینترنت ایجاد شده اند. بخاطر این که، توجه ویژه ای به توسعه استراتژی های جابجایی داده اختصاص داده شده است. لذا، افتراق گفتار / موسیقی (SMD) به عنوان یکی از اهداف مهم به شمار می رود. برای اهداف مختلفی می توان از یک SMD کارآمد بهره مند شد. از این ابزار می توان برای انتخاب براساس محتوا در مجموعه برنامه های پخش استفاده کرد. نمونه ای از این نوع کاربرد، انتخاب ایستگاه های رادیویی است که در واقع فقط موسیقی پخش می کنند. همچنین SMD قسمت اساسی تشخیص خودکار گفتار (ASR) و رونویسی موسیقی اتوماتیک (AMT)، که اغلب نیاز به تجزیه و تحلیل داده های صوتی بی ساخت یا نامعلوم دارند. در مورد ASR، بخش گفتار فقط باید در نظر گرفته شود، در حالی که در AMT باید نمونه های موسیقی مورد توجه قرار گیرند. لذا مهم است که سیگنال قبل از ورود به این سیستم ها به طور صحیح قطعه بندی شود. در نهایت نیز، توجه داشته باشید که دستگاه های مدرن کمک شنوایی اغلب شامل الگوریتم هایی هستند که عملکرد دستگاه را با توجه به نوع صدایی که به گوش می رسد تغییر می دهد. در این مورد، SMD خوب می تواند مؤثر باشد. بیشتر تکنیک های SMD پیشنهاد شده تاکنون، نتایج خوبی داشته اند، اما هنوز هم چند نکته خصوصاً راجع به توانمندی به شرایط نامعلوم یا آموزش ندیده، موضوعی برای پیشرفت و توسعه این سیستم ها می باشند. همه استراتژی های تبعیض بین گفتار و موسیقی در دو نکته مشترک هستند: استخراج ویژگی که حامل اطلاعات مربوط به سیگنال است و ترکیب یا نگاشت این ویژگی ها به یک برچسب، برای داده هایی که طبقه بندی می شوند. در زیر بحث مختصری از استراتژی خاص مورد استفاده در برخی از آثار اولیه مربوطه ارائه شده است. ساندرس یک دسته بندی کننده موزیک – گفتار برای پخش رادیویی با استفاده از ویژگی های ساده ای مانند نرخ عبور از صفر و انرژی زمان کوتاه ارائه داد. در مقاله ساندرس برای رسیدن به دقتی برابر 98% طول پنجره برابر 2/4 ثانیه در نظر گرفته شد. در همین زمان اسچیرر و همکارش ویژگی های بیشتری را برای دسته بندی صوتی در نظر گرفتند و آزمایشات خود را بر روی انواع مدل های طبقه بندی کننده مدل مخلوط گوسی (GMM)، شبکه های عصبی مصنوعی انتشار خطا به عقب (BP-ANN) و k نزدیک ترین همسایه (KNN) انجام دادند. با به کارگیری پنجره یکسان (2/4 ثانیه) برای آزمایشات، نرخ خطا برابر 1/4 درصد گزارش شده است. این در حالی است که در صورت به کارگیری پنجره کوچکتر و یا در نظر گرفتن نویز و صداهای محیطی نتایج رضایت بخش نمی باشد. در این مجموعه سعی شده است که به چند نمونه از کارهایی که در سال های اخیر انجام شده است، پرداخته شود. در این رویکردها از ویژگی های جدیدتری استفاده شده است و از طبقه بندی کننده های مختلفی نیز بهره جسته اند. در ابتدا در فصل اول، برای آشنایی با مفاهیم پایه پردازش گفتار، برخی از مفاهیم و اصطلاحات مورد نیاز بیان شده است. در فصول بعدی نیز رویکردها و نتایج شبیه سازی برخی از روش ها بیان شده است.
قیمت فقط12,000 تومان پرداخت و دانلود
مشخصات فروشنده
نام و نام خانوادگی : حسین طالب زاده
شماره تماس : 09120218371
ایمیل :info@fileforosh.ir
سایت :fileforosh.ir
مشخصات فایل
فرمت : pdf
تعداد صفحات : 110
قیمت : 12,000 تومان
حجم فایل : 6966 کیلوبایت
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایل