Přepis řeči - ZRE - přednáška 3.

0:00:07	se omlouvám za to byl mezku to sem tady hrál na začátku ale jestli se
0:00:10	s si někde vyzkoušeli psát tady na tomhle když teror kalibrovaného píše to o půl
0:00:15	centimetru vedle rush nemáte hroz tužky
0:00:17	tak vám to nepřejou protože
0:00:20	po přestávce teda no po přednášce vydobyla normálně jistá sebevražda případně odvoz
0:00:25	no černovic
0:00:26	tak _e
0:00:28	první věc administrativní
0:00:30	začnu vás hnedka zkraje otravovat s tou nejpříjemnější věcí a to je půlsemestrálka debugging chcete
0:00:38	a velkou hradilo knihu
0:00:41	kniha života
0:00:46	_e ně by se docela líbilo kdybychom tam dokázali dat _e toto vám budu vykládat
0:00:50	dneska
0:00:52	to znamená sem dobře slyšet no nebo ne jo dobře a když mluvím tadle normálně
0:00:58	když nervů tak ještě pořád dobře fajn
0:01:00	takže se kdybychom tam dokázali za to co bude dělat dnes příští týden
0:01:05	takže tak nejdříve přespříští týden anebo někdy potom
0:01:09	jestli už máte nějaké plány
0:01:11	linek předmětu
0:01:12	neříkejte
0:01:14	_e
0:01:16	teďka máme třetí tina semestru
0:01:19	příští týden ne přespříští je možné se pátý týden potom bych nerad protože služeb manner
0:01:25	nich prázdninách
0:01:26	_e troš potom třeba
0:01:30	_e pondělí jednadvacátého
0:01:35	to špatný
0:01:37	a my na
0:01:39	_e tak za dva týdny vode dneška
0:01:42	pondělí jo tím míň toho budete mít samozřejmě tak jo
0:01:46	dobrá takže se sedmého března
0:01:53	bude půlsemestrálka
0:02:02	a vzali bychom tam prostě tohoto stačím udělat do příští přednášky dokonce
0:02:08	abych doktorát udělal operace
0:02:11	a jestli do nedodělám tak tam nebude
0:02:14	tak sme hotoví z administrativou to je fajn
0:02:17	hřbitov předešlo takhle rychle
0:02:20	a poďme do práce
0:02:24	takže _e to máme dneska za úkol dneska bych chtěl do je vlastně takový ten
0:02:30	kondenzovaný
0:02:31	je se sklo
0:02:33	to znamená hlavně se podívat teďka zkraje na lineární filtraci a trošku C refresh know
0:02:39	a potom _e z se mrknout na nějaké základní parametry které dokážeme vykousat z řeči
0:02:45	to znamená tak do poloviny přednášky to ještě pořád bude úplně obecně o signálech
0:02:50	a od poloviny přednášky to začne být trošku _e specifičtější o řeči
0:02:56	jestli si pamatujete tak minule jsme dělali nějaký základ tady toho víc o tu ze
0:03:00	zpracování signálu takže sme tam povídali o frekvenční _e transformaci a vám jenom v rychlosti
0:03:06	ukážu to co sme viděli minule dělal jsem to tady dokonce matlabu
0:03:10	když prostě chci spočítat nějaké spektrum a pomocí D F téčka _e řeči tak si
0:03:15	dva v nejprve jak jedné řečový rámec nebo kus řeči musím vybrat takže většinou prostě
0:03:21	načtete nějaký signál
0:03:23	a ten příslušný rámec si nějak vyberete já tady používám nějakou svoji funkci ale není
0:03:29	nic jednoduššího nešíří prostě X bude _e esko vod vzorku deset tisíc
0:03:36	do vzorku deset tisíc _e sto padesát devět jo prostě
0:03:40	někdo matlabu si vyberete
0:03:42	_e to zajímavé na co chcete koukat
0:03:45	potom _e když de vo to základním frekvenční transformaci
0:03:48	tak je to děsně složité protože
0:03:51	prostě _e
0:03:54	zavoláte
0:03:56	skoro to ani nemůže najít na tom slajdu když potřebujete spočítat spektrum tak prostě zavoláte
0:04:00	F T
0:04:02	a máte ho
0:04:03	a i u vás tady občas budu nutit dat nějaké rozumné hodnoty na osu i
0:04:09	to znamená pokud tam nebudeme chtít čísla vzorků od je od jedničky do sto šedesátky
0:04:15	tak by bylo docela dobrý si _m vybudovat jakou frekvenční osu která vezme v úvahu
0:04:20	že já jsem teďka spočítal vzorky
0:04:22	_e s vod nulté frekvence až skoro do vzorkovací ale ne úplně docela protože jsem
0:04:28	se zastavil jeden vzoreček přední
0:04:31	a když si jenom představíte se tady tyhlety operace dělají tak tady toto
0:04:36	mi udělá _e sekvencí čísel který du vod nuly až skoro do jedničky
0:04:42	jo sou to nula čísla nula až sto padesát devět po normovaný stošedesátku
0:04:46	a když to potřebuju roztáhnou potom na frekvenční osu od nuly až do vzorkovací frekvence
0:04:51	tak to prostě vynásobím jo když potom dá teplot
0:04:54	tak se vám zobrazí takhle vodorovně krásná frekvenční osa
0:04:58	když opravujete spektra tak _e samozřejmě jsou ty ploty potřeba dva
0:05:04	v jednom se díváte na modulové spektrum
0:05:06	ve druhém _m argumentové spektrum a to argumentové teda jako tam většinou nic poslední koukáte
0:05:12	a na modulovém si můžete všimnout
0:05:15	že asi zbytečné se dívat
0:05:17	na tu horní polovinu spektra která je stejně stejná jako spodní akorát že zrcadlově obrácená
0:05:23	vo v _e kolem půlky vzorkovací frekvence jo takže asi dobrý tady tuhletu taky kývnout
0:05:29	a dívat jenom _e jenom na levou půlku tady toto
0:05:33	toto nás zajímá
0:05:35	no a teď že
0:05:37	když při chcete
0:05:38	_e
0:05:40	zobrazit jenom tady tohle část
0:05:43	tak _e si prostě dáte jenom poloviční sekvenci
0:05:48	sto spočítané ho spektra vyberete s toho jenom to začátek vzorku
0:05:52	_e samozřejmě pak potřete taky po modifikovat _e frekvenční osu která teďka už nemá co
0:05:57	šedesát bodu ale mike jenom osmdesát jo takže
0:06:01	spočítáte tak aby vám to vyšlo vod nuly
0:06:04	a skoro do poloviny vzorkovací frekvence zase šup můžete to můžete to vyplotli
0:06:11	a poslední věc která by se vám u toho nemuselo líbit je že celé to
0:06:14	spektrum i takové zubatce protože na celé frekvenční osy máte docela málo bodu na tech
0:06:19	tam jenom osumdesát
0:06:21	a už to nedává žádný pěkný obrázek
0:06:23	takže když tímhle chcete něco udělat a li ten obrázek hezčí neříkám že in formativnějšího
0:06:28	prostě hezčí
0:06:30	tak _e můžete ten vstupní tu vstupní řeč doplnit nulám a až do tolika bodů
0:06:37	kolik chcete mít počítáno a počítá se s tím jo to se potom N _e
0:06:41	zero vedení
0:06:43	neboli
0:06:44	_e neboli doplňování nulami
0:06:47	všimněte si že sem tady prostě vzal ten vektorek i
0:06:51	kde mám schovanej sto šedesát vzorku
0:06:54	matlabu sem ho prodloužil
0:06:56	tolika nulami aby mi to vyšlo celkem do tisíci dvaceti čtyř jo takže je tam
0:07:01	vektor kterýma
0:07:03	jeden řádek a tisíc dvacet čtyři mínus to šedesát nul
0:07:08	já jsem to prostě na táhnul
0:07:10	spočítal s toho S fourierovu transformaci pasivní vzal jenom půlku
0:07:16	potom se musel taky předělat frekvenční osu protože najednou vod nuly do vzorkovací frekvence nemám
0:07:21	sto šedesát budu ale mám mých tisíc zase čtyři
0:07:24	tak sem přepočítal a hups _e vyplatil jsem to obrázek je krásnější ale neříkám že
0:07:30	je v něm není mně vlastně ani vo bytí kvíz informace nečte dostali s tou
0:07:35	minulýho tady
0:07:36	tohoto prostě oba dva jsou počítány úplně ze stejných hodnot akorát že tento je hezčí
0:07:42	z
0:07:43	tak _e a tohle bylo to co jsme si povídali
0:07:48	základní frekvenční _e analýze signálu
0:07:52	teď prosím vás _e mise na řeč budeme
0:07:56	většinou koukat jako na náhodný signál
0:08:00	náhodný protože
0:08:02	se mi vlastně předem nemůžeme říct že hodnota
0:08:05	ne řeči
0:08:07	šesté minutě osmé vteřině a čtyřiadvacáté tisíce ně
0:08:11	style přednášky bude nějaká hodnota to je prostě blbost a nejde
0:08:15	takže _e u těch náhodných signálů můžeme určovat jenom nějaké základní charakteristiky a jedna C
0:08:22	základní charakteristiky tak zvaná spektrální hustota výkonu
0:08:26	teď když se podíváte do slajdů nebo do nějaké knihy o signálech
0:08:30	tak zjistíte že prostě spektrální hustota výkonu má jakési šílené odvození
0:08:36	kde na přebereme nějaké konečné okno signálu a pak ho takhle jako roztahujou až donekonečna
0:08:43	co je pro nás důležité
0:08:46	je to tady velice zjednodušíme
0:08:48	_e že spektrální hustota výkonu
0:08:52	se dá odhadnout jako vlastně diskrétní fourierova transformace kterou zavřeme do modulu do absolutní hodnoty
0:08:59	a dáme to na druhou pak je tam ještě nějaká konstanta
0:09:03	tady jedna lomeno N jako počet vzorků tu tam můžete nechat nebo není můžete zapomenout
0:09:08	této je celkem jedno stejně nám většinou půjde jenom o tvary těch spekter nebo dneš
0:09:13	a o porovnání třeba dvou různých než ho nějaké absolutní hodnoty
0:09:17	jo takže co byste si měli odnést je že prostě spektrální hustota výkonu
0:09:23	výkonnou sám o sobě jako by neměl být _e záporný měl by být jenom nulový
0:09:28	žádný není anebo měl být jenom kladný
0:09:31	takže vezmete prostě ste fourierovy transformace modul na té ho na druhou a máte to
0:09:37	tetě když budete tohle zkoušet počítat v matlabu
0:09:41	tak si na to dejte _e trošku pozor
0:09:45	protože
0:09:46	_e když byste to náhodou jako dělali
0:09:48	li mít rychle za sebou
0:09:50	a řekli si tak jako tady ta absolutní hodnota té stejně no to tam prostě
0:09:54	dávat nebudu vono to nějak jinde _e pokud napíšete tady tohle
0:09:59	kde X je ten vektor komplexních čísel který vylezou fourierovy transformace
0:10:05	tak se mnou po tážete jo prostě _e komplexní číslo na druhou
0:10:10	rozhodně není reálný a je to něco jinýho než to se to počítat
0:10:15	takže dobře to bude takhle napřed vopravdu vzít absolutní hodnotu
0:10:19	a potom dát každej puntík _e každej bots toho vektoru na druhou že tam ten
0:10:24	puntík tak to znamená že se pojede že se pojede prvek po prvku tom vektoru
0:10:29	jo to je taková puntíkovaná konvence v matlabu
0:10:32	pokud by tam nedáte tak _e
0:10:35	ani nevím co se stane když se teda vektor na druhou mám pocit že si
0:10:38	ho jednou před transponuje a pak vám sto udělat takou krásnou maticí radši nezkoušejte
0:10:45	nebo zkoušejte ale vězte co dělat takže tady tohleto je dobře ale to přesně podle
0:10:50	definice
0:10:52	a eště pro hloubavé
0:10:55	_e bych chtěl
0:10:58	my sme si uvědomili že existuje nějaký další
0:11:01	jak je takový převod když máte komplexní číslo když máte nějaké X
0:11:06	_e tak _e platí že
0:11:09	absolutní hodnota X na druhou se rovná X
0:11:12	krát
0:11:14	obecně sdružená o hodnota X
0:11:16	a v zimě nemocně kdovíproč
0:11:18	přitom dokázal co nakreslit
0:11:23	tak takle kdo na mě ukazuje takovou vidličku tak děkuju tak to je dobře tak
0:11:27	jenom si uvědomte že když je takhle _e že takhle komplexní rovina
0:11:32	tady je reálná osa
0:11:34	tady imaginární
0:11:36	je tam máte nějaké _e nějaké komplexní číslo T
0:11:41	tak podle definice podle tady té levé strany systém vlastně měli vzít jeho absolutní hodnotu
0:11:47	to je tady todle
0:11:48	a dá se na druhou jo to normálně směřice metrem bude stodevadesát centimetrů dáte devadesát
0:11:53	na druhou
0:11:55	_e když to chcete počítat tím druhým způsobem tak sis konstruujete
0:12:00	_e komplexní číslo X
0:12:03	komplexně sdružené
0:12:05	to jest _e to _e ten samý modul a má to opačný argument
0:12:11	no a teďka
0:12:13	ten kdo si pamatuje se násobí komplexní čísla
0:12:16	tak by měl vědět že při násobení se násobí moduly
0:12:21	a sečítají se argumenty
0:12:24	jo takže vidíte že násobení modulu dostanete to stejný protože se vynásobí tady těhletěch devadesát
0:12:29	centimetru
0:12:30	s těmahle devadesáti centimetrama jo
0:12:34	se devadesát suma
0:12:36	a moduly
0:12:39	který máme tak jdou proti sobě tendle plus a tenhle se line moduly ale argumenty
0:12:44	se nám navzájem odečtou takže vznikne reálný číslo který je velký jako _e modulu toho
0:12:51	komplexního čísla na druhou
0:12:53	jo takže pokud byste to chtěli počítat elegantněji tak můžete zkusit takhle
0:12:59	_e i X krát hvězdička konjugovaná neboli komplexně sdružená hodnota X
0:13:05	spočítá vám to
0:13:07	krásně taky jo tomletom taková
0:13:09	_e jako matematická vsuvka ale _e
0:13:13	dva komplexníma číslama byste se teďka ve čtvrťáku s mohli prvku kamarádí
0:13:19	tak _e poďme se podívat _e toto co to udělá
0:13:25	zásadě tam uvidíme něco velice podobnýho jako když jsme počítali module toho náhodnýho signálu
0:13:33	akorát mě řekněte jak to bude dynamikou
0:13:36	bude to mít jako většího menší dynamiku letech _e
0:13:39	ne Š to základní
0:13:41	fourierka
0:13:45	jak se nastavuje koukat kusem volit
0:13:52	_e s
0:13:53	jo je tam je ta mocnina na druhou a mocnina na druhou je
0:13:56	když si představíte k probíhá tak T expanzní
0:14:00	unk se to znamená dynamika těch výsledných hodnot bude větší a to tak je znamená
0:14:04	že se vám na to budem blbě koukat prostě maxima budou hodně velká nemám budu
0:14:09	hodně malá toto říkám
0:14:11	říkám lidově ale skutečně to tak jo takže když se podíváme na spektrální hustotu výkonu
0:14:18	tak _e nějakýho kousků řeči můžu dostat
0:14:22	něco podobného
0:14:24	a pak samozřejmě aby se mně na to dobře koukalo tak je dobrý to nějak
0:14:27	nelineárně zkomprimovat a taková asi nejběžnější a nejpoužívanější lineární komprese
0:14:34	že pomocí logaritmu
0:14:36	takže když _e
0:14:39	do toho zapojíme
0:14:40	logaritmus
0:14:42	může být klidně s libovolným základem
0:14:45	čímkoliv násoben A
0:14:47	tak se nám to s rovna
0:14:48	a najednou je to spektrální hustotu výkonu lid vidět
0:14:53	a pokud použijete logaritmus základem deset
0:14:57	a ještě o vynásobíte desítkou
0:15:00	tak _e se dokonce tu spektrální hustotu spočítali decibelech
0:15:07	a protože mám tam výkon
0:15:10	to znamená
0:15:12	logaritmická hodnota nebude přibylová hodnota je s toho desetkrát blok deset kdybych tam měl amplitudy
0:15:18	neptune jak
0:15:21	se pomatuje
0:15:25	když tam měl jenom odvolejte _e té fourierovy transformace kdybych tam neměl to _e
0:15:32	to mocnění na druhou
0:15:33	kolik by musel
0:15:35	_e data by vyšly decibely
0:15:39	dneska byste si měli pamatovat vám to napíšu úplně zhruba
0:15:43	prostě výkon
0:15:46	rovná se
0:15:49	amplituda na druhou
0:15:51	jo to znamená když dávám deset
0:15:55	logaritmus deset výkonu
0:15:59	tak jak dostanu stejný číslo s amplitudy
0:16:04	deset logaritmus deset
0:16:06	amplitudy na druhou
0:16:09	což je
0:16:10	tady ten a dvojka bude pude dopředu před logaritmus takže to dvacet
0:16:14	logaritmus základem deset amplitudy
0:16:18	jo to si to si zkuste nějaký zapsat za uši že když mám amplitudy tak
0:16:23	se to na decibely převádí pomocí dvacet log deset a když výkony tak deset logos
0:16:29	jde to potom stejný
0:16:31	koš _e
0:16:32	tohle bylo povídání ho
0:16:35	_e spektrální hustotě výkonu a teď se poďme podívat na _e na filtry
0:16:41	ty filtry tady budou lítat sem
0:16:43	docela značnou část tohodle kurzu
0:16:46	a navíc nejenom řeči ale jinde použijete to prostě v grafice audiu
0:16:52	dokonce _e když budete prostě sledovat nějaký objekty na obloze a střílet na ně a
0:16:57	sem dneska slyšelo krásným projektu studentským krypl i dali dohromady někde v německu
0:17:02	že studenti mají
0:17:05	dálkově řízenou jak esku vypustím normálně nějaký malý balon
0:17:09	no balonek
0:17:10	a mají napsat soft tak aby ten balónek tragickou sestřelili
0:17:15	ale na ta rakev K středu nějakou prostě výzev B levnou kamerku takže máte řekl
0:17:21	downlink kde se posílá obrázek a jako
0:17:24	no počítači můžete dělat cokoliv ale musíte sundat ten balónek
0:17:28	takže _e
0:17:31	takže _e tam taky byste využili k filtrování mimochodem jo protože
0:17:36	_e dělat to jenom podle současné polohy toho balonků nemůžete on se prostě hejbe _e
0:17:40	jako sou tu jeví trhu někam unáší takže tam se na sledování používají takový věci
0:17:45	jako kalmanův filtr
0:17:47	a najednou tam máte filtr
0:17:50	tak _e pod poďme na to i běžné filtry které používáme řečí indexů tak zvaný
0:17:55	L C E binární časově invariantní
0:17:59	binární znamená
0:18:02	že
0:18:03	_e zachovávají lineární kombinaci
0:18:06	teďka co to je ta lineární kombinace a tolik jako ukazuju na tom mixážní _m
0:18:12	pultu a na nějakým filtru který je píchlý zatím
0:18:15	do toho mixážního pultu máte přivedenou kytaru a buben na dva různých vstupy jo
0:18:22	když _e nastavíte
0:18:25	knoflík se kytary na jedničku
0:18:28	a pustíte to do filtru tak on vám odpoví on vám začne hrát nějakým zvuky
0:18:33	musí místo
0:18:34	víte tu kytaru stáhnete
0:18:36	musíte tam buben na jedničku
0:18:38	a _e ten filtr vám zase
0:18:42	hraje prostě nějak pro filtrovaný buben na svém výstupu
0:18:45	a teď tě vy si začneme s tím vycházím budem hrát prostě záznam nula celá
0:18:50	sedum kytary a jedna celá čtyři bubnu
0:18:54	smícháte toho s těmito poměry
0:18:56	ono to projde filtrem
0:18:58	a text že by se na konci měl ozvat ten zvuk
0:19:03	jako
0:19:05	který byste dostali byste vzali vyfiltrovány výstup jenom kytary
0:19:10	vynásobeného nula celá sedmičkou aby filtrovaný výstup bubnu aby násobného jedna celá šperků pokud dostanete
0:19:17	to sami tak je ten filtr lineární zachovává lineární kombinaci jo matematicky zapsáno
0:19:24	když prostě na nějakej vstup X jedna zareaguje Y jedničkou a nastoupit dva zareaguje Y
0:19:30	dvojkou tak musí fungovat
0:19:32	tady tohle že když nějakýma koeficientama smícháte X jedna X dva
0:19:38	tak musí vylézt přesně to sami _e jako kdybyste namíchali
0:19:44	se stejnými koeficienty původní Y jedna Y dva
0:19:49	druhý _e
0:19:51	druhá vlastnost
0:19:52	je že ty filtry by měl být časově invariantní to znamená že twitter když měl
0:19:57	nastavíte pustíte tak se bude chovat stejně teďka jako za rok
0:20:01	jo zase matematických do popisuje
0:20:03	jako že když ten filtr
0:20:05	nástup X N reaguje nějakým Y N M
0:20:09	takže když něho do něho pustíte zpožděný signál X N mínus N nula tak vod
0:20:13	mám vám musí odpovědět přesně zpožděným výstupem
0:20:17	to tady v řeči bude platit a nebude platit
0:20:19	tak bude to platit jako a krátkých intervalech
0:20:23	ale na delších _e to moc pravda nebude protože my budeme hodně často s koeficientama
0:20:29	toho filtru hýbat
0:20:31	jo vy si my si řeknem za chvilku že vlastně principem vůbec jako filtrování ho
0:20:36	zpracování řeči je to
0:20:38	že koeficienty toho filtru upravuju podle toho podle řeči která přichází nečas je to takže
0:20:44	každých dvacet milisekund musím nějak pošlu richard koeficienty filtru
0:20:49	tak aby reprezentoval prostě moji mojí řeč a najednou jako zjistíte že kdybys do posunuli
0:20:54	o dvacet milisekund
0:20:56	takový vám tady tahleta rovnice nebude fungovat jo takže zapamatujte si že zrovna tady v
0:21:01	řeči bude ta časová invariantnost takovým otazníkem
0:21:06	a za třetí
0:21:08	ten filtr by měl být kauzální to znamená nevidět _e do budoucna měl by být
0:21:13	vlastně entý vzorek jeho výstupu
0:21:17	by měl být funkcí pouze
0:21:20	jo výstupní vzorku
0:21:22	který už byly
0:21:23	takže
0:21:24	funkcí nějakých mohl který sou menší national
0:21:28	a
0:21:30	vstupní vzorku
0:21:32	který už byly
0:21:33	a nebo právě teďka sou
0:21:35	jo to znamená
0:21:37	když se díváme na _e na časovou osu
0:21:41	a počítám vzorek no na výstupu
0:21:45	tak on se může počítat _e s
0:21:50	předchozích vzorků výstupu
0:21:53	to sem nakreslil byl objev unix
0:21:57	tak tady je vstup
0:22:01	jo tady časová osa na a tady výstup
0:22:06	jak je časová osa no
0:22:08	a teďka já prostě počítám nějakej výstup tady a on může záviset na výstupní vzorcích
0:22:14	které jsou tady
0:22:16	a může záviset na vstupních vzorcích který jsou tady
0:22:20	ale neměl by se koukat
0:22:22	do budoucnosti jo sem
0:22:25	ne
0:22:27	když to platí taky kauzální
0:22:29	zase com filtry který tady uvidíme tak kauzální budou
0:22:33	teď že to je ta impulzní odezva
0:22:36	impulsní odezva _e znamená jak vám filtr zareaguje
0:22:41	na jednotkový impulz
0:22:43	když mu ho předložíte na vstup
0:22:45	takže já jsem asi je stezku dost dlouho strašil s tím jednotkovým impulzem
0:22:51	pro spojitej čas jo to byl ten nenáviděný D rakety toho jak je to neskutečně
0:22:55	úzký a neskutečně vysoký propíchne to strop posluchárny
0:22:59	odletí se do vesmíru jo tak tady prosím vás je to dobrý
0:23:03	tady jednotkový impulz
0:23:05	bude normální vy generovatelný představitelný signál číslicový který je všude nula
0:23:12	a jenom
0:23:13	pro čas N nula
0:23:15	je to jednička jo když takovýhle signál pustíte do filtru
0:23:20	tak vám filtru odpoví impulsní odezvu
0:23:23	samozřejmě pokud
0:23:25	ten filtr bude kauzální
0:23:27	tak by ta impulzní odezva měla být
0:23:30	někde jako nenulová pro vzorky N větší než nula
0:23:35	ale tady by měla být nulová
0:23:37	jo když kdyby tady nebyla nulová tak _e ten filtr bude
0:23:41	předvídat budoucnost a toto to je zrovna nechce
0:23:45	dat
0:23:46	celej impulsní odezva
0:23:49	text je jaké získáte výstup filtru jako reakci na libovolný vstup
0:24:01	je to
0:24:02	vlastně takže si představíme
0:24:05	že každý vzorek který přichází na vstup filtru tak si pustí svoji kopii impulsní odezvy
0:24:13	ale na výstupu se potom tady ty kopie budou sečítat a buď si to můžete
0:24:18	nakreslit nebo to dají aut matematicky odvodit ale co s toho vzejde
0:24:23	je _e tak zvaná konvoluční suma
0:24:27	kdy
0:24:28	že prostě říkáme že entý vzorek _e
0:24:31	výstupu
0:24:32	je dána konvolucí vstupu
0:24:35	S
0:24:36	impulsní odezvou
0:24:38	a teďka ta konvoluční _e suma se dá zapsat dvěma různým formám a
0:24:43	mně se nejvíc líbí asi
0:24:47	která se mně líbí
0:24:53	se asi nejvíc lidi tady tahle
0:24:55	kterou si můžete představit následovně my máme vlastně _e
0:25:00	stup toho filtru jo tady je
0:25:02	N
0:25:03	toto je X N
0:25:06	víte co já se to možná _e otevřete k tomu notepad u
0:25:13	smaže se krásnej tvory
0:25:17	tak _e
0:25:24	ta impulsní odezvy píšu že _e Y N
0:25:27	se rovná suma
0:25:30	_e
0:25:31	nějaké má
0:25:33	dcera jede vod mínus nekonečna do nekonečna
0:25:36	a teďka _e tam budu mít D no
0:25:41	krát X N
0:25:43	mínus no
0:25:45	todleto je vstupní signál
0:25:48	no
0:25:49	X N který má nějaký vzorky
0:25:52	a teďka tady máte impulsní odezvu
0:25:56	_e no
0:25:57	_e pro jednoduchost si to ukážeme na nějaký úplně jednoduchoučký impulsní odezvě teda má třeba
0:26:02	hodnoty tři dva jedna jo tři
0:26:05	dva jedna
0:26:08	samozřejmě pro vzorky nula jedna dva
0:26:11	a teďka když budete počítat _e výstupní signál
0:26:17	_e budete počítat Y N
0:26:22	a prostě pojedete po jednotlivých vzorcích
0:26:24	a budete chtít spočítat
0:26:26	hodnotu výstupního signálu třeba tady pro tady tohleto na
0:26:31	tak jak to udělat
0:26:34	podíváte se kloub úplně
0:26:37	obyčejně tady do téhleté _e v téhleté sumy
0:26:42	a řeknete si tak já mám vzít nějakou pomocnou proměnnou mohl
0:26:47	a mám C projet hodnoty vod mínus nekonečna do nekonečna a násobit _e vzorek z
0:26:52	normal
0:26:53	se vzorkem X N mínus no
0:26:56	tak kde to bude mít cenu udělat
0:26:58	asi nemá cenu pouze strkat a mínus nekonečno z nekonečno
0:27:03	když ty hodnoty helma
0:27:05	sou jenom při že jo nula
0:27:08	_e pro
0:27:09	jsou to hodnoty pouze pro vzorky nula jedna dva
0:27:12	tak dobrý den už víte že jako nebudeme konečná sem ale že budete mít jenom
0:27:15	tři hodnoty
0:27:17	teďka _e
0:27:19	já vím že mě to počítadlo bude indexovat tady ty vzorky nula jedna dva
0:27:27	ale
0:27:28	ze kterým a vzorkama se to bude násobit
0:27:31	bude se to násobit se vzorkama X
0:27:34	N mínus nula X N mínus jedna X N mínus dva
0:27:38	to znamená já se
0:27:39	podívám do toho signálu
0:27:43	do toho původního do vstupního
0:27:45	todleto je vzorek N
0:27:47	tohleto je vzorek N mínus jedna
0:27:50	tohleto je vzorek N mínus dva
0:27:52	a úplně jednoduchou čte
0:27:54	při udělám tady todleto násobení udělám tady todleto násobení asimilaci todleto násobení
0:28:01	je tři hodnoty sečtu
0:28:03	a tento součet smida hodnotu toho výstupního
0:28:07	jo není za vopravdu nic složitější
0:28:11	když budete chtít tak se tady ta konvoluce dá představit taky tak
0:28:15	že _e tu impulsní odezvu
0:28:18	vlastně jako kdyby otočíte
0:28:23	a
0:28:25	sesadit A u
0:28:26	com áčkem
0:28:28	jejím původním nultým vzorkem
0:28:31	se vzorkem N vstupního signálu
0:28:36	a teďka máte ty vzorky který potřebujete násobit
0:28:39	přímo na sebou jestli si pamatujete k se málo sme druháků mučil trhat papírky takto
0:28:44	úplně to samý jo to znamená tohleto je konvoluce
0:28:48	a když budete potřebovat další vzorek
0:28:50	no tak prostě impulsní odezvu _e posloupnost se
0:28:55	o kousek dál
0:28:57	vynásobíte
0:28:58	sečtete další vzorek zase ozvou signál
0:29:02	a tak dále a tak dál
0:29:04	některý číslicový filtry právě toho typu fire s konečnou impulzní odezvou opravdu úplně přesně takhle
0:29:10	fungují vždycky se postavíte někam ve vstupním signálu máte buď buffer vzorků to vstupního signálu
0:29:17	nebo máte nějakou paměť kamsi ty minulý hodnoty na strkáte
0:29:21	počítáte prostě všechno pro násobíte sečtete o tom
0:29:25	tak _e tohle bylo
0:29:27	_e opáčko impulsní odezvy
0:29:31	a ještě _e taková poznámka
0:29:35	když počítáme
0:29:37	fourierovu transformaci ste impulsní odezvy
0:29:41	tak dostáváme komplexní kmitočtovou charakteristiku
0:29:46	filtru
0:29:48	tak teď teďka v a zkusím trošku podusit
0:29:51	_e
0:29:53	její fourierův obraz
0:29:55	impulsní odezvy
0:29:57	kterej
0:29:58	u těch fourierových transformací máme asi pět
0:30:01	no to je se někdo která z nich to byla
0:30:05	tak za fourierova řada ne fourierova transformace potom
0:30:11	fourierova transformace s diskrétním časem
0:30:14	diskrétní fourierova transformace eště diskrétní fourierova řada ty dvě posledním flickr o to sami
0:30:22	na to někdo takhle z hlavy
0:30:25	tak co byla ta do to se toto byla to je ta nejmíň oblíbená
0:30:30	to je ta někdy uprostřed semestru síly dochází a ještě se nemusíte na zkoušku
0:30:34	tak _e
0:30:36	tady jako by se mělo
0:30:38	za dotaz a T
0:30:40	fourierova transformace s diskrétním časem
0:30:43	ale vás tady s tím teďka nebudu obtěžovat jenom si prosím vás nějak zapamatujte
0:30:48	že prostě když se udělá spektrum
0:30:51	s impulsní odezvy
0:30:53	tak V D frekvenční charakteristika fin
0:30:56	a teď si tam máme takovou tu pěknou dualitou
0:30:59	těch dvou operací protože když F čase konvoluce
0:31:04	tak je tady násobení spectral konvoluce v jedné oblasti známe na násobení _e ve druhé
0:31:12	oblasti
0:31:16	tak _e jak je to s tou jak je to s tou _e kmitočtovou charakteristiku
0:31:20	za chvilu řeknem ale poďme si napřed ukázat takové schéma
0:31:24	obecného filtru
0:31:26	eště něco popovídat _e o Z T transformaci
0:31:31	_e
0:31:32	tohle je
0:31:34	obecný filtr typu IIR list nekonečný nekonečnou různí odezvou
0:31:40	a když se podíváte na to na ty jednotlivé bloky které obsahuje tak zjistíte že
0:31:46	sou jenom tři
0:31:47	tady vlastně blok který značíme Z mínus jedna zpoždění vo jeden vzorek
0:31:52	násobení nějakým koeficientem
0:31:54	a pak je tady sčítání no
0:31:56	toto je celý
0:31:57	že tři základní operace _e nic jiného
0:32:01	tetě když _e bychom chtěli vědět jestli je tady ten filtr kauzální
0:32:07	tak _e nebo není
0:32:09	to sto schématu poznáme
0:32:12	kauzální filtr by se měl koukat na současný vstup a na vstupy které sou zpožděné
0:32:18	a na výstupy své vlastní které sou zpožděné
0:32:22	jo tak to bych řek že tady je
0:32:24	T C vpohodě pokud byste udělali vekou nějakou kličku jako třeba že by se tady
0:32:29	vzali výstup a chtěli ho zavést do té sčítačky v tom eštěs čítal
0:32:33	tak
0:32:34	to už by bylo špatně jo to prostě vyrábíte kladivo a s tím kladivem chcete
0:32:38	vyrobit
0:32:39	kladivo dopravy vyrábíte
0:32:41	to nende
0:32:43	tak _e
0:32:44	teď prosím vás jak takové chování filtru popsat
0:32:50	my si napíšem takzvanou diferenční rovnici
0:32:55	koš není nic jinýho než že vlastně chytnu tady to schéma a budu opravdu jako
0:33:01	blbeček přepisovat co se tam děje
0:33:04	to znamená že
0:33:06	výstupní vzorek Y N
0:33:10	bude
0:33:12	a teďka se podívat podíváte jak se skládá
0:33:15	vstupní vzorek X N krát koeficient B nula se ve
0:33:19	kolik tam není vidět nějak
0:33:22	jo která koeficient B nula
0:33:25	o jedno zpožděný vzorek
0:33:27	krát koeficient B jedna a todle a to D a šlo Q zpožděný vzorek
0:33:32	_e krát T B Q
0:33:34	tady tohle je vstupní část filtru takže pod nepěkně napsat
0:33:38	B nula
0:33:39	krát
0:33:41	_e
0:33:43	plus
0:33:43	B jedna
0:33:45	X N mínus jedna
0:33:47	plus měněna a šlus B Q
0:33:51	X N mínus Q
0:33:53	jo sme hotoví se vstupní části sem
0:33:56	ale teďka ten filtr máš nějakou výstupní čas tak mi koukám že tady je v
0:34:00	o jedna zpožděným výstupní vzorek
0:34:03	krát koeficient mínus Á jedna tom proč je tam mínus možná za chodu dostanem
0:34:09	že mínus a jedna krát Y N mínus jedna
0:34:13	pak sou tam ty další a že tam
0:34:16	mínus _e té
0:34:19	_e Y
0:34:20	N
0:34:21	mínus T
0:34:24	a tohle tak zvaná diferenční rovnice
0:34:26	která když se vám nechce aby se vám upsala ruka
0:34:30	tak _e dokážete napsat
0:34:33	pomocí takovéhle pomoci takovýdle dvou svom
0:34:36	ta první suma zachycuje chování té vstupní části
0:34:40	druhá suma zachycuje chování výstupních
0:34:44	teď když se na tuto sumu podíváte tak vopravdu zjistíte že po přesně podle této
0:34:48	sumy ten filtr de úplně krásně naimplementovat ease teďka možná přepnu
0:34:54	_e
0:34:55	řeknu semka
0:34:58	a ukážeme si to no to je hezký tak
0:35:02	kladné
0:35:03	ukážeme si kousek kódu
0:35:06	_e
0:35:09	by něco jinýho word
0:35:12	tak _e
0:35:16	podle kterého ten
0:35:20	ten filtr dokážete klidně
0:35:22	naimplementovat
0:35:24	tohleto je děsně složitá funkce která ten filtr _e která ten filtr řeší
0:35:30	má jeden vstup a to je ten současný vstupní vzorek má jeden výstup Y a
0:35:35	to je současným výstupní vzorek
0:35:38	takže _e všechno pamatování předchozích vzorků řešíme vevnitř tady téhleté funkce
0:35:45	a _e
0:35:47	to mám nedefinovaná nějaká pole
0:35:50	bene který si bude pamatovat sto sukní čas
0:35:55	_e pak sou tam
0:35:58	koeficienty B
0:36:00	to je vstupní části
0:36:02	tak tam mám pole a mém
0:36:04	který si bude pamatovat výstupní část
0:36:07	a posuvem koeficienty a se výstupní části
0:36:13	a _e
0:36:15	S tom poli bémem
0:36:18	je současnej vstupní vzorek a jsou tam minulý s vzorky výstupu
0:36:23	jo vstupu pardon
0:36:24	a s poli _e mém
0:36:26	sou jenom minulý vzorky výstupu
0:36:30	současný tam ještě není protože není hotovej ten právě počítal jo takže když se jenom
0:36:35	zhruba podíváme jak to
0:36:38	_e jak to bude fungovat
0:36:40	tak _e my vlastně
0:36:43	jdeme vtom poli bémem op konce
0:36:47	vždycky vezmeme si tady tenhleten vzoreček vynásobíme s příslušným koeficientem vrazíme tam
0:36:54	vrazíme to prostě do sčítačky na nějaké sumy
0:36:58	a potom
0:36:59	přesuneme tady tenhleten vzorek o kus dál
0:37:02	o tom totéž uděláme s tímhletím vzorečkem
0:37:07	vrazíme
0:37:08	přičteme do sumy
0:37:10	přesuneme a tak dále a tak dál jak se dostaneme do začátku
0:37:14	jo a to stavím to samý potom neděláme ve výstupní části
0:37:19	kdy zase důvod konce abych mohl zpožďovat abych si ne přepsal prostě vzorky _e nějakým
0:37:26	jiným a
0:37:27	tak _e
0:37:29	začínám od konce výstupní části tady vo céčka
0:37:34	vynásobím
0:37:35	dám do sčítačky abych to pozor se záporným znamínkem jo protože tady je
0:37:41	mínus je se záporným znaménkem
0:37:44	po šoupnu
0:37:46	zase vynásobím
0:37:48	se záporným znaménkem přidám do sčítačky
0:37:52	po šoupnu a tak dále a tak dále a pozor musíte zastavit tady
0:37:58	tady je stop
0:38:00	protože _e
0:38:02	se vzorkem ve chlívku
0:38:05	_e nula nesmíte počítat ten eště není hotovej na tom právě na tom právě dělat
0:38:11	jo proto prosím vás tady ten _e cyklus výstupní části
0:38:15	de _e nejenom do jedničky
0:38:18	no a _e když to máte hotový voba dva ty cykly to znamená vstupní části
0:38:23	hotova výstupní části hotova
0:38:27	tak _e
0:38:29	ten výstupní vzorek musíte
0:38:31	musíte uložit sem
0:38:34	a potom ten výstup pošlete na výstup funkce zase sem trváním hotový a může nastat
0:38:40	volání pro další vzorek
0:38:42	tak vám jenom teďka položím dotěrný dotaz
0:38:44	tak jsem ten výstupní vzorek uložím sem a nésem
0:38:50	jo když o indexujeme si ty pole tady todleto je nula jedna dvě
0:38:54	tři
0:38:54	čtyři pět
0:38:56	šest a tak dál
0:38:59	pro sem ho strčil tady
0:39:01	do tohoto chlívečku sem
0:39:03	a nedonutil
0:39:08	přesně
0:39:09	my sme si všimli že vlastně když to filtrování probíhalo grafy zpožďovaly ty vzorky a
0:39:14	sem si vlastně chystal na další volání toho filtru
0:39:17	_e to samé musím udělat tím současným výstupem musí být nachystanejch na příští zavolání filtru
0:39:23	takže už to není současnej vzorek vlastně ale pro příští volání ušet o vo jedna
0:39:27	koženej proto jsem ho dal namísto toho černýho puntíku
0:39:31	jo takže _e vidíte že
0:39:34	tato funkce úplně přesně
0:39:37	implementuje
0:39:39	tohle naše _e blokový schéma dva filtry násobení sčítání je teda dva cykly
0:39:47	násobení sčítání posouvání mezi křivka paměti nic složitější
0:39:53	to Š
0:39:54	co dál podle typu T vstupní a výstupní části jestli tam je nebo není
0:40:00	dělíme na tři R
0:40:02	nerekurzívní
0:40:04	IIR čistě rekurzivně když tam sou
0:40:07	_e když bytama
0:40:12	když bych tam tady tu vstupní část vůbec neměl
0:40:16	a šelmy vzorek X N
0:40:19	přímo do sčítačky
0:40:20	tak je to tak zvanej čistě rekurzivní filtr
0:40:24	tyhle tady dost často uvidíme jo protože takle se vlastně bude modelovat řečový ústrojí
0:40:29	a když tam nám ty části vobě
0:40:31	tak je to filtr obecně rekurzivní
0:40:35	obsahuje prostě koeficienty a i B
0:40:39	tak _e
0:40:41	jsme teda viděli že ta diferenční rovnice je bezvadná na to bysme si ten filtr
0:40:45	naimplementovali
0:40:46	že to de prakticky opsat do céčka nebo do jakéhokoliv jiného jazyka
0:40:51	ale se diferenční rovnice dost těžko poznáte jestli ten filtr bude stabilní to znamená jestli
0:40:58	se vám na nějaký rozumný vstup nebude rozkmitá what
0:41:02	a taky _e nepoznáte k vůbec u bude chovat jak se budu jak se vůbec
0:41:07	bude chovat kde bude přednášet
0:41:09	nebude zadržovat
0:41:11	takže na tohle máme úžasnou pomůcku která semene Z transformace
0:41:18	lze transformace
0:41:19	vlastně podle definice
0:41:22	je
0:41:23	definována takže mám nějakou sumu která bije život
0:41:27	mínus nekonečna do nekonečna
0:41:30	a v té sumě se vždycky násobí patřičný vzorek toho diskrétního signálu
0:41:35	se nějakou hodnotou komplexní proměnné která je umocněna na mínus enko
0:41:41	ale tady tohle vás ani tak nemusí brát jako ta i _e definice ze transformace
0:41:47	co je důležité tak zapamatovat si jenom a jenom tři základní věci
0:41:53	a to ty že _e
0:41:55	u ze transformace
0:41:57	signál
0:41:59	který je bez jakýchkoliv změn
0:42:01	není tam žádné zpoždění žádná konstanta
0:42:04	tak prostě přepíšu na jeho ze transformaci
0:42:08	když u toho signálu sedí nějaká konstanta
0:42:15	tak
0:42:16	se ptá sama konstanta
0:42:19	_e promítne do té transformace protože transformace lineární
0:42:26	a konečně když ten signál bude zpožděný když to bude nějaké
0:42:30	měl
0:42:31	jako zpoždění
0:42:33	tak bude _e transformace tatáž ale bude u nich tá hodnota Z mínus _e na
0:42:40	mínus měl jsou
0:42:42	já to je všecko to potřebujete vědět
0:42:45	_e mimochodem tohle taky vysvětluje proč jsme do těch zpožďovacích bločku psali Z na mínus
0:42:50	jedna
0:42:51	protože pokud tady máte zpoždění pouze vo jeden jediný vzorek a proto uvidíte _e devadesáti
0:42:57	devíti procentech všech filtru
0:43:00	tak _e
0:43:02	ta hodnota směr bude jedna to znamená budete ze transformaci zpožďovat krát Z na mínus
0:43:08	prvou
0:43:09	tak a teďka k čemu nám to ze transformace bude dobrá
0:43:13	bude nám dobrá k tomu
0:43:15	že mi takhle jako o Z transformujeme tu V
0:43:19	tu diferenční rovnici
0:43:22	začátku vám ještě nebude jasný
0:43:25	čemu to bude dobrý ale pak nám to snad vysvětlí takže to pojďme na to
0:43:30	já vlastně teďka vezmu to diferenční rovnici
0:43:32	kterou sem si na osm napsal přesně podle schémátka
0:43:37	a zkusím i o Z transformovat takže všecko tady todle
0:43:41	uzavřem
0:43:42	a udělám toho ze transformaci
0:43:45	a bude teďka jednoduchý takže by to
0:43:48	zvládlo a je školaček ve druhé třídě kterým řekneme dáme mu základní přepisovací pravidla jo
0:43:54	takže
0:43:55	pravidlo platí že kdo uvidíš signál
0:43:58	a u toho nic není takto
0:44:00	přepiš
0:44:01	na velký písmenko
0:44:03	změně hranatou závorku na kole to worry tam ze
0:44:06	proto jo
0:44:08	když uvidíš konstantu takže v opiš takže B nula
0:44:12	X Z
0:44:14	a když někde uvidíš požehnej signál
0:44:17	tak tam napíše Z na mínus
0:44:19	_e to zpoždění
0:44:21	takže plus B jedna
0:44:23	X
0:44:24	_e
0:44:25	krát Z na mínus prvou plus rochlov pro až B Q
0:44:31	X
0:44:32	_e
0:44:33	krát Z na mínus Q to jo tím sme hotoví se vstupní části
0:44:38	můžeme s procestovat výstupní
0:44:41	takže mínus A jedna
0:44:44	Y Z
0:44:45	krát Z na mínus jedna mínus něco jasně cache
0:44:50	mínus chápe
0:44:52	Y Z
0:44:54	_e na mínus to
0:44:56	jo hotovo se Z transformoval sem _e
0:45:01	diferenční rovnic
0:45:03	tetě mě půjde o jednu věc _e tohoto že a vždycky vlastně tady kterou ste
0:45:09	doméně Z
0:45:10	hledám takzvanou přenosovou funkci filtru nějakou funkci hrozil
0:45:14	která by vlastně udávala jak je výstup závisely
0:45:19	na vstupu tady
0:45:21	tohle vás bude zajímat tady až budete kdekoliv jo ve zpracování řeči nebo ve finančnictví
0:45:25	to jedno chcete prostě vědět kolik peněz vám vygeneruje nějaká továrna nebo nějakej produkci řízením
0:45:32	není nalejete nějakej vstup jo takže
0:45:35	tenleten přenosová vždycky bude zajímat
0:45:37	poďme si to zkusit úpravy tak abych to dostal opravdu ve formátu Y Z lomeno
0:45:44	X Z se rovná něco
0:45:46	jo takže poďme upravovat
0:45:51	_e asi musíme začít takže ty _e členy s X Z a Y Z hodíme
0:45:56	dycky na jednu stranu
0:45:58	takže Y Z
0:46:01	plus
0:46:03	a jedna
0:46:04	Y Z
0:46:06	Z na mínus prvou plus
0:46:09	_e P
0:46:11	Y Z rovná topenář
0:46:15	_e Z na mínus T tou teďka si všimněte že proto sem tam zaváděla si
0:46:19	to znamínko mínus
0:46:20	protože já vlastně tady při této úpravě musím udělat trochu šachy mezi dvěma stranama rovnice
0:46:25	a z mínusu se mi stranou přes přesunu druhou stranu sluch
0:46:29	a todle se rovná
0:46:31	_e
0:46:32	B nula
0:46:34	X
0:46:35	Z
0:46:36	plus B jedna
0:46:38	X
0:46:39	Z
0:46:39	Z na mínus prvou plus pro chroch no a šlus
0:46:43	B Q
0:46:45	X Z
0:46:47	Z na mínus Q tou jo
0:46:50	nás sem skoro hotovej protože
0:46:54	já si tady vlastně můžu vypnout
0:46:56	Y Z
0:46:58	a zbytek přidat do závorky tam bude
0:47:01	a já vám to napíšu já jsem si to chtěli země to ne že se
0:47:04	mi to nechce opisovat ale chce
0:47:07	takže Y Z a tady bude jedna plus A jedna Z na mínus prvou
0:47:13	cache plus a P
0:47:15	Z na mínus T tou
0:47:17	rovná se X Z
0:47:20	_e
0:47:21	B nula
0:47:23	plus B jedna z na mínus prvou aspoň jo
0:47:27	až B Q
0:47:28	seznámí rozkvetou
0:47:31	jo
0:47:31	a teďka vidíte že už máme skoro všechno nachystaný jedinou věc co potřebuju uděláte tady
0:47:37	chytnout X Z
0:47:38	a převést o semka do jmenovatele
0:47:42	a skytnout tady tuhletu _e závorku a převést to na pravé straně ve jmenovatele a
0:47:49	sem jsem hotovej mám vyděláno
0:47:51	takže _e jde
0:47:54	Y Z
0:47:56	lomeno X Z
0:47:58	a toto sme prosím vás hledali jo to je to je prostě hledaný výsledek
0:48:03	tomu dáváme
0:48:04	tu magickou značku házet říkáme tomu přenosová funkce
0:48:09	a teďka mě vyjde takovej podíl B nula plus B jedna Z na mínus prvou
0:48:14	plus
0:48:15	_e B Q
0:48:17	jedna mínus Q tou
0:48:24	mít tak
0:48:30	tady možná nemusel C
0:48:32	pomáhat
0:48:34	tak jedna plus E A jedna Z na mínus prvou plus
0:48:39	_e té Z na mínus T tou
0:48:41	jo tady tohleto je výsledek
0:48:43	toto je prosím vás to přenosová funkce
0:48:46	která _e která
0:48:50	závisí jenom na koeficientech toho filtru a na nějaké se
0:48:54	komplexní proměnné
0:48:56	_e proměnné ze
0:48:59	tak dokázali byste si tu
0:49:01	funkci H Z
0:49:03	představit tak to tak asi vypadal
0:49:06	Z je komplexní proměna jo takže
0:49:09	prostě tajíte tento lavice
0:49:12	to je komplexní proměnná todleto má reálnou osu
0:49:17	a se to nakreslím
0:49:19	je na
0:49:20	name ovlivňuje člověk beztrestně čmárat skloníme
0:49:24	reálná osa
0:49:26	tady imaginární osa vy mě teďka řekněte jak vypadá funkce V
0:49:31	jak by se to představili
0:49:38	_e top to první část evity
0:49:41	exponenciála ne
0:49:42	kde kdyby se tam vzala
0:49:44	ona je to je to je prostě funkce to je nějaká plocha
0:49:48	představte si prostě že se teďka to lavice jako zdroje zvedne začnete různě kroutit
0:49:55	a je definovaná úplně všude na sou komplexní rovinou
0:49:58	a to je funkce házet jo prostě
0:50:01	nějaká taková kupodivu no plocha která se nám tady zase vám tady mile to normálně
0:50:06	všude pro všechny název
0:50:08	to definovány
0:50:09	_e ještě drobný problém za funkce komplexní
0:50:13	jo takže můžete si představit že se tady melou jako ty funkce vlastně dvě
0:50:18	potřeba reálná
0:50:20	imaginární
0:50:21	a nebo modulová a argumentová
0:50:25	a tak dále takže prostě něco
0:50:28	co je definováno všude na komplexní rovinu
0:50:32	to něco nás nebudeš tak zajímat
0:50:34	_e a šla nějaký důležitý vody kterým se dostaneme teďka
0:50:40	jo jenom prostě když tady na vás někdo blafne funkce _e ve
0:50:44	jako co to je tak byste měli mít aspoň zkusit si udělat nějakou představu
0:50:49	jak to vypadá nevím že totiž
0:50:52	tak _e
0:50:54	frekvenční charakteristika
0:50:57	já se totiž ty data tady k tomu tohohle bodu
0:51:00	že ta frekvenční charakteristika je vlastně ta naše přenosová funkce
0:51:05	do které na místo
0:51:07	Z nám mínus _e na namísto proměnné Z
0:51:13	dosadím E na J dvě pí F
0:51:16	to F je to F je normovaná
0:51:20	normovaná frekvence
0:51:22	tak a teďka mě řekněte jako
0:51:25	pořád sme
0:51:27	tak se komplexní rovině jo teta konce ta rovina proměnné D nad tím že to
0:51:31	chtěl nějak bublava funkce
0:51:34	a řekněte mně to tady tahle náhrada znamenal _e ze všeho nejdřív mě řekněte
0:51:40	kde _m se může pohybovat při výpočtu té frekvenční charakteristiky ta proměnná Z
0:51:49	_e jedna mínus jedna jo ale ještě taky trochu jinde
0:51:53	jo jedna mínus jedna je tady a tady dva body
0:51:56	aby chtěl ještě nějaký další
0:51:59	kružnice jak a
0:52:01	super jednotková kružnice takhle jo když máme funkci N I je něco
0:52:06	tak to jednotková kružnice
0:52:09	ráda mimochodem prochází jedničkou a mínus jedničkou takže
0:52:12	toto měl dobře akorát X to zapomněl ještě na nekonečno dalších budu
0:52:16	ale jinak dobrý tak a teďka mě řekněte ještě pořád vás budu průchodu si T
0:52:23	sečtete celou kružnici o běhnou
0:52:25	tak _e jakým to odpovídá frekvencí
0:52:30	_e
0:52:33	značky splněn možná moc daleko nebo jinde než a
0:52:37	já jsem se chtěl zeptat když chcete o běhnou celou jednotkovou kružnici
0:52:41	jednotkovou kružnici tak co musíte udělat s frekvencí F
0:52:46	odkud dokud si musíte měnit
0:52:52	o pozor dvě do
0:52:54	dvě pí ne protože si už tam máte jo takže tu evko měníte vod nula
0:52:58	do jedna
0:53:00	jo od nula do jedna skutečně mám to vobjedeš celou kružnici a teďka mě řekněte
0:53:05	čemu tady to vod nula dojedná odpovídá opravdický frekvencích třeba máte telefon vzorkovací frekvence osum
0:53:11	tisíc hertzů
0:53:15	přesně tak jo to znamená zvykněte si na to že v těch _e diskrétních signálech
0:53:20	počítáme s normovaným a frekvence má který jsou skutečně vod nula dojedná takže objedete
0:53:25	celý kolo
0:53:28	a v reálných
0:53:30	musíte od normovat vzorkovací frekvencí v obyčejně prostě vynásobit tak jedete u vod nuly do
0:53:35	vzorkovací frekvence
0:53:36	tak a teďka to když si to kolečko dáte ještě jednou když třeba to zkusíte
0:53:40	od vzorkovací frekvence roswell klasika takle
0:53:44	tak to bude to samý přesně tak jo protože pořád jezdíte potom samým kole
0:53:50	dobře takže jsme si vysvětlili _e co to znamená ta náhrada Z se rovná N
0:53:54	a je dvě pí F
0:53:56	a teďka _e co když teda si vyhodnotím tu funkci
0:54:02	H Z
0:54:04	kdy tady toto záměnu udělám jo to znamená najednou to bude a
0:54:09	_e na je dvě pí F
0:54:12	co to znamená
0:54:17	to znamená to že já si vlastně se
0:54:20	komplexní funkce nadrovinou Z
0:54:23	vyberu jenom nějaký hodnoty
0:54:25	a ty hodnoty budou ležet přesně na ty jednotkovou kružnicí
0:54:29	jo já sem vám to vykládal vesele si je desku takže vemete prostě pilku
0:54:33	a takhle potom odříznete s jednotkovou kružnici a pak se na to takhle to kouknete
0:54:38	zboku
0:54:39	a na tom řezu
0:54:41	přesně uvidíte hodnoty _e frekvenční charakteristiky
0:54:46	jo a teď toušek o taky víte
0:54:49	my do vás jako s kolegama tlačíme že když se o to teda jako diskrétní
0:54:53	signály takže to bude periodický Z _e
0:54:58	vzorkovací frekvencí taktika už víte proč L protože když to jedno v objedete vidíte tam
0:55:03	nějaký hodnoty proto objedete podruhý tak sou tam pořád ty samý hodnoty a takhle to
0:55:07	můžete jako podkuřovat
0:55:09	stále dále a dále
0:55:12	jo takže tady
0:55:14	toto je vlastně _e
0:55:16	nějaký návod
0:55:18	jak _e
0:55:19	přijít _e
0:55:21	frekvenční charakteristice
0:55:23	_e samozřejmě to můžete si to vyzkoušet klidně spočítat jihlavy no to docela dokonce jde
0:55:30	to nějak jednoduchý filtr
0:55:32	když to budete chtít _e počítat _e reálně tak asi si na toto můžete nějakou
0:55:36	funkci
0:55:37	třeba v matlabu req Z
0:55:40	je fajn protože jí vlastně zadáte vektor koeficientů vstupní části filtru ty béčka
0:55:46	jako druhý parametr vektor koeficientů jmenovatele áčka
0:55:51	pak ještě tuším dáte počet bodů a vona vám to vyplivne
0:55:54	a dokonce když C nedáte výstupní argumentech vám tady zobrazí
0:55:59	hrozně hodná
0:56:01	tak _e
0:56:03	jenom ilustrace se na všecko řekl
0:56:06	a teď jenom poslední věc _e tady ty dvě přenosové nebo dvě části té přenosové
0:56:12	funkce
0:56:14	do u taky _e upravit
0:56:17	na vobyčejný scheme polynomy tak jak je známe
0:56:21	kde i možná ze střední školy
0:56:24	jo takže když je tady vlastně
0:56:26	nejvyšší mocnina nebo není C Z na mínus Q
0:56:30	a tady nejnižší Z na mínus T
0:56:33	tak že a to můžu tím Z na mínus kvéčka vynásobit tady Z na mínus
0:56:37	téčkem taky
0:56:38	a pak tam dostanu normální polynom Z na Q krát plus něco Z na Q
0:56:43	mínus jedna a tak dále
0:56:45	až konstanta
0:56:48	a v tom druhým případě dostanu znáte a tak dále a tak dále až konstanta
0:56:53	a tady tyhle polynomy si můžu klidně _e upravit
0:56:58	tak takzvaně faktorizovat
0:57:00	že _e se dají rozložit
0:57:04	do
0:57:05	podoby Z mínus
0:57:08	jeden kořen krát Z mínus další kořen krát Z mínus další kořen když to pro
0:57:14	násobíte celý dohromady tak vám teda tenhleten polynom
0:57:19	jo
0:57:20	a _e tetě
0:57:23	samozřejmě ty kořeny
0:57:26	polynomu
0:57:28	si můžete zobrazit můžete s se na ně numericky podívat
0:57:32	_e ten filtr bude stabilní pokud kořeny
0:57:36	jmenovatele
0:57:38	budou uvnitř jednotkové kružnice
0:57:41	bude nestabilní pokud budou
0:57:44	někde jinde
0:57:45	tak a teďka ještě _e tím kořenům jmenovatele tím N kam se říká nulové body
0:57:51	a kořenům netrap _e pardon kořen čitatele se říká nulové body
0:57:55	kořenům jmenovatele semene _e se říká póly a bych chtěl vidět proč
0:58:00	a zase
0:58:02	představte tu funkci házet jo která si to tady valí na s tou komplexní rovinou
0:58:08	a teď že
0:58:11	někde tady komplexní rovině
0:58:14	je nulovej bot třeba N jedna
0:58:16	a mě by zajímalo jaká hodnota
0:58:20	funkce _e vět
0:58:21	je přesně na s tím budeme N jedna
0:58:26	proč nula
0:58:30	dobrý tak vám je to jasný třeba někomu ne tak vysvětlete
0:58:39	jasně či čitateli prostě máte někde _e člen
0:58:43	Z mínus N jedna a to zetko je zrovna N jedna protože jmen na ní
0:58:47	jo takže
0:58:48	dostanete nulu
0:58:49	a ta jedna nula stáhne celou hodnotu celýho výraznou roli takže všech
0:58:55	tady této hodnotě dostanete nulovou _e hodnotu funkce a ze
0:59:00	dobrý teďka sem třeba budou
0:59:03	hodnotě P jedna co že paul
0:59:07	co se stane tady
0:59:10	_e pozornost nebude definovaný bude ale
0:59:14	ale po je to do nekonečného protože se ve jmenovateli najednou dostáváme hodnotu nula takže
0:59:20	v tomletom pólu ta funkce házet prostě vystřelí
0:59:23	no nekonečně a teďka je důležitý opravdu pro stabilitu abychom ty póly měli _e měli
0:59:29	uzavřeny
0:59:30	jednotkové kružnici
0:59:32	takže když bude ten pól tady tak to je dobrý a když bude někde mimo
0:59:36	tak jsou je špatný
0:59:38	to znamená špatný mimochodem co dělá nestabilní filtr
0:59:44	když do něho přivedete jakýkoliv rozumný strobe řeč prostě audio cokoliv tak
0:59:50	no _m rozkmit a samozřejmě teoreticky do nekonečna prakticky
0:59:54	do hodnot a čtu to de
0:59:56	takže většinou do nějakého jako maxima a minima dynamického
1:00:00	rozsahu převodníků a pak je to hrozně příjemný na poslouchání a
1:00:05	hlavně příjemný pro neprovedl
1:00:09	tak
1:00:10	_e dobře tady je nějaký příkládek filtru
1:00:14	_e v matlabu existují nějaké návrhové funkce
1:00:18	tady tím nebudem projíždět jenom jsem se snažil _e navrhnout filtr který by simuloval telefonní
1:00:23	pásmo
1:00:26	myslím že to je to dokonce F obsaženo F prvních počítačových cvičení takže jenom ukážu
1:00:31	jak vypadá jak vypadá výsledek
1:00:33	takhle prostě
1:00:35	jsme se docela trefili protože tady bylo někde tři sta herců
1:00:39	a
1:00:40	a tady tušíme tři tisíce čtyry sta
1:00:45	a _e
1:00:49	_e tady je ukázka
1:00:51	vstupního signálu což budu tady tenhleten janáček
1:00:55	o
1:01:00	jo a po průchodu
1:01:02	filtrem
1:01:04	dostáváme něco jako
1:01:10	když je to nahrajete na mobil
1:01:14	tak
1:01:17	a teďka nevím jestli ten filtr který sem vám tady ukazoval ten úsečku jestli zrovna
1:01:22	_e zrovna _e realizovat tady tohle pásmo
1:01:26	ne ten to bylo něco jinýho ale klidně prostě si můžete v matlabu spočítat koeficienty
1:01:31	více tady ten jako deček
1:01:33	nahradit si to těmi hodnotami který
1:01:36	spočítáte a vyzkoušet to bude vám to fungovat
1:01:40	tak
1:01:43	fajn jo tady jsou ukázány jeho nuly póly
1:01:48	_e dobrý vo céčku sme povídali
1:01:51	a to je
1:01:53	to je k filtrování všecko
1:01:56	tak _e poslední věc když budeme mít náhodný signál
1:02:02	a ten náhodný signál budu pouštět do nějakého filtru
1:02:05	tak jenom bysme měli vědět jak ten filtr bude hrát na jeho spektrální hustotě výkonu
1:02:10	tak tam jenom takový jako základní poznatek
1:02:14	_e
1:02:16	výstupem by zase mělo být nějaké reálné číslo protože to je výkon to znamená neplatíme
1:02:21	tam žádný _e žádny fáze nebo argumenty
1:02:26	a
1:02:27	úplně stačí když vlastně vezmete modul frekvenční charakteristiky toho filtru dáte ho na druhou a
1:02:33	tady tímto pro násobíte spektrální hustotu výkonu toho vstupu
1:02:37	a máte _e máte výsledek jo takže snažte se i když to třeba jako zapomenete
1:02:43	_e
1:02:44	násobit
1:02:46	související nebo relevantní věci takže když toto určite spektrální hustotu výkonu
1:02:52	taky ste frekvenční charakteristiky byste měli udělat něco
1:02:57	co se bude tvářit jako výkon bude to na druhou prostě vezmete absolutní hodnotu dáte
1:03:01	na druhou vynásobíte o to _e které je ukázat čkat
1:03:07	tady to byl nějaký signál který sem používal C esku tečení vody
1:03:12	_e
1:03:13	který má tady tuhletu spektrální hustotu výkonu jo to znamená vidíte tam
1:03:18	jaký hlavní P ve frekvenci a po celkem nic
1:03:21	_e prohání meta filtrem jedna mínus nula celá devět Z na mínus prvou vo kterým
1:03:26	bude za chvilku řeč
1:03:28	to je
1:03:30	filtr jakýho typu mimochodem do to dá z hlavy
1:03:34	horní polopropustnou do
1:03:36	nebo žádná
1:03:42	zase si uvědomit
1:03:43	to takovej filtr bude dělat
1:03:45	když to bude jedna mínus nula celá devět
1:03:48	Z na mínus prvou
1:03:50	tak ten filtr sežene vstupní signál
1:03:54	_e
1:03:57	_e vezme si jeho vo jeden vzorek
1:04:02	zpožděnou variantu to vynásobí
1:04:06	nula celá devět této vezme se znaménkem mínus
1:04:10	a tohleto je výstup
1:04:13	jste měřit _e
1:04:16	co to je v reálu
1:04:18	ve si to představit co dělá takovýdle filtr
1:04:22	aby se vám to představoval eště lístek a toto je tady to nula celá devět
1:04:25	škrtnul
1:04:27	není tam žádná konstanta tam brát
1:04:31	co to dělá teďka
1:04:34	to je až následek já bych chtěl vědět co dělá byste mě zkusili vlastními slovy
1:04:38	říct
1:04:40	S když ten vzorek počítá vzorek Y N jak ho spočítat
1:04:48	mimochodem on posily šum jo
1:04:51	to je ten zrovna
1:04:56	tak zkuste se zamyslet prostě Y N rovná se
1:05:00	X N
1:05:01	mínus X N mínus jedna
1:05:04	co to znamená
1:05:10	to máte pravdu ale a S se nedostal odpověď zněla to jednoduché prostě bere současný
1:05:16	vzorek odečte od něho minulý vzorek
1:05:19	jo
1:05:20	to je celý
1:05:21	když tam vrazíte konstantu nula celá devět
1:05:25	tak to budeme současný vzorek a odečte od něho skoro celý minulý vzorek
1:05:30	jo takže teďka vám to mohlo napovědět a teď se dostáváme k těm výsledkům
1:05:35	_e kterým s těmi tady ukali
1:05:37	když do něho pustím stejnosměrný signál taky jaký bude výstup
1:05:42	nula nebo malý že jo když tam nechám to konstantu nula celá devět
1:05:46	když tam pustím něco co se rychle mění jak říkal ten šum jako když bude
1:05:49	něco na vysokých frekvencí bude to skoro furt měnit
1:05:54	tak to
1:05:55	tak se to ještě mocninné ze zesílí jo protože _e představte si že máte vlastně
1:06:01	úplně nejvyspělejší signál který bude valit _e každý vzorek se bude měnit kladné hodnoty zápornou
1:06:09	tak vy budete mít kladná
1:06:11	mínus záporná
1:06:13	_e to je velká kladná další vzorek bude záporná mínus kladná
1:06:17	je velká záporná takže tady tyhle změny budou ještě posíleny
1:06:21	takže s toho si můžete
1:06:24	vy vydedukovat
1:06:25	že se asi bude jednat vodou horní propust
1:06:29	když to dole bude potlačovat a nahoře to bude _e zesilovat jo
1:06:34	tak _e opravdu jo
1:06:37	pokud funkcí fractals added spočítáme kmitočtovou charakteristiku
1:06:42	a její druhou mocninu tak uvidíme něco takovýho
1:06:45	a potom jenom když ten signál pro žen M
1:06:48	spočítáme _e výslednou
1:06:52	rektální hustotu výkonu tak ten původní peak někde na té spodní frekvenci tam ještě pořád
1:06:57	vidíme
1:06:58	ale to je ten skutečně narostlo
1:07:01	a když srovnáte ty dva si signály
1:07:04	tady tenhle
1:07:06	s tím
1:07:07	dalším
1:07:09	tak uvidíte že vám tam prostě
1:07:12	co se
1:07:15	pardon co se rychle měnilo tak zesílil
1:07:18	co se pomalu měnilo to znamená tady takový ty dlouhý vlny
1:07:21	tak potlačil
1:07:23	jo takže výsledek je
1:07:25	nějaký hodně horno sekvenční signál
1:07:29	to K
1:07:31	vše k filtrování
1:07:34	_e půl minuty oddechneš je tam nám dal další přednášku
1:07:38	apod pojedeme dál
1:08:04	tak jo
1:08:05	promiňte skončilo
1:08:08	takže poďme fikané to povědít o tom
1:08:10	ještě vůbec nejsou řeší začneme něco dělat
1:08:14	co se většinou
1:08:16	je na začátku aby to celé fungovalo
1:08:20	_e řeknu vám něco vo přepracování základních parametrech
1:08:25	potom _e něco o tom jako když se namodelovat řeč
1:08:30	dříky a různými generátor ty tak jak to děláme
1:08:33	něco o spektrogramu i když doufám že se spektrogramem ste si vyhráli slabinách anebo si
1:08:38	možná někteří vyhrajete tady tenhle týden
1:08:41	vopravdu doporučuju o tom _e v labině číslo jedna
1:08:45	je úkol měníte parametry spektrogramu tak abyste pořádně viděli násobky základního tónu tak abyste dostali
1:08:53	_e co nejlepší časového rozlišení tak se s tím opravdu zkuste
1:08:57	trošku zakroutí s parametrama
1:09:00	a _e potom jestli zbyde čas tak ještě se povíme o cepstru
1:09:05	kepstrum je taková pěkná slovní hříčka
1:09:07	spektrum kepstrum
1:09:10	frekvence kvefrence
1:09:12	_e jsou to vlastně nejpopulárnější parametry který se používají k rozpoznávání
1:09:19	a jsou takové dvě základní varianty kepstra jedna je vlastně založená jenom na bych poučka
1:09:26	ze zpracování signálu není tam vlastně nikde žádné řeč
1:09:30	a ste druhé variantě už budeme
1:09:33	_e úvahu to jak člověk slyší to znamená že naše slyšení je nelineární a tyhlety
1:09:38	_e
1:09:39	poznatky jsou nějak zabudovány
1:09:42	do
1:09:43	tak zvané homel frekvenčního kepstra ostrým uslyšíme
1:09:47	tak poďme _e poďme do toho
1:09:50	parametrizace řeči
1:09:51	má člověk terče vytesat nějaké parametry
1:09:54	tak je vlastně úkoly jasné řečový signál _e vyjádřit omezeným množstvím hodnot nějakých parametrů
1:10:01	a teď prosím vás občas v literatuře uvidíte takové dělení
1:10:06	jako že je _e nějaký popis _e neparametrický a nějaký je parametrický
1:10:12	a že teda ten neparametrický bude založený jenom na zpracování signálu jako banky filtrů fourierova
1:10:17	transformace a tak dále a že ten parametrický bude založený na nějakých po znacích o
1:10:22	tvorbě řeči to znamená tady máme hlasivky a pak nějaké hlasové ústrojí
1:10:27	ale _e doporučil bych vám a co to je na to vykašlete protože ono to
1:10:32	stejně neskutečně mixu je
1:10:35	ten
1:10:35	parametrický popis stejně používá spoustu technik toho neparametrického a na konci tomu stejně čemu říkáme
1:10:42	parametry
1:10:43	takže
1:10:45	jenom prostě abych jako zvýšil zmatek
1:10:47	tak to je ten slajd _e jako kdyby se nikdy nebyl
1:10:51	jo kdybyste přesto někdy
1:10:53	přešli a
1:10:54	někdo vazu sinus neparametrický má parametrickým popisem
1:10:59	_e tak mi řekněte že z obvod
1:11:02	tak _e to co teda vlastně
1:11:05	_e to sou parametry a jak jsou nějak uspořádaného strukturovány parametry jsou nějaký čísla který
1:11:11	popisují řeč
1:11:13	většinou jak uslyšíme tu řeč budou popisovat na nějaký krátkých časových úsecích
1:11:18	a můžou být _e důvod
1:11:20	dvojího kardan dvojího druhu
1:11:23	buď skalární
1:11:24	to znamená že na každém
1:11:27	časovém úseku řeči
1:11:29	spočítám jedno číslo
1:11:31	a _e když je takhle potom vynesu čas
1:11:35	tak prostě ten skalární parametr má
1:11:38	pro každý rámec nějakou hodnotu
1:11:40	pro každý úsek jo takže to vlastně jako normálně normální funkce a nebo sou vektorové
1:11:46	ty vektorové tak jako dost často uvidíme
1:11:49	a pak to reprezentuje korkovou dlouhou matici
1:11:53	vy vlastně vodorovným směrem de část
1:11:56	a svislým směrem D index _e
1:12:00	index v jednom
1:12:01	vektoru parametrů
1:12:03	je
1:12:04	docela slušný
1:12:06	pak ty parametry _e
1:12:08	nějak odlišovat takže když třeba budete číst články
1:12:11	tak ty skalární parametry _m se budou snažit vobyčejnýho písmenka _m a
1:12:17	ten čas chcete otázka občas tam uvidíte téčko
1:12:21	ale to téčko třeba bývá v desítkách milisekund
1:12:24	a když jsou vektorové tak
1:12:26	tak
1:12:27	když se měli značit takhle jako že to je vektor ale pokud šel té článek
1:12:31	vo nějakejch francouzů tak enzymy to stejně úplně jedno nic tlustý písmenka neuznávají
1:12:36	takže tam se člověk si _e
1:12:39	rozpoznání co je skalár a co je vektor musí spolehnout na vlastní úsudek intuici
1:12:46	a otřeseni tomu nepomůže
1:12:50	_e T Č předtím než ještě nějaký parametry začnete počítat
1:12:55	tak je dobrý tu řeč nějak trochu _e trochu při upravit
1:12:59	první úprava _e se týká stejnosměrné složky
1:13:03	řeči
1:13:06	tady jasný že když jako řeč posloucháte tak _e že to žádnou stejnosměrnou složku nemá
1:13:11	nebo by nemělo mít
1:13:13	pokud zrovna nesedíte v letadle a nemáte rýmu a vaše
1:13:20	vaše uchovat jako netlačí na jednu nebo na druhou stranu
1:13:23	jsou takový jako ne nepříjemný stavy ale zase když mi slyšíme
1:13:28	tak žádná stejnosměrná složka neexistuje
1:13:30	pokud _e
1:13:32	řeč navzorkujete a máte prostě ní nějak
1:13:35	špatnou
1:13:37	zvukovou kartu nebude tam proražený nějaké oddělovací kondenzátor nebo něco tak se vám může stát
1:13:43	že prostě dostanete řečový signál tady takovoudle
1:13:46	nenulovou stejnosměrnou složkou
1:13:49	jo tak
1:13:50	prostě mělo by to jít vokolo nuly a nejde
1:13:54	a první věc kterou byste měli takovým případě udělat je spolku sice T stejnosměrné složky
1:13:59	zbavit
1:14:00	jak to udělat
1:14:03	odhadnout i
1:14:05	a odečíst
1:14:07	jo takže výslednej signál
1:14:09	by měl být ten vstupní mínus střední hodnota
1:14:14	a pak bych to měli dostat nulovou stejnosměrnou složkou akorát že to střední hodnotu musíme
1:14:19	odhadnout
1:14:21	tetě
1:14:22	odhad
1:14:23	stejnosměrné složky je vpohodě
1:14:26	pokud mám k dispozici offline celej signál třeba mám nějakou půlhodinovou masku
1:14:32	tak _e si můžu úplně vklidu spočítat střední hodnotu ze všech vzorku potom i prostě
1:14:37	odečíst hotovo šmitec
1:14:39	jo jak spočítat stejnosměrnou složku nebo střední hodnotu
1:14:44	proč bych vás možná bych to jako urážel
1:14:47	prvním ročníku magistra že jo
1:14:49	jako průměr prosím
1:14:50	sečtete všechny vzorky
1:14:52	podělíte počtem vzorků a máte střední hodnotu
1:14:55	jo takže tady je to v pohodě
1:14:58	_e když počítáme online
1:15:00	tak už je to trochu me vpohodě protože nemůžete čekat až skončí řeč
1:15:05	něco spočítat a pak se vracet jo musíte
1:15:08	musíte počítat právě teď když vám ty vzorky přicházejí
1:15:12	takže v tomhle případě se používá tak zvanej _e tak zvanej
1:15:19	online téma bit on ne
1:15:24	on
1:15:25	má jen
1:15:26	_e online _e odhad střední hodnoty
1:15:31	který je _e docela fikaný zajímavý a měří po těch letech jako to technika hrozně
1:15:36	líbí
1:15:38	_e máme vlastně
1:15:40	současný odhad střední hodnoty
1:15:44	a ten je počítány z minulýho odhadu střední hodnoty
1:15:49	tedy je vynásobí ne nějakou hodně _e konstantou která se blíží jedničce
1:15:54	třeba nula celá devět
1:15:57	a k tomuhle odhadu je _e konstantou jedna mínus nula celá devět takže nějakou hodně
1:16:04	malou váhou
1:16:05	přidaný současný vzorek
1:16:10	tak _e
1:16:12	teďka by mě zajímalo jestli byste dokázali
1:16:16	takovýhle
1:16:17	schéma
1:16:18	popsat jako číslicový filtr
1:16:23	jo
1:16:26	měl by na tohle ten současný vzorek S M
1:16:32	a měl bys toho bílé závad současný odhad střední hodnoty
1:16:37	S M
1:16:39	za to dokáže
1:16:43	to co je tady na málo nákres napsaný vlastně není nic jinýho než diferenční rovnice
1:16:48	která normálně popisuje chování filtru
1:16:51	takže když se na něho podívám
1:16:53	tak zjistím že tady tu krabičku bych mohl úplně klidně
1:16:58	nahradit
1:16:59	sčítačkou
1:17:02	ten vstupní signál do ní valí
1:17:04	přes koeficient
1:17:06	jedna mínus gama
1:17:08	jo
1:17:09	a pak tam mám výstupní signál který jeho vzorek zpožděn
1:17:15	a do té sčítačky valí s koeficientem
1:17:19	dám
1:17:23	jo takže to normálně typicky
1:17:25	příklad _e Í R
1:17:27	filtru
1:17:30	můžeme si dokonce _e vyhodnotit jeho impulsní odezvu
1:17:35	jo když prostě do takovýhodle filtru
1:17:37	pustíme jednotkový impulz
1:17:42	že si stáhnout
1:17:43	_e svou
1:17:45	z toho písíčka protože
1:17:49	raz dva tři pořád ještě slyšet
1:17:51	no a tady se ozývat takový podivný cvičení
1:17:55	že znaky nebo to slyším jenom jo eprom _e
1:18:01	ne nevím
1:18:03	nevím já sem totiž šekovou bohužel jako mladý a hloupý chlapec experimentoval s pro co
1:18:07	acetonem a
1:18:09	_e ten _e klonech nulou prvně píská sluchu
1:18:12	vchodu
1:18:13	jaký dvacet let
1:18:15	_e tak já nevím jestli jako to s vyšším jenom já nevím uslyší všichni
1:18:20	ale většinou tome pískání vyšší _e
1:18:23	jak prosím vás na pracovat konce dávejte pozor to potvorám udělám kterou ručičky
1:18:29	zná téma čase karafiát o naší skupiny
1:18:32	experta na rozpoznávání řeči s velkým slovníkem tak primality své zkušenosti s procesorem tomu nepískal
1:18:37	sucho letem a spoustu takový zarputile
1:18:40	že podívat se na martě se dopustila to docela zážitek
1:18:44	_e tak sem tak jako pěkně sešli a
1:18:47	popovídali jako kdo to kdy a kolik navařila
1:18:50	proč to dělat nebudem a silně den
1:18:53	tak nic pětek je zpracování řeči prosím _e
1:18:57	tohleto je _e impulsní odezva když do toho pusť spustíte tenhle signál
1:19:03	tak jako první koeficient vyleze na vstup jedna mínus doma
1:19:07	a potom když to tak netočíme pořád dokola
1:19:09	tak _e vylízá jedna mínus doma krát doma jedna mínus gama krát do má druhou
1:19:14	jedna mínus do makra doma na třetí a tak dále
1:19:17	jednou sem dal takový ty kladné zkoušku a tam jak je to nenapsal asi dvacet
1:19:21	takový sledoval podepsat to bych se upsal
1:19:24	jak sem napsal já se mu plný počet bodů protože to je dobře a učinil
1:19:28	sem poznámku že by třeba hodila nějaká suma nebo
1:19:32	tak _e
1:19:33	tak _e
1:19:36	a _e tech je prosím vás když se podíváme na tuhle impulsní odezvu
1:19:40	tak zjistíme že to je vlastně geometrická posloupnost počáteční člen to má Á nula se
1:19:45	rovná jedna mínus doma tady todle čísílko
1:19:48	a kvocient je gama
1:19:51	a když zahrabete paměti a zjistíte co se možná ne gymplu nebo někdy prváku
1:19:57	učili o geometrických posloupnostech
1:20:00	tak my sme si mohli tak cvičně zkusit její součet
1:20:03	součet geometrické posloupnosti Á nula lomeno jedna mínus Q a kupodivu nám to vyjde jako
1:20:09	jednička
1:20:11	což je docela potěšující protože když člověk počítat střední hodnotu nějakých _e nějakých vzorků
1:20:19	a tam sou nějaké prostě _e nějaké násobitele nějaké kvocient i tak by docela chtěla
1:20:25	a bity násobitele dohromady sumě dávali jedničku že jo
1:20:28	jo když počítáme normální střední hodnotu offline
1:20:34	dyž pudeme tady sem
1:20:36	tak _e ty násobitele sou jedna lomeno N
1:20:40	jedna lomeno N jedna lomeno N a tak dále až jedna lomeno N
1:20:44	a dohromady mám N takže mi ta suma
1:20:47	kvocientu dá dohromady jedničku
1:20:50	u těch _e
1:20:52	_e
1:20:53	u těch násobitelů prostřední hodnotu
1:20:56	online
1:20:59	mám jedna mínus gama
1:21:00	jedna mínus do makra gama jedna mínus do makra doma na druhou a tak dál
1:21:04	až donekonečna tak si tak jako nejsem jistý jestli je to v pohodě
1:21:08	ale tato suma
1:21:10	nás přesvědčuje že je to vpohodě protože opravdu dostáváme jedničku jo
1:21:15	a když se podíváme Z jak tady ten výpočet _e funguje
1:21:19	tak zjistíme
1:21:21	pro tenhleten vstupní _e signál který má střední hodnotu někde na
1:21:26	napětí tisících
1:21:29	že to tomu odhadů chvilku trvá
1:21:32	než se tam dostane
1:21:35	ale potom se tam usadí a samozřejmě si nějak osciluje
1:21:39	ty oscilace by se zvolena zase vazeb tam potom
1:21:43	a když potom to střední hodnotu odečtu tak tady mám nějaký takový sjezd kde
1:21:49	ten signál lepší nepoužívat ale potom zjistíte že dáte signálu docela pěkně sedí okolo střední
1:21:56	hodnoty nula
1:21:58	tak a teďka by mě zajímalo a sem tam dá hodnotu má se rovná nula
1:22:01	celá devadesát devět
1:22:03	co kdybych _e řekl že tady ty zákmity jsou trochu moc velké
1:22:09	takže bych nechtěl potlačit že by chtěl vyhlazení nižší střední hodnotu
1:22:13	co byste ně poradili
1:22:19	vy větší gamu eště víc připlatit jedničce že jo takže nula celá devět třeba
1:22:25	dobrý může být ale
1:22:26	co by byl jako nepříznivý
1:22:29	efekt vždycky něco za něco v životě
1:22:32	no takže mu to mnohem déle trval než by se tam dostal _e to znamená
1:22:36	ta časová konstanta
1:22:38	když by to naběhlo do skutečné střední hodnoty
1:22:40	tak by prostě trvala
1:22:43	takhle
1:22:46	tak _e
1:22:49	dobře D to byla střední hodnota říká podmínce preemfázi
1:22:53	preemfáze taková historická operace ale ještě si občas uvidíte
1:22:58	a souvisí s tím že když _e máme tvorbu řeči
1:23:02	tak vlastně hodnota
1:23:05	extra nebo to co jsme schopni vyrobit na
1:23:08	_e na _e různých frekvencích tak takhle lineárně klesá směrem k vyšším frekvencím
1:23:16	takže ta preemfáze vlastně jako kdyby vyrovnává kmitočtové spektrum
1:23:22	a snaží se
1:23:24	ty vyšší frekvence posílit
1:23:26	a todleto dělám právě jednoduchým filtrem prvního řádu jedna mínus _e nějaká konstanta krát Z
1:23:33	na mínus prvou
1:23:35	a ta konstanta je něco mezi nula celá devět cache až jedna
1:23:39	jo a už sme si tady vykládali v tom příkládku před tím že se to
1:23:44	skutečně chová jako horní propusti
1:23:47	a když se podíváme modulovou frekvenční charakteristiku pro
1:23:50	_m konstanta se rovná nula celá devadesát pět
1:23:54	tak _e
1:23:57	tak je to horní propust
1:23:59	filtrování s tím a tím filtrem obyčejné
1:24:04	zase zkusíme si cvičně nám namalovat blokové schémátko
1:24:08	leze do toho
1:24:09	sto
1:24:11	ten vstup de přímo do sčítačky
1:24:14	s toho de výstup
1:24:17	_e
1:24:20	uložení
1:24:22	a
1:24:23	tady budu mít hodnotu
1:24:25	mínus nula celá devadesát pět o to
1:24:31	takže preemfázi z nevyřídili poměrně rychle jo tady ještě naznačeno jak to
1:24:37	_e jak to bude fungovat
1:24:41	tohle kousek _e slyším éčka létajícího procesem ui oblíbený signál
1:24:47	_e tady je
1:24:48	totéž vy preemfázovaný _e takže pořád tam ještě vidíte nějaké základní charakteristiky strofu ale prostě
1:24:55	cokoliv byla změna tak je si tvrdě _e zesílen
1:25:02	tak _e tetě dělení na rámce nebo na segmenty
1:25:06	a před proč
1:25:08	je to protože
1:25:10	celý tady ten kurz bude vlastně vo tom že sto řečového signálu se budu snažit
1:25:14	počítat nějaké parametry něco odhadovat
1:25:17	teti abyste odhadovali
1:25:20	tak _e potřebujete aby
1:25:23	zase podle pouček _e i se sedadly statistiky
1:25:27	aby ten signál je kterého odhadujete se choval pokud možno pořád stejně a B stacionární
1:25:34	řeč je všechno možný ale jenom nestacionární signál
1:25:37	jo kdy vyřeš byla stacionární tak to bude vypadat takhle _e nebo
1:25:43	a to po jako půjde navěky já zase z dobré to přestane bavit
1:25:47	takže to že řeči ste schopni přenést nějakou informaci pramení právě to že řeč stacionární
1:25:52	není
1:25:53	no a jak to teda jako s montovat dohromady když teda com abyste cionální vona
1:25:57	není
1:25:58	tak _e to řešíme tak řekům takovou jako trapnou syn tou a to že to
1:26:04	řeč _e rozsekáme na nějaké úseky
1:26:07	že budem říkat rámce angl tam anglicky frames
1:26:12	jsou s kytkám
1:26:13	německy nevím zeptejte našich němců na ve skupině
1:26:18	a s každý ten rámec budeme vlastně považovat za samostatný signál
1:26:23	počítáme si z něho nějaké parametry
1:26:26	pak se o kousek posuneme a tam zase budeme počítat jiné parametry a takhle pořád
1:26:32	dokola
1:26:33	jo teďka _e
1:26:36	jaké zvolit C parametry těch rámců to jako je téměř neřešitelná filozofická otázka
1:26:42	protože ta délka by měla být dostatečně malá proto aby se na ní ten řečový
1:26:47	signál moc neměnil
1:26:50	ale taky by měla být dostatečně velká protože ze dvou vzorků nic neodhadnete jo statistiky
1:26:55	víte že když máte málo dat
1:26:57	tak _e výsledný odhad stojí za prd takže
1:27:01	nějaký kompromis
1:27:03	kompromisem je typicky dvacet až pět a dvacet milisekund
1:27:07	co Š na
1:27:09	telefonní vzorkovací frekvenci odpovídá nějakým sto šedesáti až dvěma stům vzorku
1:27:16	tech _e ty rámce se taky můžou překrývat že jo nebo se nemusí překrývat
1:27:22	když to překrytí dáte
1:27:25	_e datem ale znamená _e vo pár vzorku nebo vůbec budou takhle prostě navazovat jeden
1:27:31	na druhý
1:27:32	tak _e to bude fajn protože se v tom signálu budete posouvat rychle je to
1:27:37	znamená dnes potřebujete moc výpočetního výkonu
1:27:41	_e akorát že hodnoty
1:27:44	které spočítáte
1:27:46	pro ten rámec a pro ten další
1:27:48	se vám můžou pekelně měnit _e představte si že máte nějakou pilový v u
1:27:53	třeba taková hláska P
1:27:55	to je perfektní protože máte ste řeči před to téměř úplné ticho
1:28:00	a pak najednou během E s na dvou tři milisekund a máte strašný strach
1:28:05	protože vlastně nastane výbuch exploze tu pusu votevře se vektor tak takto buchne
1:28:11	jo takže pokud _e chcete vám stojíte vo nějaké jako pěkné průběhy _e parametrů chcete
1:28:18	třeba zobrazit tak asi budete muset dát _e větší
1:28:22	větší posuv
1:28:24	když to překrytí zase dáte velké
1:28:27	tak _e dostanete pomalý posuv
1:28:31	takže to bude náročnější na procesor na paměť na všecko
1:28:35	průběhy parametrů nebo
1:28:37	vyhlazené
1:28:39	a navíc jako _e dostanete velmi podobné parametry
1:28:43	_e sousedních rámcích
1:28:45	a ty velmi podobné parametry taky nejsou moc dobré protože _e některé vlastně techniky rozpoznávání
1:28:52	jako třeba markovovy modely ze kterým a vás tady budu si později
1:28:56	tak ty _e dokonce jako předpokládají že ty vstupní vektory na sobě navzájem nezávisí
1:29:02	jo to je rozejít předpokladu který samozřejmě není nikdy splněn a když byste dali ty
1:29:07	rámce jako hodně překryté
1:29:10	tak
1:29:11	to není pravda už vůbec
1:29:13	prostě ty sousední hodnoty na sobě budou těžce závisí
1:29:16	takže zase se dostáváte tady do tohoto problém
1:29:19	takže zase nějaký kompromis
1:29:22	_e typicky
1:29:24	bude překrytí
1:29:26	podle délky rámce
1:29:28	buď deset nebo patnáct milisekund
1:29:31	jo to znamená že když budu mít
1:29:34	dvaceti milisekundového rámce
1:29:36	budu překrývat vo deset
1:29:40	tak to wine nějak takhle když budu mít pětadvaceti mi sekundové rámce budou překrývat o
1:29:46	o patnáct
1:29:48	tak to vyjde
1:29:50	nějak tak _e výsledkem je výsledek je vždycky stejný
1:29:53	a to ten že dostanu vlastně sto rámců za vteřinu
1:29:57	toto je asi nejtypičtější hodnota
1:30:01	_e říká se tomu sem ty sekundové vektory protože jich prostě bude sto za vteřinu
1:30:07	todleto je rozpoznávání
1:30:12	kódování je to spíš tak
1:30:14	že ty rámce leží jeden vedle druhého
1:30:18	mají délku dvacet milisekund
1:30:20	to znamená pak tady kladen se
1:30:22	bude padesát
1:30:24	padesát za sekundu
1:30:30	vlož _e tohle byly
1:30:33	řečové rámce
1:30:36	a teď dělám takový počet jako kolik rámců se vám vejde do nějakého úseku
1:30:42	tak _e když mám N vzorků řeči
1:30:46	a ty rámce sou best překrytí
1:30:49	tak prostě vezmu N L lomeno děr délka rámce vezmu si s toho zaokrouhlení dolů
1:30:54	neboli floor
1:30:55	a to je moje výsledná hodnota
1:30:58	když _e se ty rámce budou překrývat
1:31:03	tak je docela dobrý si vlastně vypočítat tady tu
1:31:07	_e
1:31:09	tady tu hodnotu
1:31:14	jo tady mám začnou jako se ram nechápu proč tuto to mělo znamenat jako asi
1:31:18	shift
1:31:21	asi jo asi se ram bude asi jako shift rámce
1:31:25	a shift rámce je délka mínus překrytí
1:31:28	a vy vlastně si řeknete pokud mám takhle jako N vzorků tak ten jeden rámec
1:31:34	do toho strčím vždycky
1:31:36	a potom to co mi zbývá tedy N mínus _e délka toho rámce musím rozdělit
1:31:44	musím rozdělit na ty šifty jo takže podělíte se rám
1:31:47	s toho vezmete slova
1:31:49	a je to jako by aby tady ten vzoreček fungoval opravdu proto se slovně
1:31:54	tak by to ještě chtělo přidat nějakou podmínku jako že když je vzorků eště míň
1:31:59	než jeden rámec
1:32:00	tak tam bude nula ale toto byste si zase dokázali
1:32:04	abyste si dokáže udělat
1:32:09	jo do důležité je si pamatovat že při normálních parametrech
1:32:13	to znamená délka
1:32:15	pět a dvacet milisekund
1:32:17	_e překrytí nějakých patnáct milisekund
1:32:21	tedy
1:32:22	shift deset milisekund a když máte dost řečí doprava ji doleva takže když zrovna jako
1:32:27	nekončí ani nezačala tak prostě dostanete sto rámců za vteřinu
1:32:35	nejdůležitější
1:32:37	tak
1:32:39	tetě _e nějaký poznámky o tom jak ty rámce vybírat
1:32:43	samozřejmě nejjednodušší je prostě jako vzít startovní vzorek konečný vzorek
1:32:50	ty vzorky vy kousnout
1:32:52	a když tady tohleto je mu rámec
1:32:55	tohle jako de do _e si to asi dělá se to asi nejběžněji
1:33:00	_e
1:33:02	ten výběr vlastně to že řeknu jako tenhleten rámec to je vlastně ekvivalentní
1:33:08	pro násobení
1:33:09	s nějakou okénkovou funkcí jo to znamená vy máte
1:33:13	máte takle jako signál
1:33:16	teďka řeknete já potřebuju rámec dlouhý N vzorků
1:33:19	tak ta okénková funkce vlastně vypadá tak
1:33:23	že jedete vod vzorku na
1:33:26	do vzorku nora mínus jedna
1:33:30	a prostě tady ty vzorky vyberete
1:33:32	a ostatní
1:33:34	ostatní neberete úvahu tady tohleto jeden rámec
1:33:38	tak samozřejmě vy tu okénkovou funkci taky můžete nadefinovat nějaký na řeknete si tohle jako
1:33:42	moc brutálním pro s _e
1:33:45	za to okénko mě
1:33:47	na krajích
1:33:49	tam kde sem ten
1:33:50	signál
1:33:51	vy kousl tak mě to udělá nějaké ošklivé přechodové efekty a třeba tady
1:33:56	to může udělat něco takového
1:34:00	takle potom vypadá ten jeden
1:34:02	vyfiknutý rámec
1:34:04	a tady tyhlety
1:34:07	artefakty na kraj se vám vůbec nelíbí
1:34:09	mimochodem _e když takhle vyslechnu a pak bych to dělal frekvenční analýzu co mi tam
1:34:15	tady ty zuby na krajích
1:34:17	dělají
1:34:20	mně generuje každá ostrá hrana kterou sem drobnou signálu
1:34:24	vysoké frekvence jo
1:34:26	no takže můžete říct jak _e já to nechci takhle _e takhle škaredě a na
1:34:31	to proud
1:34:32	je měj
1:34:33	a vy my sme si třeba okénkovou funkci
1:34:36	která bude hammingovo okno
1:34:40	to hammingovo okno
1:34:42	_e
1:34:43	ne vykousal váty rámce
1:34:45	pomocí nul a jedniček
1:34:49	ale tam kde sme tom předešlým okně měli jedničky
1:34:52	tak je tam napřed takový drobný skok potom je tam povolný vzrůst potom povolný pokles
1:34:58	a potom zas takový droboučký
1:35:01	droboučký skok
1:35:02	tohleto je hammingovo
1:35:04	okno
1:35:06	a
1:35:06	když se podíváme na jejich frekvenční charakteristiky
1:35:10	já sem vám vo tom taky něco mi _e říkal _e říkal minule jsme tady
1:35:14	řezali ty kosinusovky
1:35:17	tak vlastně pokud se podíváme na
1:35:20	to pravoúhlé okno
1:35:23	tak _e norma relativně úzké spektrum ale v _e tady spoustu takových jako těch postranních
1:35:29	_e postranních laloků to znamená vopravdu jako roztahuje a přidával vysokofrekvenční složky do spektra
1:35:36	když se podíváte na hammingovo okno taky postranní složky jsou nulové
1:35:42	to znamená vodu vám to spektrum prakticky neznečistím
1:35:46	ale zase
1:35:47	ta jeho střední část
1:35:49	je dvakrát tlustší nešli toho pravoúhlého okna jo tady prostě
1:35:54	je to je to vypočtěme ve stejné měřítku
1:35:57	kdybyste se k jezdit fakt íčka
1:36:00	které co takhle úzké
1:36:02	je to mám vlastně dva krát širší
1:36:04	znamená že _e hammingovo okno
1:36:08	sice jako se bude chovat slušně k tomu spektru že jo vlastně ne začuní těmi
1:36:12	vysokofrekvenčními složkami
1:36:14	a zase nebude moc selektivní když budou tom spektru nějaké dvě
1:36:18	dvě významné události vedle sebe
1:36:22	tak máte velkou šanci u hammingova okna z vám to prostě rozmázne a že může
1:36:26	nikdy neuvidí
1:36:28	tak _e tím se byly
1:36:31	tím jsme hotoví se přeprat
1:36:33	S před zpracováním se strašná slovní kombinace s předzpracováním
1:36:39	se sice klíče chodil do rozhlasového kroužku ale tentro
1:36:43	_e kterou ostrý
1:36:45	_e poďme se teď podívat na ty základní parametry
1:36:49	takže ještě no opakuji skalární jedno číslo na rámec vektorové čísly vektorové je hodně čísel
1:36:55	na nám
1:36:57	základní parametr tak zvaná střední krátkodobá energie
1:37:04	dalo by se tomu taky říct _e střední výkon
1:37:14	_e
1:37:15	tak jak jsme si definovali ten střední výkon je stezku
1:37:19	v rámci to
1:37:21	jednoho
1:37:22	úseku vezmeme hodnoty všech vzorků na druhou
1:37:26	podělíme délkou
1:37:28	jo jednoduchoučkého operace všecko na druhou
1:37:31	suma lomeno délkou
1:37:33	na co to bude může to být dobrý na _e detektor řečové aktivity tam může
1:37:39	člověk mluví tak by ta energie měla by vysoká že jo protože mluví tam kde
1:37:43	ticho tak asi by měla být nízká
1:37:45	můžete zkusit rozlišit hlásky
1:37:48	na znělé neznělé
1:37:50	_e aby se na to dobře koukalo taxes té krátkodobé energie vlastně vědí o průběhu
1:37:59	dost často vy dělá logaritmus
1:38:01	ono to má dost velkou dynamiku jo a když to vyplotit nelineárně tak se na
1:38:05	to špatně kouk a právě proto že jsou tam ty hodnoty vzorků na druhou jo
1:38:09	prostě když je ticho
1:38:11	tak _e opravdu malinká hodnota když najednou máte hodnoty vzorků na druhou a eště sečtete
1:38:16	v rámci jednoho rámce
1:38:19	že vynásobíte sto šedesát krát
1:38:21	tak to nemusíte viď S
1:38:23	_e na co je potřeba si dávat trošku bacha je
1:38:27	že pokud byste toto chtěli použít jako opravdu detektor řečového signálu
1:38:33	tak vám to bude poměrně
1:38:36	dobře fungovat když budete mít čistou řeč
1:38:39	thomasi vopravdu není nic lepšího prostě jako počítáte krátkodobou energii hodíte si na to nějakej
1:38:45	ta
1:38:46	_e některých pracích třeba vod našich kolik žáčků saviňon u
1:38:50	se ta krátkodobá energie modeluje nějakýma gaussovka _m ale prostě funguje to nádherně dokážete detekovat
1:38:57	kde řeč ne není
1:38:59	když _e byste si vzali třeba řeč nahranou s auta
1:39:03	tak se v rejži
1:39:05	protože
1:39:07	základní
1:39:09	průběh toho
1:39:10	řečové signálu bude obraz zhruba nějak takhle
1:39:15	a s toho občas polezou nějaké jako _e silnější hlásky jako _e samohlásky
1:39:24	ale v zásadě prostě tam neuvidíte nikde ticho a pořád tam bude bugr
1:39:28	akorát tom bude někdy trochu větší bugr a to bude když tam člověk mluví
1:39:34	takže dělat na takovémhle signálu detektor řečové aktivity pomocí energie
1:39:39	je docela nebezpečná záležitost
1:39:42	když máte ten _e práh nastavený
1:39:45	_e příliš nízko tak vám to říká pořád že tam řeč
1:39:50	že máte naopak zase příliš vysoko
1:39:53	tak _e když tam bude nějaká samohláska tak
1:39:56	tak to řeč vidíte
1:39:58	ale pro takové příchuť ke hlásič ke jako třeba C nebo šest nebo tě
1:40:04	tak máte smůlu tyhlety hlásky prostě nemají moc energie sami o sebe takže by vám
1:40:09	úplně zanikly šumu a tím energetickým detektorem byste nechytí
1:40:13	tady tohle jenom ilustrace
1:40:15	_e když se to vyplatí to lineárně
1:40:19	tak
1:40:20	to vypadá nějaká tech těch tu úsecích mu toho nevidíte tohle plots logaritmické krátkodobé energie
1:40:30	tak _e další parami tříd je počet průchodů nulou
1:40:35	tak zvaný zero crossing
1:40:38	a tady tam napřed
1:40:40	ukážu asi o co se jedná potom pojem rovnicím
1:40:44	když _e vlastně máme řečový signál tak vopravdu počítáme
1:40:48	kolikrát nám projde nulou sem počet tři
1:40:52	zaznamenáme a hodnota která by tady byla nevím raz dva tři čtyři no asi dvacet
1:40:58	tak bude charakterizovat _e tenleten řečový rámec
1:41:03	jo a tetě zase zkuste si říct na se ten počet průchodů nulou asi nebude
1:41:06	dobrej
1:41:08	když člověk bude
1:41:10	říká nějaké
1:41:12	to je šumu vyšší hlásky jako třeba
1:41:14	F
1:41:17	jak asi bude počet průchodů nulou vypadat
1:41:20	velké N máj
1:41:22	velké jo protože to je vypadá jako šum
1:41:25	takže to častěji krát prosek nenulovou hodnotu
1:41:29	a počítám nejvíc
1:41:31	tak _e
1:41:33	jaké bude mít tady ten počet průchodů nulou problém
1:41:41	tak
1:41:42	zase jako když budete mít šum
1:41:45	tak
1:41:45	bude problém protože všecko bude vypadat jako šumový hlásky pokud tam nebude opravdu nějaká notně
1:41:51	silná samohláska která ten šum na sobě na superponují a vytáhne někam do výšin
1:41:59	_e k čemu myslíte že by tak mohlo být dobrý
1:42:07	tak
1:42:08	můžete zkusit třeba nějaké určení charakteru hlásek
1:42:11	_e můžem to třeba zkusit _e použít jako nějaký jako paralelní
1:42:18	detektor detektoru řečové aktivity ale jinak bych řek že ten počet průchodů nulou se až
1:42:23	tak moc nepoužívá v dnešní době
1:42:25	že to takle spíš historicky parametr
1:42:27	ták a tetě
1:42:30	_m poďme o toho použití zpět k tomu jak by se takovej počet průchodů nulou
1:42:34	spočítal
1:42:36	abyste
1:42:37	co byste navrhli jak to spočítat
1:42:48	to je vlastně pruh od nulové byste jako o matematicky nadefinovali
1:42:55	měla znamínka
1:42:57	jo
1:42:59	dobrý no takže vaše návrh jak ten počet průchodů nulou spočítat
1:43:08	z mohli byste napsat _e cyklus že
1:43:11	a tam přidat nějaké dvě podmínky is znamínko minulýho vzorku bylo plus
1:43:16	ende znamínka současného vzorku je mínus tak někam něco připouští pak _e ještě tu opačnou
1:43:22	podmínku asi byste se k něčemu takovýmu dostali
1:43:26	tak jo jazyka zkusím navrhnout elegantnější variantu
1:43:29	_e
1:43:31	bude to předpokládáte znamínko V signál
1:43:35	to znamená
1:43:37	vezmeme si nějaký C
1:43:38	sobě na
1:43:40	X N
1:43:42	představte si že vo toho odečteme mínus _e se do na
1:43:47	X
1:43:48	N mínus jedna
1:43:50	co jsem teďka právě vyrobil
1:43:54	kombinuje znaménková funkce která pro kladný vzorky plus a pro za plus jedna a pro
1:43:59	záporný mínus jedna
1:44:06	komparátory jo ale mám pocit že sem vyrobil zrovna funkci která když to znamínko vydrží
1:44:11	na stejné hodnotě
1:44:13	tak nebude dělat nic
1:44:15	že jo
1:44:17	jo když bude se krno minulýho vzorku plus jedna asi byl na tohodle vzorku taky
1:44:21	plus jedna tak jedna mínus jedné
1:44:24	nic
1:44:25	když bude se teda minulýho vzorku mínus jedna sebe na todle vzorky mínus jedna tak
1:44:29	nebudete nic
1:44:31	ale bacha když se to změní za je záporný vona kladný tak něco napočítá plus
1:44:37	dvě
1:44:38	že to změní s kladnýma na záporný řekněme napočítá mínus dvě
1:44:43	jo
1:44:45	a
1:44:46	no to jedno tohle
1:44:48	tam už sme mentálních o prostě nesají teďka řeč prostě v jednom případě teda počítá
1:44:52	pro dvojku a ve druhý mínus dvojku
1:44:54	když to dám
1:44:56	zase lodní hodnoty takto pokaždý napočítá pro dvojku
1:45:00	když to
1:45:01	_e podělím dvěma tak to pokaždý napočítá plus jedničkou když se změní znamínko a ta
1:45:07	už sme tam kde sme chtěli víc jo to znamená ose akorát uděla suma tady
1:45:12	tohodle přes rámec
1:45:14	a najednou máte _e máte počítadlo
1:45:18	průchodu nulou
1:45:22	jo ale je možný že s tím _e že s tím jak ste říkali že
1:45:25	uděláme teda cyklus a tam uděláme dvě podmínky to bude rychlejší
1:45:29	sám jako si taky můžete vyhrát _e definicí té funkce signum
1:45:35	můžeme vy vyzkoušet a vymyslet nějak ještě složitější definice který budou řešit nulu a když
1:45:41	zprava bude mínus a zleva plus takto budeme nula já nevím to ale tím asi
1:45:45	nemá cenu se moc _e moc zabývat
1:45:48	tohleto je průběh _e
1:45:50	průchodu nulou pro mé oblíbené létající prase
1:45:53	takže vidíte že pro hlásky typu _e a
1:45:57	je ten počet průchodů nulou nízkej
1:46:02	co
1:46:04	nám to vyplatí
1:46:05	US
1:46:06	taky takže tady byste docela
1:46:09	_e docela jasně poznali že se tam jedna musí kavky tedy o hlásky s vysokým
1:46:13	poměrem sou
1:46:15	tak a už vás nebudu dále obtěžovat narozeného pepíka
1:46:19	se podíváme minule _e teda
1:46:23	ten nekauzální
1:46:27	dělení podíváme se na něho příště
1:46:30	_e a zkusíme si říct access jednotlivý komponenty rozjet jádra říkám rozřezaný pepík to bych
1:46:37	moc neměl protože ten obrázek mě poskytl pan profesor josef psutka
1:46:42	z plzně
1:46:43	takže to je téměř horáckej říkal zvaných netýkaly doufám že se nepodívala toto video
1:46:49	_e takže si řekneme si jednotlivé komponenty modelují plíce budou jednoduchej na ty se číslicové
1:46:55	zpracování vykašleme úplně
1:46:57	ale u hlasivek o vidíme že tam bude nějaký generátor a nejzajímavější bude řečové ústrojí
1:47:03	se kterým vlastně neustále mydlíme a měním ho abych dokázal artikulovat
1:47:08	a to se právě bude měnit pomocí filtru a koeficientíky toho filtru budu muset každých
1:47:13	dvacet milisekund _e počítat tak příště si řekneme jak
1:47:17	pěkný večer přeju nashledanou

ZRE - přednáška 3.

2011

Jan "Honza" Černocký (Speech@FIT)