0:00:07každý dneska sme získal místo santa černockého
0:00:11vy ste se minule bavili o L P se pokud _e tak aby sigstop až
0:00:16do s _e dvacet dva
0:00:18takže už teďkaji se že jako si centry _e toho si u true
0:00:23na modelování řeči se dají spočítat
0:00:26_e kdy řešením P rovnic o P neznámých jo vy ste počítání nějaké autokorelační koeficienty
0:00:34tam se si vytvořili jako soustavu rovnic a to se na normální vypočítat
0:00:39_e druhá možnost jak to vypočítat
0:00:44je použit tady tenhleten algoritmus a nevím standardy
0:00:49a vlastně mýho můžeme použít protože ta matice
0:00:54potom _e
0:00:56nebo když
0:00:59ta matice jako osy centů
0:01:02ve hodnot ukážu lepší
0:01:05že vlastně
0:01:08když máme tady todleto soustavu a vypíšeme se jenom do matice tady tydlety autokorelační koeficienty
0:01:15tak potom vlastně když si můžete všimnout
0:01:18že v diagonálách nemáme úplně stejné hodnoty jo tady máme errno u všude potom máme
0:01:25jednička tady takže jednička a tak dál
0:01:29tady tadleta matice se bude nazývat dopitová a vlastnění teďka možná použít
0:01:35tady tenhleten iterativní algoritmus jo
0:01:38vlastněný postupně bude mám a vytvářet prediktory různé řádu od začátku to bude prediktorů to
0:01:45řádu
0:01:46a potom máš prediktor toho perského řádu a musíme to projíte krát
0:01:53_e asi bysme mohli fused vypočítat nějak oněch iteraci sáry abyste si
0:01:59vlastně
0:02:02vyzkoušeli jak se to může
0:02:04dělat
0:02:21vlastně tady _e tento ten první řádek to je nějaká iniciály z _e C jo
0:02:26mise řekneme že vlastně
0:02:29_e
0:02:31si postavíme prediktor nultého řádu
0:02:36a she bát _e predikce bude
0:02:39vlastně to všechno co máte napsané v tom prvním řádku co to znamená
0:02:44když se podíváte na
0:02:47na tu inicializaci tak můžete si všimnout že tady máme ten nultý autokorelační ku sice
0:02:53jo
0:02:55takže prosím vás zkuste se zamyslet nad tím co
0:02:59nebo už tady tenhleten tlačte neni žen nedělali
0:03:03dobře takže zkuste se teďka za ni sled na tím a
0:03:07co to je za ten prediktor nultého řádu
0:03:11a co je ta chyba
0:03:15vlastně
0:03:17my když se postavíme filtr
0:03:19kterým a
0:03:21nula pozice _m to
0:03:24tak co ten filtr bude dělat
0:03:29nějaké nápady máte
0:03:35_m to bysme potřebovali aspoň jeden po třicet
0:03:40to bude dělat při se změní jo to bude taková ta
0:03:44ale černá díra jo
0:03:48která vlastně bude všechno pouhou celá ta a poleno nám stole jenom v podstatě nuly
0:03:54jo takže právě proto
0:03:57chyba predikce když máme ten prediktorů toho řádu
0:04:01budeme mít a Ú ty autokorelační koeficient co je tam mute autokorelační kosice pro
0:04:09jo R nula teďka nás zajímá
0:04:14jo může mít teďka víme že vlastně chyba bude maximálně že jo
0:04:19protože tam ten filtr vlastně na genové vůbec nic
0:04:24no a maximální chyba to je vlastně ten náš nultý autokorelační koeficient protože my vezmeme
0:04:29signál
0:04:30vynásobíme ho sama se sebou jo a dostaneme tomu té autokorelační
0:04:36kusy C N
0:04:38tam dobře teďka zkusím a tu první iteraci jo teďka vypočítáme
0:04:43a K
0:04:46K jedna čemu se to bude rovnat jo postupně se to zkusíme udělá tak vlastně
0:04:52já to zkusím nějak psát tady když je to moc neumím
0:04:57zatkla jedna vlastně
0:05:00zkusme to udělat pouhého podívete vám ten vzoreček a tak co tam budeme psát
0:05:05tak jasně že tato mínus jo potom máme
0:05:09vlastně R jedna že
0:05:15_e ta suma prosím vás bude napočítat todleto sumu
0:05:20my se podívám na té hranice tak _e se ne tak té todleto eště viděli
0:05:24mátou vlastně
0:05:26chybou
0:05:27jo E nula
0:05:30jo
0:05:32teďka můžeme vypočítat a jedna což bude vlastně to K jedna
0:05:37jo _e potom vypočítáme vlastně tady zase
0:05:43pro tenhleten interval musíme vypočítat _e ji Í
0:05:47takže zase vypočítáme nějaké to
0:05:51a jedna jo
0:05:54takže tady ni napíšeme že vlastně a jedna
0:05:58dvanáctka jedna
0:06:01a zase Á jedna
0:06:04jedna den
0:06:07a co tady bude to bude já to mám napsané
0:06:11neudělal špatně
0:06:18_e budeme počítat teďka tady todleto prosím vás a teďka se dívám že to počkat
0:06:23nebudeme jo protože když se podívá na té hranice
0:06:27tak vlastně to a tady tenhleten výrazy je u nás nula no takže nemůže napočítat
0:06:32objednáš
0:06:34asi už musím udělat
0:06:36no a vypočítáme teďka šípů u té naše predikce ste první iteraci což bude
0:06:42vlastně _e
0:06:46co to bude
0:06:55to K jedna my vlastně máme
0:06:59na i mě C zvané nějak ta záznam vlastně toto paní mayer a jo takže
0:07:03vidíte v té první iterace
0:07:05děláme a úplně jednoduché výpočet oblast napsat nechci protože tom name psát na tady todleto
0:07:12tady nějak nepohodlně se to spíše
0:07:14no a v druhé iteraci vlastně už použijeme hodnoty který jsme se předpočítány jo
0:07:20vy chcete todleto už _e se mění v laboratořích jestli se nemýlím že jo ústa
0:07:24se to všechno
0:07:26_e že asi možná ani nemá moc
0:07:29_e cenu tím nějak moc dlouho procházet
0:07:42_e
0:07:43že na dalším slajdu tady vlastně my máme
0:07:47všechny _e
0:07:49všechny hodnoty uši jako kdyby spočítá nette naše kofi centry a taky _e ty nic
0:07:54mezivýsledky
0:07:55to todleto budou
0:07:57no teďka a ty hodnoty našeho filtru
0:08:03a todleto sou nějaké ty mezivýsledky my si potom a podíváme na co sou ty
0:08:08mezivýsledky dobrý protože
0:08:11oni vlastně nejsou jenom tak mezivýsledky letech se potom něčem už
0:08:20vy ste se už a se říká několik to _e velké P je jo nějak
0:08:25nějakou tou hodnotou ste obsluž nadefinování
0:08:30_e byste se o tom bavili na začátku úplně
0:08:33jak ste stavěli tam _e ten filtr takový se vlastně ten filtr postavili ze třech
0:08:38části že jo
0:08:42jste modularity hlasivky potom vy ste modelovali artikulační trakt a
0:08:48_e nějaké to vyzařování jo
0:08:55a to P se něčemu rovnalo
0:08:57my sme se tohoto no to nějak nadefinovány _e jak sme si tam tu hodnotu
0:09:02nadefinovány
0:09:04ten artikulační trakt jak sme modelování vlastně my sme
0:09:08zdraví ste
0:09:11vy ste vlastně si říkali že _e
0:09:16že to bude sekvence nějakých filtru
0:09:19že jo ten artikulační trakt co se tam co se tam děje prosím a my
0:09:23hlasivkami a vytvoříme nějaký signál
0:09:26a potom u nás tam spouse podle toho jak si
0:09:29co _e nastavíme vytváří se nějaké rezonance že jo
0:09:35a ta krátká ne filtru potom vlastně nám modelovat rezonance že jo kolik bylo těch
0:09:40filtrů
0:09:45ty rezonance _e jak se tím rezonance _m eště říká
0:09:49formám toto si pamatujete jo takže vlastně
0:09:52my musíme
0:09:53modelová ty formanty jo
0:09:57a říkali ste si asi že ne užitečných je asi prvních pět
0:10:01že
0:10:03a ten filtr _e každý ten filtr který modeloval nějak info forman byl druhého řádu
0:10:10jo
0:10:11je to tak
0:10:14fajn takže a
0:10:16my teďka máme počet těl formantů
0:10:20což je k a jo
0:10:22dvakrát a potom tam eště _e
0:10:26jo hlasivek nějak vylezla eště jedna jednička jenom
0:10:30takže to bylo tu C jedna
0:10:33jo takže vlastně když K ji pět tak nám vyjde a jedenáct
0:10:38ale my používáme v podstatě deset
0:10:41jo
0:10:42je čtyři až pět formantů nadprůměrně
0:10:46čtyř řádku
0:10:49dobře
0:10:57proč těch a pět formantů jenom používáme nebo proč takovýto číslo budeme užívat
0:11:04to je v podstatě dáno experimentální jo jako že někdo zkusil
0:11:09udělat filtry když i v řádu ale potom když se podíváte třeba na tady tenhleten
0:11:14král
0:11:15tak si vidíte že ta chyba
0:11:17ona se nějak ne a _e nezlepšuje dramaticky ste
0:11:22potom jsou vlastně topped překročí těch deset
0:11:25jo takže v podstatě může má udělat filtr
0:11:28když jeho řádu ale nemá to cenu protože to bude a komplexnější ale žádná v
0:11:34podstatě výhoda toho
0:11:36neplníme
0:11:49teďka jestli vás napadají třeba _e nějakém
0:11:53užitečná je využití
0:11:56tohoto filtru jo my víme že můžeme
0:12:00modelovat něco může mapu psát vlastně co my říkáme jo ne já říkáme ale to
0:12:06říkám
0:12:08jo takže
0:12:09jak si můžeme
0:12:12parametry toho filtru a nebo uspěješ tým mezi
0:12:16mezivýsledky
0:12:18of počtu
0:12:19tuhlenc standardy na použit pro rozpoznávání řeči jo
0:12:24další věci je toho že v ní může má tečka
0:12:28parametrů tohoto filtru
0:12:31jak si teda na s parametrů ale _m
0:12:35za pomoci
0:12:38o můžeme vypočítat spektrum signálu
0:12:46jestliže si třeba víte jak bysme to mohli udělat
0:12:54tak mi teďka máme postaveny nějaký ten C o to že jo a můžeme a
0:12:59vypočítá teďka frekvenční charakteristiku toho filtru že jo
0:13:06jo a ta frekvenční charakteristika bude potom tomáše spektrum
0:13:11jo
0:13:12todleto co tady máte
0:13:16to byl ten náš filtr jo
0:13:19to géčko tohle je toho co vlastně
0:13:23to je nějaký ten gain že to je zesílení podstatě jako že
0:13:27že to je víc nahlas
0:13:31dáme to normálně a na druhou a bude to
0:13:37jo
0:13:38teďka když jste viděli vlastně a příklady těch spekter mnohokrát a to vypadalo tak nějak
0:13:46jak to vypadalo
0:13:52to vypadalo tak nějak prostě
0:13:55dejme tomu že to vypadalo
0:14:00asi nějak tak že
0:14:03a to je spektrum které sme normálně výpočet _e je pomocí fourierovy transformace že jo
0:14:10a co vtom spektru řídíme
0:14:14my máme tam nějakou tu obálku co když
0:14:17to je to co jsme nakreslili vlastně _e netrefila
0:14:21tak
0:14:23tu a
0:14:24sebou tou čárou nesouvislou
0:14:28a potom eště máme
0:14:30nějaký rychlejší průběh to
0:14:34a to jsou to ty komponenty
0:14:37stejně to říct
0:14:40čím je to dané
0:14:44čím sou tam ne tady tydlety čárky tady ty čáry
0:14:49vlastně jednotlivé čáry
0:14:57todleto mě zajímá
0:14:59co to je
0:15:02víte to
0:15:06no to sou vlastně harmonické základního tom že jo
0:15:15vy ste se už byl bavili vlastně o cepstru ne
0:15:20tak tam ste
0:15:22přesně a se snažili oddělit
0:15:25ty násobky základního tónu
0:15:28jo
0:15:29vlastně snažili ste se je třeba vyfiltrovat pro rozpoznávání řeči o snažili se ste vlastně
0:15:36s té spojité čáry dostát jenom two _e tu nespojitost máme k
0:15:42jo
0:15:49takže ty násobky _e základního tunu oni odpovídají čemu
0:15:56mně odpovídá je tomu
0:15:58jak my můžeme jo to je naše nálada třeba dva nebo kdo o tom vy
0:16:03a tak dále jo
0:16:05a ta obálka tu je
0:16:08co to je
0:16:12to je psema přímá co mi říká
0:16:15jo je to jasné
0:16:22takže mít když teďka se budeme snažit
0:16:26kdy kras nic spektrum pomoci
0:16:30toho filtru
0:16:32no máme teďka o pece
0:16:36uděláme frekvenční charakteristiku vykreslíme to takto to co dostaneme
0:16:53tak zkuste se na tím za ni se co mi modelujeme tím filtrem
0:16:58i modelujeme to co my říkáme jo ne jak mi to říkám a ale co
0:17:02my říkáme takže v podstatě měnám nakonec měla díle s tady tadleta
0:17:09v podstatě té tadleta pomalu měnit se
0:17:12čára
0:17:13jo
0:17:14je to ta
0:17:18asi jo
0:17:19i
0:17:21dobře
0:17:23rozumíte tomu jo víte to
0:17:26no
0:17:30a proč to nevíte
0:17:32že byste to měli
0:17:41tak mi se podíváme teďka i na nějaké příklady konkrétní
0:17:46tady máme
0:17:50tak my máme čtečka todleto jo že máme v podstatě nějakou řeč dva prosím řeči
0:17:56jedna
0:17:58změny a nezmění který tady těhletěch rámců prosím vás je z měli a který je
0:18:03mez měli
0:18:08co si myslíte
0:18:12a to je tady řeč a co je spíš
0:18:20jo tak teďka když vidíte tak tady tydlety signálky už byste měli být
0:18:25tak nějak víceméně schopni odhadnout což je s o aspoň
0:18:33tak to je ten a horní levý obrázek
0:18:38to je to je nějaký rámec měl _e řešit pročetl znělé
0:18:47čili přímý sou ty _e znělé vlastně
0:18:51zvuky charakteristické
0:18:53zase zavřít
0:18:56prosím
0:18:59tam není to že v těch vysoké frekvence ale my tak je vtom vidíme E
0:19:03nějaké ty impulzy jo
0:19:06to sou tady tyhlety části což odpovídá vlastně
0:19:10čem _e tom základním o tom
0:19:13jo jaksi
0:19:15jo to sou in pouze na kterých vlastně potom něco rozumově
0:19:21takže todleto je _e znělé řeči a todleto je zase neznělé řeči a my máme
0:19:28_e k tomu i spektrum tam odra čára je spektru vypočítá ne pomoci čejo
0:19:36_e fourierova transformace a myslím si taky že tvoje
0:19:41a vlastně
0:19:45na druhou žen
0:19:47vypadá to tak
0:19:49a to červené to je spektrum po žádné pomoc _e obecné
0:19:53jo
0:20:01takové obrázek ste už taky asi výdejny že jo
0:20:06jo to je spektrogram kde v podstatě my máme za sebou nalepené
0:20:11a spektra jednotlivých rámců jo kde barva nám určuje
0:20:16amplitudu
0:20:18teďka mi zase zkuste _m říct co osou tady tydlety čáry
0:20:23tady
0:20:33to sou ty formanty že jo toto sou průběhy vlastně těla formantů
0:20:38jo
0:20:39a teďka ní podle těch průběhu vpodstatě když byste viděli takových obrázku spoustu aby byly
0:20:44co se tam
0:20:45vlastně říká vlož jako s časem byste byli schopni v podstatě i přečíst je
0:20:51jo
0:20:52samozřejmě po vás se to nevyžaduje ale jestli se nemýlím
0:20:56já nevím jestli to je v tomdletom kurzu anebo ovšem ještě dalším nějakým
0:21:02_e jsem černocký ondro zdálo takové takovej ten vlastně list obrázky
0:21:10nedostávaly ste nic takovýho jo tam se dostávají vpodstatě
0:21:15_e jako kdyby Í spektrogram jednotlivých hlásek
0:21:19jo
0:21:20a potom ste dostali spektrogram nějaké věty a měli jste vlastně jako kdyby přečíst tak
0:21:26zkuste sou zeptat třeba _e tuto na se
0:21:29jo jako je to zábava
0:21:33relativně
0:21:39takže fajn todleto už víte
0:21:43a teďka máme a zase nějaké spektrogram úplně na stejném úseků řiči akurátní když se
0:21:51na to podíváme psát vlastně nějak se to nižší
0:21:56jo
0:22:00a jak se to nižší
0:22:13a my to počítáme dívejte se jedno se nazývá dlouhodobě spektrogram druhé se nazývá krátkodobé
0:22:19jo takže to znamená že u dlouhodobýho mi vezmeme dlouhý úsek řeči a vypočítáme spektrum
0:22:26jo
0:22:27do krátkodobý umývat na krátký úsek řeči a spočítáme
0:22:32vlastně _e
0:22:35to spektrum
0:22:37a ten Í vidím a takové čáry si myslím vidíte je
0:22:41po vodorovné čáry jako kdyby vtom
0:22:43že
0:22:45a to sou ty vodorovné čáry takové ty
0:22:49tady bysme měli vědět aspoň si myslím
0:22:53plně i tím
0:22:54takové čárky tady mám pouze
0:22:59tak to sou tady tydlety čáry takové ty jemné částky
0:23:08to sou násobky to základní frekvence tak fajn
0:23:15tak už podstatě tomu ty rozumíte
0:23:20a todleto je L pece spektrum jo my vidíme že tam už na žádné násobky
0:23:24ten základní překáž
0:23:26jiné vidíme že to je hezký takový vyházeny
0:23:29jo
0:23:41teďka se dostáváme dá a to sou _e
0:23:45nějaké parametry které dokáže má odvodit
0:23:49chtěl auto je celku chycen to a nebo spíš těch mezi výsled
0:23:55tady máme důvody pro oč vlastně ty _e kusy centech filtru a jaký
0:24:01nejsou moc dobré pro rozpoznávání řeči
0:24:04jo oni se špatně kvantují zaprvé protože
0:24:09potom ten náš filtr se může nám pro stabilně
0:24:12jo to je to je to je blbý
0:24:16potom a oni jsou tvrdě korelovány co to znamená
0:24:22a pro vás teďka momentálně to neznamená vůbec není jo to
0:24:27o tom se bude zabalit a ježků rozpoznávání řeči kde
0:24:31vlastně budete stanic nějaké _e ješitný marcos model to je to H M
0:24:38a to sou nějaké pravděpodobnostní _e modely
0:24:43jo vy ste už zřejmě viděli nějakou gaussovku aspoň ste to měli nic někdy třeba
0:24:50a vy sto asi sto možná nepamatujete ale třeba na signálech a systém nachystej kdy
0:24:56se kreslit jakou tu gaussův
0:24:59jo vám se asi nejspíš neříkalo proč a já taky nevím proč ty obkreslili ale
0:25:04když jenom tak jako vyzkoušet
0:25:08jak se to zapíše aničce tam viděli tu klaus ovečku která co _e jednodimenzionální gaussovka
0:25:15ona potom bude vypadat nějak
0:25:18podstatě takle
0:25:20jo pamatujete se jo
0:25:23jo takže ste měli vlastně nějakou tu střední hodnotu a potom eště rozptyl jo to
0:25:29znamená jak je to širo
0:25:32když vy děláte rozpoznávání řeči
0:25:35to tak gaussovka vlastně znamená ona znamená že my máme soubor nějakým hodnot
0:25:41jo
0:25:42_e
0:25:44většina tě hodnot ona je soustředěna tady někde jo kolem té střední hodnoty
0:25:50jo
0:25:52a tady vlastně když je normalizována tak vlastně tady je nějaká pravděpodobnost
0:25:58kolik tam tě hodnota se je
0:26:02a když není to normalizace počet
0:26:04jo
0:26:06_e
0:26:09kdy děláte rozpoznávání řeči tak vlastně tam se používá zaprvé hodně takových tě hosts klausule
0:26:16a za druhé a _e
0:26:18oni jsou většinou
0:26:23mají většinou jako vnější dimenzi jo což tak piva polem těch čtyřiceti a šedesáti
0:26:31jo
0:26:32a ve dva ADS to bude vypadat zase trochu
0:26:37jinak já vím že vám to asi možná až tak moc teďka neřekne ale tak
0:26:41abyste potom třeba příště nebo ne příště to probuďte bavit
0:26:45třeba se nám to vzpomenete tak to bude vypadat vlastně jako třeba
0:26:51nějaké kolečko jo kde střední hodnota a potom máme rozptyl
0:26:55tady a tady
0:26:57jo ono to totiž to není
0:27:01není až tak kolečko ale tvoje
0:27:06_e takový kopeček
0:27:08jo a my tady máme nejvíc vlastně ke hodnotu úplně nejvíc teček tady můžeme namalovat
0:27:13a tady jenom prostě užší
0:27:15jo
0:27:18a ve tři D to už bude takový mráček a kdyby shopu
0:27:24a teďka ni se baněma u nějaké ten
0:27:27ku relaci
0:27:30co ta korelace znamená
0:27:35my když teďka vlastně nakreslíme se nějakou klausův k Ú
0:27:41třeba můžeme si nakreslit takovou
0:27:44jo tady máme střední hodnotu
0:27:49a ty nějaké rozptyly jo akorát že ona není kulatá
0:27:53a je taková jako dlouhá
0:27:56jo
0:27:58dlouhá alef takovým tom _e
0:28:00k tedy avon ale spíš
0:28:03takže
0:28:05a když vona není položená ani k takovém ani není takle jo když vlastně tady
0:28:12máme tu diagonálu tak se prosím vás aspoň pamatuj teďka že tam je jistá korelace
0:28:17jo že vlastně hodnoty v jedné dimenzi záleží vzali se na hodnota druhé dejme
0:28:24jo
0:28:25a tady na popis tady tydlety jsme používali tu střední hodnotu _e nějakou tu
0:28:33a asi tomu jo tu směrodatnou odchylku
0:28:37tady bude na používá touž vektor
0:28:41střední hodnota dvě střední to teda
0:28:45tam bude i od jako kdyby dvě hodnoty té střední hodnoty X Y a potom
0:28:50tam bude užší
0:28:53matice
0:28:56jo
0:28:57tady bude má mít
0:28:59řekneme si to má X
0:29:03tady budeme mít a sigma Y
0:29:08a tady budeme mít vlastně sigma X Y _e sigma
0:29:13Y X
0:29:14jo eště hodnot máme podstatně
0:29:17víc
0:29:18když P je _e když by vlastně ta gaussovka nebo ty parametry vlastně nevinný korelované
0:29:24tak potom
0:29:26máme nenulové hodnoty jenom diagonále
0:29:29jo
0:29:30a todle máme v podstatě jenom velmi jednoduchý příklad jenom dvě dimenze máme
0:29:36měl a dyž K dimenzi tak potom to roste kvadraticky
0:29:41tak jo
0:29:44tak to je jeden z těch _e důvodů proč se nám to nelíbí protože ty
0:29:48výpočty jsou potom moc náročné
0:29:50jo
0:29:53další věc _e proč se nám ty _e koeficienty filtru nelíbí
0:30:01to je toho že je
0:30:04když budeme mít
0:30:06dva neřečové signály
0:30:13jeden z měli jo a potom třeba
0:30:18jeden _e z měli
0:30:20ani vypočítáme nějaké a jaký třeba a jedna
0:30:24tady a tady a jedna
0:30:27jo tak vlastně a o ní se nemusejí vůbec nějak moc liší
0:30:33jo a nic téma
0:30:34když máme různé řečové
0:30:37signály tak adit jako si ten se taky hodně rušeny jo
0:30:42abysme s toho mohli vůbec něco
0:30:45_e rozumně vypočítat abysme mohli je třeba použít nějakou akci euklidovskou tam nebo něco takovýho
0:30:51jo
0:30:58co tady budeme místo toho použila tak budou sou budou vlastně
0:31:04tady tydlety _e posvěcení cítí tým mezivýsledky nějaké
0:31:10to budou vlastně ty káčka sme viděli vtom algoritmus
0:31:15na tom se říká kostce ta po dráze já si co vůbec nevím proč
0:31:19a nebo a parku pásu korelejšn jo tady tydlety vlastně
0:31:25_e sice entitními teďka můžeme
0:31:28použit pro rozpoznávání řeči
0:31:31jo
0:31:35takže
0:31:36co k tomu eště
0:31:55tak to je asi tak všechno co sem k tomu mohl říct _e
0:31:59eště další věc že _e ni můžeme
0:32:05odstranit jako kdyby válcovým modelem hlasového traktu
0:32:13a co to co to vlastně znamená
0:32:17to znamená že mi vezmeme jakési jako kdyby trubky
0:32:21jo každé bude stejné délky
0:32:24akorát oni budou různě široké twitteru
0:32:28to _e ty trubky musejí je tam musejí existovat určitý
0:32:34poměr mezi sousední nic slupkami jo a když to třeba nějak moc hezky nakonfiguruje tak
0:32:40když ty poměry správně vypočítáte tak potom když tam data
0:32:44na vstup nějakým
0:32:47nějaký ten impulz jo
0:32:51tak potom by vám toho měla díle řeč
0:32:54jo a jako ne plynulé řek samozřejmě ale
0:32:58jenom nějaký konkrétní z
0:33:00jo třeba _e nebo něco takovýho
0:33:03jo
0:33:13a poměr vlastně těch sousedních trubek on se dá
0:33:19počítat hezký _e pomoci zase ti jako si tento od rázům
0:33:26jo mně vezmeme
0:33:31vezmeme třeba je nějakou první a druhou tu trubku první musíme ale
0:33:37nadefinovat na nějakou určitou hodnotu jo protože my nedokážeme vypočítat a absolutní hodnoty jenom vlastně
0:33:45jenom vlastně a _e
0:33:47ty ten poměr takže nastavíme to má jedničku třeba
0:33:52jo jak to máme napsané tady hezky
0:33:55a potom bledneme _e příslušný koeficientů odrazu
0:34:02dosadíme sem do toho vzorečku a s toho už můžeme i vypočítat
0:34:08v podstatě jako kdyby _e hodnotu sousedního valeč
0:34:13jo a potom
0:34:15když _e tak todleto všechno vypočitám naivní můžeme dostat
0:34:21další kulky centy který nám budou určovat
0:34:24co se říká jo a ty koeficienty můžeme zase
0:34:29_e použít
0:34:31proč ní budeme chtít a používán
0:34:37poměry jakousi centu od rázu proč
0:34:40proč
0:34:42nemůže na použito koncepce o dráze jak sme se o tom bavili předminulý slajd
0:34:47no to bude _e
0:34:50toho důvodů ženy sice to koeficienty máme
0:34:53od mínus jednička do jedničky ale ta citlivost
0:34:58na přesnost těch
0:35:00a na přesnost kvantování ona bude
0:35:04vyšší kolem stanuli jo když vlastně káčko je někde polem ten Ú D
0:35:10tak potřebuje má vyšší přesnost
0:35:13na kvantování jo a když to nějak špatně na kvantujeme tak to mi bobby
0:35:31další _e nějaké ku o sice N ty
0:35:37jsou zase nadefinovány nějakým tím šíleném vzorečkem a oni s kusem mastku se a pochopit
0:35:43to ten vzoreček
0:35:45znamená
0:35:50když máme a nyní A Z nadefinovány jak u
0:35:56jak to máme nadefinované
0:36:12pamatujete se ta
0:36:17a to byla jednička jo která odpovídá tomu že filtr má nějaký výstup
0:36:22no a potom a je a A jedna Z na mínus první plus
0:36:26_e dva Z na mínus druhou
0:36:29a tak dále že
0:36:32i když říkám dosadím ani sto Z _e Z na ninu s první tak co
0:36:36se stane
0:36:46místo ze tam dáme Z na mínus první tak jak to bude potom vypadat
0:36:51_mhm
0:36:59a potom ty mínus se budou plus ne
0:37:01se nám přehodíme znamínko vpodstatě jo nebo ne
0:37:06tak asi jo
0:37:08když to říkám
0:37:10tak zkuste to tam to _e dosadit jeho když mi teďka máme tady Z
0:37:15tady máme Z na ninu C jedna
0:37:18jo tak když místo zeptáme Z na mínus první tak potom se to votočí to
0:37:23bude zatne mínus první mínus první
0:37:26jo a to se vynásobí že jo
0:37:29jo
0:37:30fajn
0:37:31a teďka eště musíme vynásobit takovým
0:37:36takovým čísel K
0:37:39tak
0:37:41toto bude znamená my ceny tady tenhle tam díra
0:37:45tady musím ani násobit tím a _e
0:37:49Z na mínus
0:37:51a mínus T plus jedna
0:37:54jo
0:37:56takže to se tam sta
0:38:07co budeme mít místo jedničky teďka
0:38:11tak přímo tady todleto číslo že
0:38:14místo toho výhod výrazu co budeme mít
0:38:21jak to bude asi takle _e
0:38:25musíme vlastně to mínus jedničku tady
0:38:30a todleto musíme sečíst dohromady pře
0:38:36bude mínus T mínus ty a tady
0:38:40že
0:38:41a
0:38:41takže se to v podstatě když to spočítáte přepočítáme tak se to vodpočinu
0:38:47jo ty zetka
0:38:49vlastně zetka pro a
0:38:53a jedničku ona bude mít
0:38:55jako vyšší hřát podstatě nemeš
0:38:58než se to _e té
0:39:00jo
0:39:01to votočim
0:39:04tak to můžeš rozumíte ani potom amosem M
0:39:09máme teďka dobře tady tydlety pak polynomy a teďka těch polynomu musíme
0:39:15vypočítat kořeny jo asi kůžemi budem a zase potom používat jako
0:39:21nějaké parametry
0:39:28tady máme dva polynomy
0:39:31a vlastně co bych vám mohla k tomu eště říct je to že
0:39:38my potom vlastně jako že mi těch polynomů vezmeme jako kdyby
0:39:45na třídách jo když se podíváte na ty
0:39:49a osy centry tady
0:39:52a ty indexy
0:39:54tak potom
0:39:56teďka když se podíváme
0:39:58sem tady sou třeba
0:40:01tady jsou rozmístěny ty kořeny jsou jednotlivé hodnoty
0:40:07jo _e tu ty sou vlastně jako kdyby na střídačku jo ty zelené patří jednomu
0:40:12polynomů
0:40:13a ty červené patří tomu druhýmu polynomu co tady je pozoruhodné pro
0:40:21jste se podívat na ten obrázek
0:40:27jo kde máme snímáme vlastně tu modrou čáru to je nějaké spektrum jestli se nemýlím
0:40:33jo
0:40:36a potom
0:40:37ty čárky to tam máte
0:40:39_e topy odpovídají těm kořen tak když se na to podíváte tak tam je nějaká
0:40:44určitá
0:40:45závislost to taky
0:40:47proč ty kořeny jsou vpodstatě a
0:40:50informativní
0:40:53jo oni kdyby byly vlastně rozmístěné úplně periodicky tak neslíbí nějakou informaci vůbec
0:41:00o tom co se tam říká
0:41:05tak asi by nemec nenesli vůbec žádnou informaci kdy periodického ale vy teďka je vidět
0:41:10takže kolem těch nějakým formátu kolem těch kopečku
0:41:13oni sou jak se koncentrované jo oni sou koncentrované
0:41:18nějakých lokálních maxim _e
0:41:21jo takže hodnoty vás někde jsou umístěné
0:41:26na mi říká ji
0:41:28to se řekla jo
0:41:31je to ta
0:41:34nic
0:41:42teďka L cca kepstrum i ste se už bavili o tom cepstru že jo a
0:41:47to kepstrum je co
0:41:49zkuste se to pole
0:41:57jak se to kepstrum třeba počítal jestli si pamatujete třeba _e
0:42:02tak ono to je za prvé je dobré vědět
0:42:06na co ho počítáme
0:42:09jo
0:42:10jako že to je naším cílem
0:42:15my jsme chtěli oddělit budu buzení moc modulace no jak sme to dělali
0:42:21my jsme třeba měli nějaký signál potom sme měli spektrum že
0:42:27zase se namalujeme tostexu mám sme to pochopí nějak
0:42:34no a ta rychle měnit se složka tu ta odpovídá vlastně násobkům ta základní frekvence
0:42:40jo to buzení
0:42:42a ta pomáhala tu je co my chceme říct to je ta
0:42:46_e ty teraz rezonance nějak
0:42:50jo
0:42:52no ani když teďka to spektrum _e známa na druhou potom udělám a logaritmus a
0:42:57zase nějakou inverzní
0:43:00a inverzní fourierovu transformaci takto s toho dostaneme
0:43:08my se teďka chceme na toto spektrum dívat jako na nějaký signál protože ní vidíme
0:43:13že ten signál v podstatě
0:43:15má vysoké frekvence
0:43:18jo to sou ty násobky základní frekvence
0:43:22jo a prostě to obálkou která vlastně to sou nízké frekvence jo
0:43:28je ženě když teďka ve žádny dalších mezi operaci tam uděláme inverzní fourierovu transformace nebo
0:43:35prostě rybu fourierovu transformaci tak dostaneme zpátky ten náš signál
0:43:41jo mít když uděláme fourierova transformace ještě jednou fourierova transformace dostaneme signál že my chceme
0:43:47teďka oddělit vlastně ty frekvence v těch našich frekvenci
0:43:52jo musíme tam dát nějakou operaci mezi to
0:43:56tak dáme tam
0:43:57vlastně a _e to spektrum dáme na druhou a dáme tam ten vokraj
0:44:03jo ten logaritmus je tam vlastně ta klíčová složka
0:44:08víte proč
0:44:12ono prostě to násobení se dělá nám na při čekání v podstatě a to tam
0:44:16co je tam to násobení
0:44:22no prostě násobení je ve spektru v čase to je konvoluce buzení a vlastně a
0:44:27té modifikace že jo
0:44:32tak fajn
0:44:34tak mi užitečný ten
0:44:37co je to kepstrum tolik což je dobře no ani vlastně můžeme místo té fourierova
0:44:41transformace tam dát
0:44:43a zase to co jsme viděli před chvilkou na nějakým slajdu to ten kdy dělám
0:44:49A Z
0:44:51jo
0:44:52že my už teďka vlastně tam
0:44:55nemáme
0:44:59_e nemáme žádnou
0:45:02žádnou tu rychle měnit se složkami tam budeme mít podstatě jenom tu modrou
0:45:09jo takže teďka naším cílem není oddělení oddělit buzení od modifikace ale
0:45:16co je naším cílem
0:45:18v podstatě proč bysme to dělali
0:45:25za prvé mějte port licence chceme aby jsme
0:45:30a používáli
0:45:32co nejmíň hodnot pro u reprezentace nějaké ostrej může
0:45:37no a teďka už tam to buzení nebudeme mít a že v podstatě budeme mít
0:45:41něco to same co N cca akorát
0:45:44bude čež či vpodstatě jo tady tyhlety koeficientíky se hodně používají
0:45:49pro rozpoznávání řeči
0:45:54ten proces je ale zdlouhavý jo protože musela udělat vlastně vypočítat
0:46:02_e musíme datu na druhou potom dělá nějaký logaritmus a zase nějakou fourierovu transformaci
0:46:09ani tydlety koeficienty dokážeme vypočítat
0:46:12zase pomoci nějaký vo
0:46:18nějakýho iterativního algoritmu
0:46:24a to je tady tímhle tím způsobem
0:46:27_e je tam akorát dosadíte
0:46:30dosadíte nějakého do hloubky
0:46:32předchozí chytráci
0:46:34a takovým způsobem se to počítáte aleš vlastně C nula až Á
0:46:40ač někam jo koník jako sem to budete používat ty hodnoty počítáte v podstatě stejně
0:46:47ale je to jednoduše o něco jo provádět tady tyhlety
0:46:52operace
0:47:01tak fajn máte nějaké otázky
0:47:05k tomu
0:47:09nemáte _e děláte si přestávku
0:47:14neděláte a chcete přestávku nebo nechcete
0:47:17nechcete
0:47:19tak
0:47:20teďka jako
0:47:24jo je se
0:47:26státní teďka bude mám
0:47:29prostice podívat a
0:47:32na další přednášku a to už den
0:47:37to se musím ještě stáhnout
0:48:46_m
0:48:58no a teďka se budeme chtít bajtu určování základního tónu řeči
0:49:03účty C T dvěma dvě metody jak byste tomu hi
0:49:08odhadovat
0:49:13jo com možné třeba to nebudete vědět úplně přesně ale aspoň řekněte mi
0:49:20dvě nějaké metody pomoci které který bysme to mohli vypočítat jo nechci jet já ale
0:49:26aspoň nábytek to
0:49:33je mi teďka chceme vlastně
0:49:36užitém základním tónu řeči jo my chceme
0:49:39odhadnout tu a základní frekvence nějakou na kterou na které kmitají hlasivky
0:49:46jo
0:49:48debaty hlasivky budou produkovat
0:49:51zase nějaký ten signál
0:49:55jo to není řeč této to leze něco co dělaj naši hlasivky
0:50:00todleto bude nějaká ten nula
0:50:03jo a potom S nula je jedna děleno ten nula
0:50:06jo je data
0:50:08ani teďka chceme
0:50:11prostě buď tu scénu nebo tu F no spočítat vzdálenost mezi dvěma
0:50:16infuzi
0:50:17jak sme to může dělat
0:50:21prosím
0:50:23můžeme použít vlastně tu cepstrální nějakou metodu jo protože
0:50:28a na konci když vypočítáme kepstrální koeficienty ta potom ste měli
0:50:36něco jako tady bílá třeba ta nějaké vysoká hodnota a potom tady se plazili
0:50:41zase nějaký hodnot kyjově sme řekli že prvních třicet odpovídá první třicet k otcem to
0:50:48odpovídá tomu
0:50:49co my říkáme že jo
0:50:51jo
0:50:52a to je ta pomalá změna ve spektru a ty a
0:50:57dívající vlastně jak to říkáme jo když vlastně vynulujeme teďka prvních třicet koeficientu a provedeme
0:51:06inverzní operace k těm které sme aplikování abysme proč tady to kepstrum tam dostaneme
0:51:12tady todleto
0:51:13jo samozřejmě to bude trošičku zašuměné eště nebude to úplně tak pěkné
0:51:19ale potom může mazlit vlastně ty dvě špičky a kdy počítat i vzdálenost a potom
0:51:24vypočítat citue jo to už umíte
0:51:28další věc
0:51:35o tom jste se bavili minule
0:51:49tak když vlastně jisté dokázali vypočítat kosy centy _e auta cation true
0:51:56jo máte ty koeficienty
0:51:59teďka prostě máte třeba kurz licence pro _e pro _e jo
0:52:04tak uděláte inverzní filtr k tomu
0:52:08L pece to že _e Z
0:52:10jo
0:52:11sem pustit této _e
0:52:15a tady by vám mělo díle to
0:52:23tak ten L P zkrátil term modeluje jsou říkám
0:52:27jo
0:52:28inverzní on vlastně se snažit toho říkáme odstraní
0:52:35jo
0:52:35a teďka nám tam vleze _e
0:52:38my vlastně to a tu informaci v podstatě snažím a odstraní tak by nám měl
0:52:44velký let potom zase
0:52:46by měla vylézt sekvence těch impulzů jo
0:52:51je zase tady vyleze prostě něco
0:52:54takovýho
0:52:55jo
0:53:00ekologické by to mělo být protekce
0:53:03jo když se podi ono tam trošičku je zamotána s tím A Z se vším
0:53:08kterém
0:53:10protože tam se mluví o několika jestli v podstatě
0:53:14najednou jo že prostě to je nějaká líně jarní predikce a potom vlastně todleto
0:53:21ono to
0:53:22po až tak moc ponesou wifi ale je to tak
0:53:27fajn
0:53:33teďka proč se o tom chceme báni celou přednášku když je to tak jednoduché
0:53:42co se měsíce
0:53:50to se dá udělat třeba jaký jiným způsobem _e ale eště tam nějaká dietní se
0:53:56musíme
0:53:57učte se určitě bavili o nějakým charakteristika že jo toho základního tom tak zkuste mít
0:54:04popřát ten základní tón všechno co o tom víte zkuste se na to vzpomenu
0:54:23tak zaprvé musíme třeba _e vědět hodnoty
0:54:27nějakého z mezi jo vy ste se říkali že muži třeba maji
0:54:32odpadní padesáti nějak tak jo až sto padesát třeba
0:54:37jo dětima je kolem těch _e
0:54:41cysta čtyřista jo a ženy nějak tak mezi
0:54:45mezitím a samozřejmě to záleží jo úplně krát můžete zpustle
0:54:51ale a _e no samozřejmě ono to se ještě
0:54:54a já nevím jestli nám to pan docent černocký říká ale ono to akože
0:54:59není úplně takle pravda protože
0:55:02no to záleži taký a _e na té populace jo že evropě lidi mluví prostě
0:55:08jinak než třeba a z i jeho tam oni mají ten základní tom o něco
0:55:12vyšší
0:55:13jo
0:55:15neříká vám to pan docent přenosky že třebas a v číně údajně děti můžu mluvit
0:55:20cache tisíc herd
0:55:22time
0:55:24jo takže
0:55:26takže a _e to on mi říká že a vlastně ty mobilní telefony jo s
0:55:32tím kódováním intel řešené fungování
0:55:35no takže se to muselo muse se tam přímo dodávat trošičku jiné jako telefon si
0:55:42nenastal
0:55:46tak
0:55:50ale já si myslím že pokud moderní době touž tak zase nemusí platit protože a
0:55:55_e
0:55:56že v americe třeba že je samozřejmě hodně číňanu a já poštípnu že oni vlastně
0:56:01ok odhánějí nemobilní mobilní telefony tak
0:56:04nevím
0:56:05ale tédleté mi říkám
0:56:12fajn dobře i teďka řekneme že někdo má _e základní frekvenci padesát hertzů
0:56:18jo
0:56:21je to
0:56:22úplně pravda nebo není můžeme říct že někdo mluvit prostě na padesáti herci
0:56:28co tam není prázdný
0:56:31ono se to může měnit
0:56:34dobře tak že vlastně ní teďka _e
0:56:39budeme chtít odhadovat nejenom nějakou konkrétní hodnotu F nula ale celý třeba ten průběh že
0:56:47jo
0:56:49jo takže my budeme chtít odhadovat třeba to F nula
0:56:53ná nějakých krátkých Ú settings řeči třeba na těch pro každý rámec budeme odhadovat
0:56:59zvlášť
0:57:00jo
0:57:03_e tu rozmezí mozek může být _e dva ku jedné jeho takže někdo když někdo
0:57:08move i třeba těch padesát tak může mluvit místo
0:57:12jo
0:57:13zajdeš čovek zpívá tak prostě ta modulace tam
0:57:17že toto no
0:57:19rozmezí je docela ustavení soket
0:57:23po tu _m o _e samo ze samozřejmě záleží na náladě když nějaká žena je
0:57:29či tak to
0:57:30dobře tím hybnou
0:57:33_e
0:57:35dále
0:57:50takže teďka pomalu
0:57:52kde marná to už dvě metody víte
0:57:56a mít teďka budeme se chtít podívat
0:58:00_e
0:58:03na nějak _e definují se tady máte co tady nemáte v podstatě ní
0:58:09akorát toto už asi víte že ta základní frekvence tomu říkat klíč jo
0:58:15jo slyšeli jste to nebo ne
0:58:18a eště se o tom nebát nemáli takže to je to je potřeba změnit takle
0:58:22se to píše anglicky
0:58:25ano a ono vlastně tady todleto oslovoval se používá jako že to tady todleto konkretistovo
0:58:31o normální význam taky znamená namířen třeba smůla jo jako s tou a dřeva
0:58:37jo potom eště je vlastně todleto a slovo se používá na tu mění nějaký chtěl
0:58:43facebooku
0:58:45jo
0:58:46ale zřejmě se nám to toho strašně líbí
0:58:52fajn _e nite jaksi poučit _e základní perioda
0:58:56to je dobře a potom eště jo eště jedna důležitá věc
0:59:00že musíme zavést eště další termín koši je nula
0:59:05jo a tu je perioda toho základního tónu ve vzorci
0:59:10jo
0:59:11takže vezmeme _e T nula vynásobíme tou a vzorkovací frekvence a máme to
0:59:19takže ty diecese musíte zapamatovat
0:59:24teďka se mu sem a eště říct D bysme mohli využít _e
0:59:29znalosti o tom základním tou jo proč ni třeba chceme mezi
0:59:34je tu Ú D nějakého člověka třeba jo
0:59:39a _e D počitá ten průběh
0:59:42základního tou
0:59:46dva tak na pádlo třeba když a ví někdo konkrétně řeknete nějakou dvě to a
0:59:52váš kolega řekne tu větu
0:59:54on ju řekne
0:59:56trošičku jinak jo prostě ta melodie vždycky _e
1:00:01tomu člověku nějak
1:00:04jak se to řekne
1:00:06že každý prostě mluvit trochu jinak
1:00:09takže už vlastně třeba u rozpoznávání mluvčího
1:00:13my dokážeme tudletu informaci využít nejenom konkrétní hodnotu
1:00:18jo ale průběh jak se to měnit částce
1:00:22jo potom na konkrétně z nějakých třeba hláska
1:00:26obzvlášť
1:00:28jo tam se to hodně a mění
1:00:32jako ne hodně ale trochu ale zase s toho něco rozpozná se toho rozpoznat k
1:00:36tomu vy podle toho jak se mění trajektorie hlasitě hodnot jo
1:00:42další věc se to může používat u syntézy řeči
1:00:47jo
1:00:48když vlastně
1:00:50bude mání té _e
1:00:54třeba
1:00:57parametry toho L pece
1:01:00jo toho filtru
1:01:02tak potom do toho nebudeme na syntézu řeči nebudeme chtít do toho
1:01:07pouštět jenom nějaké konstantní _e
1:01:12nějakou konstantní sekvence impulsů ale budeme chtít tam prostě přidat i nějaké té změněny
1:01:20jo můžeme je tam třeba uměle nějak
1:01:23žida třeba to prostě zašpinit _e nebo nejlépe
1:01:27třeba _e budeme chtít tam třeba když
1:01:31sem se zujeme nějakou otázku tak samozřejmě tam ten průběhy vždycky trošku jinak jo než
1:01:36ukažte řeči to je jinak
1:01:38no a tam budeme chtít vpodstatě ráčí a _e
1:01:42radši dat
1:01:44na vstup
1:01:45nějaký konkrétní ze života průběhu dnů někoho to odhadneme potom co budeme
1:01:51třeba i využívá se to prostě u té syntézy
1:01:59no a pokud o vání taky
1:02:02jo
1:02:03je vlastně a my můžeme ten tady průběh potom zakódovat nějak
1:02:09a
1:02:10nějak efektivně jo že nebudeme chtít před jako u budování rozdělíme vlastně a
1:02:18ten signál který generuje hlasivky a to co se u nás vytváří spouse to rozdělíme
1:02:24na dvě složky a potom zvlášť to zakódujeme a nějak budeme to
1:02:28_e buď ukládat a nebo nějak někam posílat ano
1:02:33fajn
1:02:49ta
1:02:50se tady máme
1:02:55tady zase máme nějaké problémy
1:03:00který můžou nastat
1:03:03to sme si už si myslím že tak nějak průběhu
1:03:07i řekli
1:03:22tady není co
1:03:26co říct dál tak fajn _e teďka
1:03:29já jsem vás chci zeptat
1:03:31a jaké třeba další metody by vás muži napadnout
1:03:36jo mít když máme teďka nějaký konkrétní signál
1:03:40máme řečový signál třeba já nevím zase prostě se nakreslíme nějaký signál E
1:03:48a chceme
1:03:49určit
1:03:50a základní periodu jak by sme to dělali prosím a
1:03:56jo teďka nebudeme po k těch použít
1:03:58ani kepstrum ani vlastně to L P se teďka máme jenom ten signál a nějak
1:04:04úplně jednoduše co by vás napadlo
1:04:14tak to vtom přesadíme jo když je teďka dostanete nějaký signál odfoukla tomu způsobem někdy
1:04:20kde prostě jak to vypočítáme tak zřejmě když se podíváte že tady máme nějaký ty
1:04:26kopečky
1:04:28jo
1:04:29a kdy počítáme tu vzdálenost
1:04:33teďka musíme ty kopečky nějak najít
1:04:40vidíme že vlastně ten letenku signály
1:04:44tady
1:04:45jo a ta je tam _e tam u signálu oni sou se nějak podobny že
1:04:49jo
1:04:51no a to tak ty autokorelační koeficienty
1:04:58my teďka vezmeme ten signál začne na postupně
1:05:02postupně začneme počitáš si autokorelační koeficienty jo
1:05:07nula aleš třeba
1:05:10kolika štychy
1:05:20já jsem vám teďka
1:05:22možná ani neřekla jednu věc které je docela
1:05:27docela užitečná ale _e i
1:05:30proč vlastně my sme se bavili o tom
1:05:33jakém jakem jako že intervalu sou ty hodnoty a pro základní
1:05:40pro základní frekvenci jsme si říkali to je padesát dejme tomu až čtyři staře
1:05:46a profese nadefinovali eště nějak ta nula
1:05:49jo co je základní perioda ve vzorci
1:05:52jo a to byla vlastně
1:05:56bylo něco jako že ten nula to je
1:06:00základní perioda
1:06:02že se nula krát
1:06:03F S
1:06:06jo
1:06:09a nebo můžeme říct že to je
1:06:13F S děleno
1:06:15S nula třeba
1:06:18jo
1:06:19a když nemáme teďka vzorkovací frekvence třeba a osum tisíc
1:06:26tak můžeme vypočítat vlastně ten vlak
1:06:30pro o _e nízké frekvence ale pro ty vysoké frekvence že takže teďka uděláme prostě
1:06:36osum tisíc děleno
1:06:39padesáti _e
1:06:41osum tisíc děleno kolik to bylo čtyři s takže
1:06:47ať vidíme že tady to je kolik sto šedesát
1:06:51jo
1:06:53a tady máme kolik tady máme
1:06:57dvacet
1:06:59jo
1:06:59jo tak
1:07:00takže
1:07:01tak fajn tak že vlastně vjíždíme
1:07:05že ten látky a pokud to může být vlastně dvacet až sto šedesát
1:07:11vzor
1:07:13jo
1:07:15přičemž pro nízké frekvence je ten lak vyšší samozřejmě logický
1:07:20a takže my teďka vlastně vezmu na
1:07:22to je náš signál budeme používat autokorelační metodu
1:07:27jo vypočítáme třeba prvních dvě stě
1:07:32a první dvě stě _e koeficientu
1:07:37a potom tady tomletom intervalů
1:07:40dvacet a čtu sto šedesát styku osy C N
1:07:44my budeme hledat
1:07:46co
1:07:47chtěl autokorelační kosice
1:07:50jak by vlastně teďka ani když vezmu na tady tenhleten
1:07:54řečový úsek a chceme
1:07:57si namalovat průběh chtěl autokorelačních
1:08:01kusy tento chceme teďka to namalovat jak by to vypadalo
1:08:07tak ten první autokorelační konstant bude vždycky jaký
1:08:12to
1:08:14_e _m jednáte když máme všechno normalizované
1:08:18ale bude maximální jo
1:08:20prostě budem a tady mít nějaký maximum
1:08:25jo
1:08:27a potom zase budeme mít nějaké lokální maximum jo
1:08:31až vlastně _e ten posunutý signál se posune třeba uplně vzorečku
1:08:37jo
1:08:40doprava tam nebo doleva to jenom _e zase nějaké max _e tady podám prostě mít
1:08:44nějaký globus
1:08:48no skoro se mi to povedlo
1:08:50ale nic teďka co budeme a co nás zajímá mě vezmeme
1:08:55těch dvacet až třeba těsto šedesát
1:09:00jo
1:09:01a vkusem a najít
1:09:03když je to asi je
1:09:05a vlastně kde si najdeme tento maximální
1:09:09_e teda to lokální maximum
1:09:12tak tam budete nula
1:09:14jo
1:09:15a už víme
1:09:17tady todleto všechno víme takže hezky se můžeme vypočítat F
1:09:21nula
1:09:22jo
1:09:24_e fajn
1:09:41bude to prosím vás vždycky fungovat
1:09:44jako že ta je tadleta metoda
1:09:47když budeme mít třeba nějakým nezměněny
1:09:51to nějak o to esko jo to je prostě šum
1:09:55tak by to nemuselo fungovat protože vlastně
1:09:58jako teď se mi tam vždycky najdeme nějaké lokální maximum sta je tomletom intervalu
1:10:04jo jenže do lokální maximum bude zase někde prostě tady vole
1:10:09jo takže ještě musel má kontrolovat podstatě na nějakou tu znělost jo jestli prostě má
1:10:14cenu
1:10:16vtom hledat nějaký základní
1:10:19_e
1:10:20jak se základní to jo
1:10:25potom teďka půjdeme dál po těch _e jde vlastně tady todleto co vám říkám tam
1:10:30je všechno těch najede hospodáři bych chtěl aby
1:10:34zatím trošičku
1:10:36i záni slevy
1:10:37teďka dívejte se problém té autokorelační metody spočívá v tom že mi teďka vezmeme ten
1:10:44jeden rámeček
1:10:46jo jak to vidíte tady
1:10:48začneme ho posouvá třeba
1:10:50do práva
1:10:53a to co je mimo ten rámec tak vlastně to sou nuly
1:10:58jo
1:10:59takže
1:11:01todleto se věnuje
1:11:03a todleto sledy nule taky
1:11:06jo protože máme tam
1:11:08nohy
1:11:10a počet hodnot _e ze kterých ní počítáme ty autokorelační koeficient on se zmenšuje vždycky
1:11:15jo s tím posunutím
1:11:17takže místečkách když se podívám entá no
1:11:22ono to bude vypadat nějak takhle
1:11:25jo to sou ty naše autokorelační koeficienty
1:11:29tady máme
1:11:30to maximum nějaké jo potom zase máme
1:11:34lokální maxima
1:11:36jo
1:11:40a takže my bysme teoreticky mohli udělat
1:11:44to takže když se podíváme sem zpátky
1:11:48tak a tady vezmeme
1:11:52prostě tady
1:11:53vezmeme kus signálu z předchozího rámce prostě se vo zapamatujem
1:12:00jo
1:12:01že tam budou zase nějaké ty
1:12:03_e nenulové hodnoty a tomu se bude říkat cross korela
1:12:09jo
1:12:10je v podstatě jako kdyby máme stejný signál a prostě on je už trochu jinýho
1:12:14protože leze podíl
1:12:16fajn takže tam už budeme mít zase _e
1:12:20větší počet
1:12:22vzorků
1:12:23to je fajn
1:12:25svých teďka můžeme
1:12:26to odhadnout jak svým
1:12:31jaksi hezkým
1:12:37ale tam může být zase nějaký další problém
1:12:41jak je tam může být problémy se podíváme teďka hnedka
1:12:49S já musím udělat je proč to nepamatuju moc _e jak sou ty slajdy za
1:12:53sebou
1:12:55_hm
1:12:57vždycky podívat na tesla poznámky
1:13:01má
1:13:02jo ani tečkami já sem zase něco přeskočila ale to je jako že hodin se
1:13:08když se podíváme sem tady máme vlastně _e
1:13:13až do té zelené čáry odleva máme zleva máme
1:13:17nahoře ten nějakým dané rámec a dole vidíme že vlastně
1:13:22používáme teda ne dole a ale
1:13:24tady
1:13:26tady dole a tady na hořela že používáme hodnotu stě
1:13:31buď předchozího anebo toho dalšího rám sem
1:13:35ano teďka bude zajímat energie
1:13:38jo předtím snad používali signál a úplně stejný signál když sme pro ty po výpočet
1:13:44kofi ten požáry míň a
1:13:47vzorku jo ale energie stě tvou
1:13:51jako kdyby na zem posunuty signálem kila stejná teďka my budeme používat hodnoty který jsou
1:13:57mýmu
1:13:59takže může nastat situace nepříjemná a tu je todleto
1:14:04jo
1:14:04tady máme náš ráme tady to vypadá úplně stejně v pohodě
1:14:09jenže
1:14:10tohleto na mílétos toho předchozího a má to větší energii
1:14:15jo právě proto my teďka bude muset dělat nějakou tu normalizace samozřejmě
1:14:20jo
1:14:21protože jí na
1:14:23kdy sme vypočíst by mohla nastat situace taková že temnoty a cross korelační kulky center
1:14:30nemusí být maximální
1:14:32těch šest vypočítán
1:14:34jo a mýtu budeme mít i na obrázku určitě jo
1:14:38_e tři budeme normalizovat
1:14:40ten výpočetní teďka dívejte se mi teďka sme vypočítá je cross korelační kusy centry
1:14:47jak se to taky se
1:14:48k osum
1:14:50jo
1:14:51a budeme chtít je nějak normalizovat
1:14:56N R
1:14:59jo takže bude znova energii
1:15:01prvního signálu třeba to u _e to horního jo řekl jste signál jedna tohle je
1:15:07signál je
1:15:08zná prostě energii jedna
1:15:11energie dvě a
1:15:13a můžeme to takhle nechat nebo ne
1:15:17_e test a tady máme v podstatě schováno v jednu energii jo protože děláme
1:15:21signál krát signál a sečteme všechno dohromady všechny ty vzorky jo
1:15:27že máme tam slovanu jedno
1:15:29a tady máme ty dvě energie jako kdyby
1:15:32tenhleten signál vpodstatě každý vzorek na druhou suma jo
1:15:36a psaní ta takže udělám ještě to od v něm
1:15:39jo
1:15:40a že to rozumíte to je fajn teďka se podíváme na ty konkrétní _e příkládky
1:15:46co je tohle je to je to řekla
1:15:50_e
1:15:52todleto je dobrý příklad tak to máme napsán
1:15:55jo
1:15:56máme cross korelační kusy centry a máme vlastně teda to je funkce pardon
1:16:03_e normalizováno funkce máme
1:16:06jo vidíme že vlastně
1:16:10_e v nule
1:16:12tom a maximální hodnotu vpohodě
1:16:15jo všechno vypadá
1:16:17hezky tam normalizace tam v podstatě ani nemusela být protože
1:16:21energie vlastně toho posunutého signálu aneb posuňte oni jsou víceméně stejné
1:16:27dobře
1:16:31a nemáme další příklad
1:16:34nahoře zase máme nenormalizovanou funkci a my vidíme že tady máme jedničku
1:16:41jo
1:16:42ale tady tydlety hodnoty obnaž třeba tady to je nesmysl
1:16:46jo protože
1:16:48ten postup osum design _e toto měl když _e energii a má se tady todleto
1:16:53stálo a nám se to nelíbí takže my když teďka budeme chtít odhadnout
1:16:57nějaký ten nula
1:16:59my řekneme že tohle to je ono tři ta
1:17:02když bysme měli tři sta tak _e když bysme třeba neuvažovali
1:17:08ten interval na kterým to můžeme hledat
1:17:10tak by to bylo úplně nesmyslné jo když budeme uvažovat to že to byla velmi
1:17:15nízký
1:17:17takže jsme uvažovali ten nějaký interval tak bysme našli třeba po tohleto _e nebo tomhle
1:17:23jo čili nic
1:17:28_m
1:17:29nespíš tady todle
1:17:32no a uděláme normalizace a všechno zase vypadat pohodě
1:17:36můžeme najít
1:17:38_e
1:17:39nějaké to maximum
1:17:45teďka
1:17:46my se budeme chtít _e se podívat někam zpátky
1:17:52jo třeba na tady tenhleten příklad
1:17:55my teď každý tím M
1:17:58nějaké lokální maximum a můžeme říct že prostě todleto
1:18:04tady bude nějak někde se nacházet tola jo
1:18:09a mě zajímá co je to co je tohle
1:18:13to sou ty data kopečky
1:18:27vy vlastně když máte nějaký ten signálek že jo
1:18:35a potom máte tady ty rezonance že
1:18:39jo todleto odpovídá vlastně impulzu
1:18:43a tady to sou ty postranně zákmity to sou ty rezonance no a teďka kočky
1:18:47jsou vlastně
1:18:49odtud
1:18:50honíte kopečky nám sou k ničemu
1:18:53že
1:18:54takže ním můžeme použit takovou věc že já budu má aplikovat a tak zvané klipování
1:19:01nějak
1:19:02i vezmeme ten máš signálek
1:19:06jo to jsem namalována
1:19:07a nadefinujeme si nějakou klipovací úroveň tak zvanou jo prostě klanu zápornou
1:19:18všechno co je vlastně mezi
1:19:22jedinou jeme jo aby nám to prostě já
1:19:27tak na to bysme to potřeba když se na potřebám tak to prostě nepotřebujem
1:19:31jo a potom vlastně necháme jenom ty kopečky
1:19:35a nebo místo těch kopečků buď tam necháme ty hodnoty který tam skutečně sou
1:19:40a jinde nuly anebo tam prostě dáme
1:19:43město ještě pobočku třeba jedničku až mínus jedničku
1:19:47jo
1:19:55_e deme na to tady máte na definovánu to funkce to je jednoduché to popište
1:20:02a tady sou ty výsledky tady sme vím vlastně u druhého obrázku sme jenom výřezy
1:20:07co sme potřebovali
1:20:09a u toho spodního tak tam sme vlastně nadefinování tu jedničku a nebo
1:20:14mínus jedničku jo a teďka můžeme počítat Ú korelační funkce
1:20:19jo
1:20:22jo nebo ne
1:20:25mám počítat až dávky u i in teďka já se látce zeptat
1:20:30řekla jsem a _e že jsme na bych normálně nějaké ty klipovací úrovně
1:20:36jo
1:20:37já jsme nadefinovali jak je můžeme nadefinovat vůbec to by na tak asi napadlo
1:20:47tak na provedy a to nebylo úplně nejlepší
1:20:50to nadefinovat natvrdo pro všechny rám že jo
1:20:54jo protože když máme změny tak tam ta úroveň zřejmě mohla bity výši
1:20:59když je nějakým rámec nezměněný nějaký to esko jo kde máme prostě šum
1:21:04tak prostě není moc dobrý tam hat
1:21:07to vysoká protože bysme dostali jenom samé nuly
1:21:10to je zase nemuse vaně protože uherska počítat vlastně základní
1:21:14tom taky nemám
1:21:17ale i tak my máme
1:21:21nadefinovány je vlastně
1:21:25_e
1:21:26tady máte popsán _e nějaké metod jak bysme to mohli udělat tak za prvé můžeme
1:21:32tu klipovací úroveň počítat pro každý rámec zvlášť potom vtom rámce můžeme taky
1:21:39_e těch tipovacích
1:21:41úrovni nadefinovat několik jo tady máte přímo příklad
1:21:45že se na definuje tři
1:21:52no ale zase jak sem řekla že vlastně když _e
1:21:56sebou toho eska nemám oceánu počítat nějaké ten základní tón ale
1:22:00tak jiný když budeme dělat o adaptivně klipování
1:22:04tak potom klidně můžeme na ty bola ty hodnoty šumů jo tam prostě dáme nízkou
1:22:10úroveň
1:22:11a něco mám toho dívá se přece jenom
1:22:14jo
1:22:15takže prostě muset _e vždy jako že my se tady furt baněma o nějakých metoda
1:22:20který nakonec prostě nikde nefunguje stoprocentně
1:22:24jo ale některé fungují prostě v některých případech některý fungují stíny křivce a nejlépe je
1:22:29vždycky prostě ty metody použít všechny
1:22:33a udělat potom nějakou i _e prostě nějaký průměrování a nebo nějak ví brát výsledek
1:22:39potom
1:22:40na základě eště nějaký na všech algoritmů
1:22:43kterými s tady jenom balíme o potenciále vlastně
1:22:47fajn
1:22:49a todleto
1:22:53o tomhletom sme se taky barvy na začátku úplně jo když jsem se vás ptal
1:22:57a
1:22:57že vlastně vezmeme nějaký filtr který definuje áčko na vstup tam a ani vezena vlastně
1:23:03ta chyba není ani predikce _e cože
1:23:07vlastně
1:23:10_e tenhleten druhý obrázek jestli se nemýlím
1:23:15nebo to je ten třetí
1:23:31jo
1:23:32takže vlastně tady mám i napsané co to je
1:23:35ta chyba lineární predikce to je ten _e
1:23:39to je ten spodní obrázek čekání vidíme že
1:23:42vlastně tý a
1:23:45ty špičky tamto viditelné hezky ktery
1:23:49jo spočítáme vzdálenost a máme to
1:23:52a ten a ten prostřední to je ten
1:23:57který povány signál
1:24:04N to není klipované se na to sou ty autokorelační funkce uši počítáme že jo
1:24:10jo takže já vám ta duškovi nám
1:24:13nepravdu
1:24:15takže to sou ten naše autokorelační funkce
1:24:18ani vidíte že
1:24:20víceméně všechny fungují
1:24:22jo akorát třeba
1:24:25a
1:24:26tady tydlety tvé metod k i
1:24:30funguje zřejmě lépe protože my nemáme tam typ odstranila vločky tak zvýrazněné jako třeba tady
1:24:37jo
1:24:40dobře
1:24:41to by bylo ono
1:24:47teďka mise budova podívat na jednu takovou
1:24:50trošičku matoucím je
1:24:55a tu je dlouhodobý prediktor chyby predikce pro určení základního tou
1:25:00jo
1:25:01toto znamená někdy sme _e dělají to L pecce
1:25:06tak když sme měli nějaký ten signálek
1:25:10jo
1:25:13a chtěli jsme vypočítat třeba ta je todleto vod notku tady
1:25:17tak my sme použili vlastně a
1:25:20deset předchozích
1:25:23jo takhle to fungovalo na
1:25:27teďka me vlastně a
1:25:34vezmeme ten filtr do toho filtru dáme kus řeči ani leze nám nějaká chyba
1:25:41což bude další krok jako kdyby
1:25:45jo dáme sám
1:25:48teda ne to L pece ale bylo tam ten a filtr inverzního tam bylo to
1:25:53áčko
1:25:54jo
1:25:55tady sme daně a Z a díle zónám potom
1:26:00něco
1:26:02takovýho
1:26:04jo to je ta jako kdyby šíp _e
1:26:08a tak si vlastně sme řekli by měla odpovídá tomu co vytváříte naše hlasivky
1:26:14ani teďka ste žili budeme chtít vlastně vypočítat
1:26:19to základní nějakou
1:26:21a periodou jo buď můžeme prostě najít i lokální maxima ani počítat
1:26:28vzdálenost je no
1:26:30a nebo i teďka použijeme ten dlouhodobý prediktor což znamená
1:26:35že _e hodnotu tady
1:26:39jo i budeme chtít spočítat tady tyhle tě jednoho a nebo
1:26:44dvou do
1:26:48a tento máme napsané
1:26:53a s toho všeho zná se nám potom vyleze
1:26:57chyba šípy
1:26:58jako kdyby
1:26:59jo
1:27:00a tak si bažiny už bude vypadat jenom fakt jako šum
1:27:03jo
1:27:05tady nic dáme ten dlouhodobý
1:27:09dlouhodobý prediktor
1:27:12jo
1:27:15a teďka vlastně ten dlouhodobý prediktor se zapíše jenom takhle
1:27:21jako lineární kombinace
1:27:24dvou vzorečku vzdálených
1:27:26o nějaké to M
1:27:29jo
1:27:29to S M sestřičkou vlastně bude
1:27:33o hodnota
1:27:36tady
1:27:38jo
1:27:38a todleto a ty dvě tečka budou zase hodnoty někde tady
1:27:43a ty bečka no tibet a vlastně sou nějaký váhová si
1:27:47k o fitcenter
1:27:48a proč bysme to mohli to měli dělá tak mi teďka bude má muset abysme
1:27:53minimalizovali tady tudletu síbíčko
1:27:57jo teda tady tudletu síbíčko kůže rozdíl
1:28:01a skutečné chybí a vlastně jako kdyby odhadnuté chyby
1:28:06jo
1:28:07tak musíme najít vlastně tu beta jedna a B tady a enko
1:28:13jo a to enko nám říká
1:28:15jak moc se musel na zdály
1:28:17jo my nevíme že musela použít tady tydlety konkrétní dva vzorky je musíme najít
1:28:23a tím pádem i když najdeme ty parametry optimálně tak najdeme to M kola jo
1:28:29a to N po je vlastně todle baltazar vzdálenost
1:28:33jo
1:28:35je to pole trochu nesmyslném proměnná když
1:28:45v podstatě musíme jako pro každé možné N T todleto vypočítat
1:28:50no nevím jestli to moc efektivní
1:28:55_hm dobře
1:29:01_m teďka cepstrální analýza už sme u sme něco řekněme sme řekli že může mezi
1:29:06ty
1:29:07_e když kepstrální koeficienty
1:29:09kdy byla se zpátky
1:29:11jak je se signál
1:29:13jo a potom tam zase asi v _e nějaký hodnota abysme to
1:29:17nějak
1:29:18_e počítány a nebo
1:29:24eště když ní vlastně se teďka podíváme
1:29:30a ty kepstrální koeficientíky tady jo tady tadleta tomu butiku totálně konstanta je nějaká energie
1:29:36taky vždycky maximálně a znovu vystřihli
1:29:39abysme měli dobré rozlišení pro ostatní ku osy centry
1:29:44tydlety odpovídají vlastně tomu co sme řekli touž víme že se mikeš
1:29:49no a tady už vlastně ty koeficienty ti odpovídají
1:29:55_e
1:29:57tom základnímu tónu ale mít když se na ně podíváme takle pískat tak mi vidíme
1:30:01že zase tady
1:30:03jsou nějaké zvláštní takového úseky
1:30:06jo
1:30:07a maximum tady bude odpovídat vlastně tomu lázně
1:30:13jo takže tohle to není vygenerované zpátky signál todleto sou jenom koeficienty kepstra
1:30:19jo takže to můžeme udělat vlastně dvěma způsoby
1:30:25co tam ještě máme
1:30:27v offline teďka dívejte se teďka sme
1:30:31udělali co pro každý rámec nějakou tou metodou a nelepil paralelně úplně všem a
1:30:37není počítání a hodnoty základního to takže dostaneme teďka pro nějakou konkrétně nahrávku
1:30:44průběh jo dostaneme sekvence hodnot
1:30:48jo hodnot jestli vypočítali jakž takž nějak to fungovalo
1:30:52a teďka máme tydlety hodnoty máme padesát sto padesát co si myslíte
1:30:59můžeme
1:31:01_e
1:31:02intervalu dvaceti minisukni což i ta naše ráme
1:31:06jo dvakrát
1:31:09prostě vyšší tu frekvenci to nemůžeme dat _e takže jí vidíme zřejmě že tady chyba
1:31:14to s tím můžeme teďka udělat my teďka nějak to chybu chci jak ta Y
1:31:18vyhladit semi odstraň
1:31:23mohli bysme použit třeba interpolace ale co by to udělal
1:31:27kdy sme třeba měli a něco jako
1:31:33uděláš bysme interpolaci třeba nějakou tak sme dostali toho
1:31:37nefunguje špatně ta
1:31:41a průměrování to je to samé přestaň pole
1:31:46můžete určitě znát ještě nějaký filtr
1:31:52jo
1:31:54jo popožene ten medián víte jak to funguje všichni
1:31:58řadíme ty hodnoty ale znamená se to prostředního daně říkám _m
1:32:04tak fajn může na použité mediánový filtr
1:32:07a nebo
1:32:09_e
1:32:11tam můžeme použity eště jednou
1:32:14metodu
1:32:22a ta metoda
1:32:25bude
1:32:27_e M dva k tomu navedl a teďka bude má štice zase na něčem za
1:32:32ni sacího to bude poslední něco které se bude a barvy tak pro snad počkejte
1:32:35pět minut eště
1:32:37jo a potom to dobře se bavte nebo
1:32:41_e
1:32:42mít teďka dívejte se prokáže ráne rámec ve natvrdo vypočítali nějakou hodnotu je to tak
1:32:50ať vidíme že prostě sme třeba dostali nějakou autokorelační
1:32:57funkce která třeba
1:32:59na zem a teďka ta stovka
1:33:01jo která třeba vypadala já nevím jak už to vypadá
1:33:05rostli tady to měl nějaké max no tady to měla maximum a tady to měl
1:33:10jo dejme tomu
1:33:12jo takhle sme dostali tu
1:33:14stovku
1:33:15já myslím se podívali že tady
1:33:17tady to je určitě ono
1:33:20jo jenže tohleto je také nějaké lokální maximum
1:33:24ani když víme že děláme takové chybí tak možné je dobře kubát se informace nejenom
1:33:31o tom nejlepším _e cons dát tu
1:33:34takhle
1:33:35řekne
1:33:37pro kandidátovi tak za
1:33:40_e
1:33:42takže prostě sem necháme informace je vlastně a
1:33:47pro jejich možnosti
1:33:49jo ne uložím asi jenom tu nejlepší
1:33:53ale i ty které taky
1:33:56možná
1:33:57budou odpovídat vlastně to naše prán
1:34:01potom mise udělám a jakousi maticemi ti a hodnot
1:34:06jo
1:34:08teďka prostě uděláme se takovou
1:34:12jako kdyby maticemi
1:34:17kde vlastně tady třeba
1:34:20ta matice bude
1:34:22vnést nám jakési jako kdyby
1:34:26no nebude to přímo matice ale mělo by to být nějaké pole
1:34:31nejspíš
1:34:33no a matice poletuje poslány
1:34:36jo ale tady máme vlastně ty naše lagy
1:34:42tady mám _e ty naše a rámce ty frame i jo tak nepíšeme
1:34:47třeba stejný
1:34:49bože
1:34:50core
1:34:51a hodnoty té matice nám budou vlastně
1:34:55říká jak moc pravděpodobné to je jak moc tam ověříme
1:34:59jo
1:35:00takže třeba my máme ty padesátky kolik tady mám
1:35:04tak prostě na ty padesátky uděláme že tomu věřila sádře hodně
1:35:11jo
1:35:12potom třeba máme tu stovku tomu tati věžemi strašně moc
1:35:17a potom z _e se
1:35:19jo děsem atomu hodně
1:35:25potom třeba když sme si nechali víc N po informace o průběhu třeba T autokorelační
1:35:32funkce víme že tady bylo taky nějaké lokální maximum
1:35:36ale prostě
1:35:38nevěřili jsme tomu až tak moc jo
1:35:41potom tady
1:35:44zřejmě to bylo
1:35:46no a tady třeba úplně něco málo sme měli
1:35:50jo
1:35:51teďka budeme hledat tak zvanou optimální cestu
1:35:57jo ta optimální cesta ni se teďka budeme dívat ona bude prostí para třeba name
1:36:03jako kdyby podle těch pravděpodobnost nějak takhle
1:36:06jo potom další průběhu bude
1:36:10někde takle
1:36:11no a řekneme _m to je špatný příklad a řekneme že tady k nic nemáme
1:36:18jo a řekneme že prostě třetí bude průběh třeba
1:36:23zase takhle
1:36:26jo
1:36:28tak teďka co jsem se snažila namalovat nebo zobrazit toho že
1:36:34přes tu stovku i když máme velmi velkou pravděpodobnost že tam má být akože to
1:36:40ta stovka jo ta pravděpodobnost
1:36:42dceru nám dala nějak a ta autokorelační metoda
1:36:46jo ne ta tečna pravděpodobnost jako by
1:36:49tam vlastně nám ta cesta prošla jedno jak vidíme
1:36:54jo a přes tu padesátku kterou sme si až tak dobře neodhadli
1:36:59tak ta cesta třeba prošla dvakrát
1:37:01jo to je není to není úplně ten kuželem
1:37:05_e ten
1:37:10u ty příklady ve skutečně se to o něco komplikovanější ale pochopili jste to jo
1:37:14takže my teďka řekneme že vlastně tam sme prolezli dvakrát tak to bude ono
1:37:19jo to bude vlastními řekneme že ta cesta je tadle
1:37:23jo a když se cestovky tam
1:37:25dáme tu padesát
1:37:29find
1:37:33to je to máte popsány tady
1:37:36jo ve skutečnosti to bude třeba vypadat nějak takhle
1:37:40jo tady máme prostě víc těch rámečku
1:37:43a máme zase uložené pro každý rámec si nejpravděpodobnější hodnoty nějaké
1:37:50jo a tady potom
1:37:52vlastně vybereme _e ty hodnoty kde se to nějak překrývá anebo udělám nějakou interpolaci tam
1:38:00a my něco takovýho jo
1:38:10jo vlastně jsem kecala teďka máme ještě jednu věc o které se musíme popálit a
1:38:14to je desetinné vzorkování
1:38:17jo rovná se může nastat taková situace že mi když máme
1:38:22tak se budu malovat ten signál
1:38:26bože malovat vůbec
1:38:29takový signál jo teďka mistrova navzorkujeme
1:38:33ve známém
1:38:36tudle hodnotu tady tento nebudu malovat jo ale prostě pro znázornění
1:38:41potom _e třeba to tady
1:38:44seznam a tady
1:38:46tady musím namalovat zase
1:38:50no a u nás víte že vezmeme prostě tydlety hodnoty jo protože máme tu vzorkovací
1:38:55frekvence
1:38:56nějakou _e nízkou
1:38:58jo
1:38:59takže tady my vidíme že detekujeme v podstatě ten dávala
1:39:05protože a když třeba vypočítáme ty autokorelační pozice termín vidíme
1:39:12je tydlety hodnot k i oni nějak tak budou
1:39:15prostě a budu nálad lepší hodnoty nešpor _e tendleten konkrétní po osum
1:39:22jo
1:39:24no ale ní máme tady tyhlety hodnoty co my teďka budeme chtít udělat ní budeme
1:39:28teďka chtít dělá to desetinné vzorkování což my neděláme fyzicky jo i nemůžeme zvýšit vzorkovací
1:39:34frekvence ale jenom teoreticky
1:39:37takže my teďka řekneme že my budeme chtít
1:39:40vlastně _e si čáry jo teďka náš signál vlastně se mi mám uloženy tomu se
1:39:46na pracovat postupy modre modré čáry
1:39:49jo
1:39:51ani teďka budeme s tím že
1:39:52prostě ty čáry chceme nějakým způsobem doplnit
1:39:57takže my rozdělím a tam interval chtěl _e deset
1:40:01jo
1:40:01tady všude vše všechno
1:40:04a uděláme třeba nějakou co interpolace
1:40:07jo tak on uvidí že
1:40:09tady to leze náhodou tady tohle za do _e tato dá se nějaký kopec a
1:40:14ono tam skutečně prostě ty hodnoty ne úplně přesně ale nějak dopočítat
1:40:19jo po záleží na to co budeme vlastně používat no a potom může má na
1:40:23to aplikovat autokorelační
1:40:26funkci
1:40:27jo
1:40:29a nebo to udělám úplně naopak vezmeme jenom ty modré hodnoty
1:40:33počítáme autokorelační funkce a uděláme desetinné
1:40:37blokování se tomu říká jo tak autokorelační funkce a snad tam potom ty kopečky nám
1:40:42toto polní
1:40:44jo podle těch
1:40:45vlastně sousedních jako kdyby
1:40:47průběhu nějaké sousední ano
1:40:49tak nějaké otázky
1:40:53tyhle já se nebo ni
1:40:55není jasné
1:40:59tak já děkuju vám za pozornost
1:41:01mějte se hezky