audio content analysis - laboratory course · 2013. 5. 15. · 4 5 function[y1,y2]...

Einführung Termin 1 Termin 2 Termin 3 Termin 4

Audio Content AnalysisLaboratory Course

Fachgebiet Audiokommunikation, TU-Berlin

Sommersemester 2013

Termin 1

Rahmenbedingungen

Zeitlich• 13 Übungstermine• 4-5 Termine Einführung• 6. Termin Kurzvorstellung der Projekte• 9. Termin Zwischenstandsbericht• 12/13. Termin Abschlusspräsentation

Projektarbeit• Gruppenarbeit a 2-3 Leute• Programmierung in Matlab/Octave/Freemat• Sämtliche Abgaben (Code, Kommentare, Paper) und

Präsentationen in englischer Sprache

Rahmenbedingungen

Prüfungsleistung

Leistungen• Abgabe aller 4 Programmieraufgaben (unbenotet)• Präsentation des Projektes und Zwischenpräsentationen (benotet)• Ausarbeitung: 4 Seiten Konferenzpaper (benotet)

FragenEmail an:

• flohrer@zplane.de• von_coler@mailbox.tu-berlin.de

Prüfungsleistung

Leistungen• Abgabe aller 4 Programmieraufgaben (unbenotet)• Präsentation des Projektes und Zwischenpräsentationen (benotet)• Ausarbeitung: 4 Seiten Konferenzpaper (benotet)

FragenEmail an:

• flohrer@zplane.de• von_coler@mailbox.tu-berlin.de

Grundlegende Tips zu Matlab

• Regelmäßig, z.B. im Kopf von Skripten: clearvars(Vorsicht: ’clear all’ löscht auch Breakpoints!)

• Zu Beginn wichtige Pfade mit addpath() laden• Mit Funktions- und Variablenamen keine Matlab Builtins

überschreiben, wie etwa ’mean()’• Schleifen vermeiden, da sehr langsam!• Mit Semikolon terminieren, sonst ewig viel Output !!• Matlab hat keinen Index ’0’ !

• Zu Beginn wichtige Pfade mit addpath() laden

• Mit Funktions- und Variablenamen keine Matlab Builtinsüberschreiben, wie etwa ’mean()’

• Schleifen vermeiden, da sehr langsam!• Mit Semikolon terminieren, sonst ewig viel Output !!• Matlab hat keinen Index ’0’ !

überschreiben, wie etwa ’mean()’

• Schleifen vermeiden, da sehr langsam!• Mit Semikolon terminieren, sonst ewig viel Output !!• Matlab hat keinen Index ’0’ !

überschreiben, wie etwa ’mean()’• Schleifen vermeiden, da sehr langsam!

• Mit Semikolon terminieren, sonst ewig viel Output !!• Matlab hat keinen Index ’0’ !

überschreiben, wie etwa ’mean()’• Schleifen vermeiden, da sehr langsam!• Mit Semikolon terminieren, sonst ewig viel Output !!

• Matlab hat keinen Index ’0’ !

Funktionen schreiben

1. Anlegen einer Datei mit Namen der Funktion, z.B. my_function.m

2. Definition des Funktionskopfes am Anfang3. Funktionsname = Dateiname !4. Header Kommentar für ’help’

my_function.m:1 % function [y1,y2] = my_function(x1,x2)2 %3 % A dummy function!4

5 function [y1,y2] = my_function(x1,x2)6

7 y1 = x2;8 y2 = x1;

2. Definition des Funktionskopfes am Anfang

3. Funktionsname = Dateiname !4. Header Kommentar für ’help’

7 y1 = x2;8 y2 = x1;

2. Definition des Funktionskopfes am Anfang3. Funktionsname = Dateiname !

4. Header Kommentar für ’help’

7 y1 = x2;8 y2 = x1;

Wichtige Datentypen

ArrayA = [1 2 3; 4, 5, 6 ] A = 1 2 3

4 5 6Zugriff: a = A(1,1) = 1

Cell arrayB = {1 2 ’drei’; 4 [2 , 3] 6} A = 1 2 drei

4 [2, 3] 6Zugriff: b = B{1,3} = ’drei’

StructS.name = ’Track1’; S.duration = 120;Zugriff: NAME = S.name;

Struct ArrayS(1).name = ’Track1’; S(2).name = ’Track_2’;Zugriff: NAME = S(2).name = ’Track_2’;

Wichtige Datentypen

ArrayA = [1 2 3; 4, 5, 6 ] A = 1 2 3

4 5 6Zugriff: a = A(1,1) = 1

4 [2, 3] 6Zugriff: b = B{1,3} = ’drei’

Wichtige Datentypen

ArrayA = [1 2 3; 4, 5, 6 ] A = 1 2 3

4 5 6Zugriff: a = A(1,1) = 1

4 [2, 3] 6Zugriff: b = B{1,3} = ’drei’

Wichtige Datentypen

ArrayA = [1 2 3; 4, 5, 6 ] A = 1 2 3

4 5 6Zugriff: a = A(1,1) = 1

4 [2, 3] 6Zugriff: b = B{1,3} = ’drei’

Wichtige Datentypen

ArrayA = [1 2 3; 4, 5, 6 ] A = 1 2 3

4 5 6Zugriff: a = A(1,1) = 1

4 [2, 3] 6Zugriff: b = B{1,3} = ’drei’

Einige Funktionen

Audiodateien:wavread(), wavwrite(), sound(), ...

Daten speichern und ladensave, load; dlmread(), dlmwrite(); textscan(), fprintf() ...

Plotsplot(), stem(), stairs(), imagesc(); set(gca,’...’); print() ...

Rechenoperationenfft(), fftshift(), ifft(); abs(), mean(), var(), sum(); diff() ...

Immer erst prüfen, ob Matlab benötigte Funktionen bereitstellt!Es gibt mehr Builtins als man denkt!(Je nach installierten Paketen.)

Einige Funktionen

Für die Performance

• Verwendung von arrayfun(), cellfun() und structfun()

• So selten wie möglich über Zeilen/Spalten loopen• Beachten: Matlab hat einen begrenzten Speicher für einzelne

Variablen: (z.B. 583 MB pro Array in Windows)

Tips zum Debuggen

• Conditional Breakpoints verwenden!• Verwenden von try ... catch

• Bei langen Schleifenaufgaben helfen regelmäßige Feedbacks:disp(’Done with File ’num2str(i) ’of ’num2str(nFiles) ’Files !’)

Tips zum Debuggen

• So selten wie möglich über Zeilen/Spalten loopen

• Beachten: Matlab hat einen begrenzten Speicher für einzelneVariablen: (z.B. 583 MB pro Array in Windows)

Tips zum Debuggen

Tips zum Debuggen• Conditional Breakpoints verwenden!

• Verwenden von try ... catch

Tips zum Debuggen• Conditional Breakpoints verwenden!• Verwenden von try ... catch

Blockweise Signalanalyse

Global Feaures Instantaneous Features

Gründe für eine blockweise Analyse1. Interesse am Verlauf von Signaleigenschaften

(Amplituden-Hüllkurve)2. Zerlegung des Signals in quasi-stationäre Segmente (z.B. für eine

Blockweise Signalanalyse

Global Feaures Instantaneous Features

Gründe für eine blockweise Analyse1. Interesse am Verlauf von Signaleigenschaften

(Amplituden-Hüllkurve)2. Zerlegung des Signals in quasi-stationäre Segmente (z.B. für eine

Parameter für Block-Processing

HopsizeLh = 1ms · · · 1000ms

FramesizeLf = 1ms · · · 1000ms

OverlapErgibt sich aus Hopsize und Framesize

FensterungVerschiedene Fensterfunktionen:boxcar, tri, hann, hamming, ...

Schematische Implementierung (Doch mit Schleife)

1 x = read wavefile;2

3 % analysis parameters4 nHop = size of hop in samples;5 nWin = length of window in samples;6 nFrames = number of frames to fit into x;7 % allocate output memory8 y = zeros(nFrames,1);9

10 for frmCnt = 1:nFrames11

12 % get segment13 thisFrame = x((frmCnt-1)*nHop +1 : (frmCnt-1)*nHop + nWin);14

15 % compute value16 thisValue = my_function(thisFrame);17

18 % assign value to output19 y(frmCnt) = thisValue;20 end

Schematische Implementierung (Doch mit Schleife)1 x = read wavefile;2

3 % analysis parameters4 nHop = size of hop in samples;5 nWin = length of window in samples;6 nFrames = number of frames to fit into x;7 % allocate output memory8 y = zeros(nFrames,1);9

10 for frmCnt = 1:nFrames11

12 % get segment13 thisFrame = x((frmCnt-1)*nHop +1 : (frmCnt-1)*nHop + nWin);14

15 % compute value16 thisValue = my_function(thisFrame);17

18 % assign value to output19 y(frmCnt) = thisValue;20 end

Root Mean Square:

RMS(x) =

√√√√ 1N

N∑i=1

Root Mean Square:

RMS(x) =

√√√√ 1N

N∑i=1

Energieverlauf

Beispiel (Instrumentalsolo)

500 1,000 1,500 2,000 2,5000

·10−3

Energieverlauf

Beispiel - logarithmisch (Instrumentalsolo)

500 1,000 1,500 2,000 2,500−15

RMS/dB

Download

http://zplane.de/downloads/uni/git.wav

Termin 2

Grundfrequenz

Fragen zur letzten Aufgabe?

Termin 2

Autokorrelationsfunktion und Grundfrequenzverlauf

Autokorrelationsfunktion

rxx[τ ] =L−τ∑j=1

xjxj−τ (1)

Spezielle Fälle:• AKF für Rauschen?• AKF für Sinus?

Normierung auf 1 üblich!Hier aber erstmal nicht wichtig...

xjxj−τ (1)

Autokorrelationsfunktion und F0

Ermittlung der Grundfrequenz durch AKF:• Verwerfen des globalen Maximums bei τ = 0

• Suche des nächsten signifikanten Maximums• Lage des Maximums entspricht der Periodendauer in Samples

Ermittlung der Grundfrequenz durch AKF:• Verwerfen des globalen Maximums bei τ = 0• Suche des nächsten signifikanten Maximums

• Lage des Maximums entspricht der Periodendauer in Samples

Ermittlung der Grundfrequenz durch AKF:• Verwerfen des globalen Maximums bei τ = 0• Suche des nächsten signifikanten Maximums• Lage des Maximums entspricht der Periodendauer in Samples

900 1800-1

Abbildung: Einseitige normierte Autokorrelationsfunktion eines periodischenSignals mit erstem Nulldurchgang und signifikantem Maximum zurGrundfrequenzerkennung

900 1800-1

Erster Nulldurchgang

900 1800-1

1Gesuchtes Maximum bei τMAX

Erster Nulldurchgang

Implementierung

• Erstellen einer Funktion [f_0] = get_F0(x,fs)

• Verwenden von xcorr(,’maxlag’)• max() innerhalb sinnvoller Indizes anwenden• Umrechnung von τMAX in Frequenz

• Anpassen der Funktion blockwise_RMS()

Begrenzung des Frequenzbereichs!Nur innerhalb eines Bereiches Suchen, der für musikalischeGrundfrequenzen sinnvoll ist!

Implementierung

• Erstellen einer Funktion [f_0] = get_F0(x,fs)• Verwenden von xcorr(,’maxlag’)

• max() innerhalb sinnvoller Indizes anwenden• Umrechnung von τMAX in Frequenz

Implementierung

• Erstellen einer Funktion [f_0] = get_F0(x,fs)• Verwenden von xcorr(,’maxlag’)• max() innerhalb sinnvoller Indizes anwenden

• Umrechnung von τMAX in Frequenz• Anpassen der Funktion blockwise_RMS()

Implementierung

• Erstellen einer Funktion [f_0] = get_F0(x,fs)• Verwenden von xcorr(,’maxlag’)• max() innerhalb sinnvoller Indizes anwenden• Umrechnung von τMAX in Frequenz

Implementierung

Blockgröße

Kriterien für die Wahl der Blockgröße?

• Minimale Länge <—> Tiefste Frequenz• Maximale Länge <—> Bedingung der Stationarität

Blockgröße

Kriterien für die Wahl der Blockgröße?• Minimale Länge <—> Tiefste Frequenz• Maximale Länge <—> Bedingung der Stationarität

Probleme

• Peak Picking

• Subharmonic Error (starke Obertöne)• Abhängigkeit der Genauigkeit von der Samplerate

Probleme

• Peak Picking• Subharmonic Error (starke Obertöne)

• Abhängigkeit der Genauigkeit von der Samplerate

Probleme

• Peak Picking• Subharmonic Error (starke Obertöne)• Abhängigkeit der Genauigkeit von der Samplerate

Upsampling

Erhöhung der GenauigkeitDurch Upsampling des Signals oder der AKF vor der Suche desMaximums können die Werte für f0 feiner quantisiert werden.

Grundfrequenzverlauf - Violine

0 50 100 150 200 250100

Abbildung: Grundfrequenzverlauf mit Subharmonic Errors

Testen

Ideen für Testverfahren / -signale?

Termin 3

Spectral Features

Fragen zur letzten Aufgabe?

Themen für Projekte

Vorschläge:• Pitcherkennung• Onset/Beat/Tempo erkennung• Harmonieerkennung• Tonarterkennung• Strukturerkennung (strophe/refrain etc.)• Instrumentenklassifikation• monophon/polyphon Erkennung• ...

Themen für Projekte

Vorschläge:• Pitcherkennung• Onset/Beat/Tempo erkennung• Harmonieerkennung• Tonarterkennung• Strukturerkennung (strophe/refrain etc.)• Instrumentenklassifikation• monophon/polyphon Erkennung• ...

X[k] =N−1∑n=0

x[n]e−j2πk nN (2)

Betragsspektrum

200 400 600 800 1,000 1,200 1,400 1,600 1,800 2,0000

Sample

Abbildung: Betragsspektrum (f = 0...fs) eines Flötentons (Block - 2000Samples)

SymmetrieDie Fouriertransformierte eines reellen Signals ist symmetrisch!

Betragsspektrum

200 400 600 800 1,000 1,200 1,400 1,600 1,800 2,0000

Sample

Abbildung: Betragsspektrum (f = 0...fs) eines Flötentons (Block - 2000Samples)

SymmetrieDie Fouriertransformierte eines reellen Signals ist symmetrisch!

Einseitges Betragsspektrum

100 200 300 400 500 600 700 800 900 1,0000

Sample

Abbildung: Einseitiges Betragsspektrum (f = 0...fs/2) eines Flötentons (Block- 2000 Samples)

VorteilDas einseitige Betragsspektrum eignet sich für die Berechung von Vertei-lungsmerkmalen

Einseitges Betragsspektrum

100 200 300 400 500 600 700 800 900 1,0000

Sample

Abbildung: Einseitiges Betragsspektrum (f = 0...fs/2) eines Flötentons (Block- 2000 Samples)

VorteilDas einseitige Betragsspektrum eignet sich für die Berechung von Vertei-lungsmerkmalen

Anwendung Spektrale Merkmale

• Unterscheidung verschiedener Signale (z. B. Sprache vs. Musik)• Segmentierung eines Signals (z.B. Tonal vs Noise)• Voice Activity Detection• Transientenerkennung• Rückschlüsse auf Klangeindruck (z.B. Klar vs. Dumpf)• ...

Beispiele für Spektrale Merkmale

Spektrale Verteilung• Spectral Centroid• Spectral Spread• Spectral Skewness• Spectral Kurtosis• Spectral Decrease• Spectral Rolloff• Spectral Slope• Spectral Flatness• Spectral Crest Factor• ...

Veränderung des Spektrums• Spectral Flux• Spectral Variation• Instantaneous Frequency Fluctuation• ...

Spectral Rolloff

BeschreibungDer Spectral Rolloff gibt die Frequenz an, unterhalb welcher sich der Groß-teil der Gesamtenergie befindet. (meist 95 %)

Berechnung:S∗∑k=1|X|2[k] = 0.95

K∑k=1|X|2[k] (3)

SRLO = S∗

Berechnung über Verteilungsfunktion!

Spectral Rolloff

BeschreibungDer Spectral Rolloff gibt die Frequenz an, unterhalb welcher sich der Groß-teil der Gesamtenergie befindet. (meist 95 %)

Berechnung:S∗∑k=1|X|2[k] = 0.95

K∑k=1|X|2[k] (3)

SRLO = S∗

Berechnung über Verteilungsfunktion!

Spectral Rolloff

20 40 60 80 100 120 140 160 180

Rolloff

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2·105Sample

Abbildung: Spectral Rolloff und Zeitsignal (Flöte)

Spectral Centroid

BeschreibungDer Spectral Centroid gibt den Schwerpunkt der spektralen Verteilung an.

Berechnung:SCNT =

∑Kk=1 k · |X|[k]∑Kk=1 |X|[k]

Spectral Centroid

BeschreibungDer Spectral Centroid gibt den Schwerpunkt der spektralen Verteilung an.

Berechnung:SCNT =

∑Kk=1 k · |X|[k]∑Kk=1 |X|[k]

Spectral Centroid

20 40 60 80 100 120 140 160 180

Centroid

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2·105Sample

Abbildung: Spectral Centroid und Zeitsignal (Flöte)

Spectral Flux

BeschreibungDer Spectral Flux gibt an, wie stark sich das Betragsspektrum mit der Zeitändert.

Berechnung:

SFLX = 1K

K∑k=1

(|X[n− 1, k]| − |X[n, k]|)2 (6)

Berechung über die euklidische Distanz aufeinanderfolgender Frames!ImplementierungDer vorherige Frame muss in der Schleife behalten werden!

Spectral Flux

Berechnung:

SFLX = 1K

K∑k=1

(|X[n− 1, k]| − |X[n, k]|)2 (6)

Berechung über die euklidische Distanz aufeinanderfolgender Frames!

ImplementierungDer vorherige Frame muss in der Schleife behalten werden!

Spectral Flux

Berechnung:

SFLX = 1K

K∑k=1

(|X[n− 1, k]| − |X[n, k]|)2 (6)

Berechung über die euklidische Distanz aufeinanderfolgender Frames!ImplementierungDer vorherige Frame muss in der Schleife behalten werden!

Spectral Flux

20 40 60 80 100 120 140 160 180Frame

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2·105Sample

Abbildung: Spectral Flux und Zeitsignal (Flöte)

Subplots

Verwendung:1. subplot(n,m,i)

2. plot(x)

Parameter:n = Anzahl der Subplot-Zeilen

m = Anzahl der Subplot-Spalten

i = Wahl des Subplots (n ·m)

Subplots

Verwendung:1. subplot(n,m,i)

2. plot(x)

Parameter:n = Anzahl der Subplot-Zeilen

m = Anzahl der Subplot-Spalten

i = Wahl des Subplots (n ·m)

Download

WaveFiles liegen hier:

http://zplane.de/downloads/uni/aca3.zip

Termin 4

Klassifikation: KNN

Organisatorisch

22.5: Vorstellung der Projekte

1. 2 Minuten , 2-3 Folien2. Was habt ihr vor?3. Was gibt es schon (Literatur)?4. Welche Probleme wird es geben?5. Grober Zeiplan!

19.6: Zwischenbericht

Nachtrag zu Spectral Features

In der Praxis werden unterschiedliche Versionen vonFeatures verwendet:

ÜbungRolloff:∑S∗

k=1 |X|2[k] = 0.95∑Kk=1 |X|2[k]

Centroid:SCNT =

k=1k·|X|[k]∑K

k=1|X|[k]

Beides ist korrekt - ja nach Anwendung liefert eineVersion aber bessere Ergebnisse!

k=1 |X|2[k] = 0.95∑Kk=1 |X|2[k]

Centroid:SCNT =

k=1k·|X|[k]∑K

k=1|X|[k]

k=1 |X|2[k] = 0.95∑Kk=1 |X|2[k]

Centroid:SCNT =

k=1k·|X|[k]∑K

k=1|X|[k]

VorlesungRolloff:∑S∗

k=1 |X|[k] = 0.95∑Kk=1 |X|[k]

Centroid:SCNT =

k=1k·|X|2[k]∑K

k=1|X|2[k]

K-Nearest Neighbors

• Klassifikationsalgorithmus• Einfache Theorie, einfache Implementierung• 1.Training -> 2.Klassifikation

1: Training

1. Alle Samples in Trainingset einer Klasse Kn zuordnen2. Alle Samples mit Varianz Normieren

2: Klassifikation

1. Unbekanntes Sample S soll einer Klasse aus Kn zugeordnet werden2. Sample mit Varianz aus Training normieren3. k nächste Nachbarn im Merkmalsraum finden4. Häufigste Klasse in nächsten Nachbarn bestimmen -> FERTIG

K-Nearest Neighbors

1: Training1. Alle Samples in Trainingset einer Klasse Kn zuordnen

2. Alle Samples mit Varianz Normieren

2: Klassifikation

K-Nearest Neighbors

1: Training1. Alle Samples in Trainingset einer Klasse Kn zuordnen2. Alle Samples mit Varianz Normieren

2: Klassifikation

K-Nearest Neighbors

2: Klassifikation

K-Nearest Neighbors

2: Klassifikation1. Unbekanntes Sample S soll einer Klasse aus Kn zugeordnet werden

2. Sample mit Varianz aus Training normieren3. k nächste Nachbarn im Merkmalsraum finden4. Häufigste Klasse in nächsten Nachbarn bestimmen -> FERTIG

K-Nearest Neighbors

2: Klassifikation1. Unbekanntes Sample S soll einer Klasse aus Kn zugeordnet werden2. Sample mit Varianz aus Training normieren

3. k nächste Nachbarn im Merkmalsraum finden4. Häufigste Klasse in nächsten Nachbarn bestimmen -> FERTIG

K-Nearest Neighbors

2: Klassifikation1. Unbekanntes Sample S soll einer Klasse aus Kn zugeordnet werden2. Sample mit Varianz aus Training normieren3. k nächste Nachbarn im Merkmalsraum finden

4. Häufigste Klasse in nächsten Nachbarn bestimmen -> FERTIG

K-Nearest Neighbors

2: Klassifikation1. Unbekanntes Sample S soll einer Klasse aus Kn zugeordnet werden2. Sample mit Varianz aus Training normieren3. k nächste Nachbarn im Merkmalsraum finden4. Häufigste Klasse in nächsten Nachbarn bestimmen -> FERTIG

2D Merkmalsraum vor dem Training

0 5 · 10−7 1 · 10−6 1.5 · 10−6 2 · 10−6 2.5 · 10−6 3 · 10−60

Feature 1

Feature2

TRAINING: 2D Merkmalsraum nach Zuweisung

0 5 · 10−7 1 · 10−6 1.5 · 10−6 2 · 10−6 2.5 · 10−6 3 · 10−60

Feature 1

Feature2

Class 1Class 2

KLASSIFIKATION: Klasse für Sample finden

0 5 · 10−7 1 · 10−6 1.5 · 10−6 2 · 10−6 2.5 · 10−6 3 · 10−60

Feature 1

Feature2

Class 1Class 2Sample

K=1,3,5 Eindeutige Zuordung

0 5 · 10−7 1 · 10−6 1.5 · 10−6 2 · 10−6 2.5 · 10−6 3 · 10−60

Feature 1

Feature2

0 5 · 10−7 1 · 10−6 1.5 · 10−6 2 · 10−6 2.5 · 10−6 3 · 10−60

Feature 1

Feature2

0 5 · 10−7 1 · 10−6 1.5 · 10−6 2 · 10−6 2.5 · 10−6 3 · 10−60

Feature 1

Feature2

Etwas komplizierterer Fall

0 5 · 10−7 1 · 10−6 1.5 · 10−6 2 · 10−6 2.5 · 10−6 3 · 10−60

Feature 1

Feature2

K=3 Klasse 2

0 5 · 10−7 1 · 10−6 1.5 · 10−6 2 · 10−6 2.5 · 10−6 3 · 10−60

Feature 1

Feature2

K=5 Klasse 1

0 5 · 10−7 1 · 10−6 1.5 · 10−6 2 · 10−6 2.5 · 10−6 3 · 10−60

Feature 1

Feature2

K wählen

• Ungerade• Möglichst groß• Aber nur wirkliche “Nachbarn” sollen einbezogen werden

Klassifikation: tonal-percussive

Trainingset:Set mit perkussiven und tonalen EinzelklängenTrainingset (11 Files in 2 Ordnern)

1: Berechnung der instantaneous Features pro Sample• Spectral Rolloff• Spectral Centroid• Spectral Flux

2: Für jedes Sample drei Werte extrahieren:• Mittelwert des Rolloff• Mittelwert des Centroid• Varianz des Flux

-> 3 Merkmale pro Sample -> 3D Merkmalsraum

Klassifikation: tonal-percussiveTrainingset:Set mit perkussiven und tonalen EinzelklängenTrainingset (11 Files in 2 Ordnern)

3: Trainieren

4: Merkmalspaare plotten und Trennbarkeit evaluieren

5: KlassifikationTestset (4 Files)

3: Trainieren

Download

https://www.zplane.de/downloads/uni/knn.zip

audio content analysis - laboratory course · 2013. 5. 15. · 4 5 function[y1,y2]...

Documents

gavilan college -> faculty / staff web...

fluidideas.s3-eu-west-1.amazonaws.com€¦ · web...

information booklet for yr, y1, y2 and y3 parents

python object model · object oriented programming 13 r =...

linear algebra and matlab -...

chapter 2: linear functions - opentextbookstore 2-text.pdfy1...

nbb let’s get your estimate · nbb web: tel: 0800 1777...

cassette feeding unit-y1 y2-sm

m7 - m9 y1-y2 : citing and referencing

lecture 10 recursion cse225: data structures. 2 a look back...

sysmac cj series - industrial automation · basic pid split...

supervised learning applied to neuroimaging2 › staff ›...

it descrizione - pulizia - caratteristiche tecniche en...

compass - st peter's school, york...y2/3 hoir (lunchtime) y1...

construction d’un hall sportif...y1 a b y2 y1' a b x10 c d...

c2..q.. c3..q.. y1 y2€¦ · cq(k)..a(-..) cq(k)..a(-..)...

hwkcoversheetword - georgia institute of...

the new standard of ultra-compact plcs · fp0rseries x0 x1...

€¦ · web viewword y1. word y2. sentence y1. sentence...

construction of a sports hall - altiplan...y1 a b y2 y1' a b...