Grundlagen der Automatischen Spracherkennung, WS17/18, Vorlesung

Grundlagen der Automatischen Spracherkennung, WS17/18, Vorlesung

By Karlsruher Institut für Technologie (KIT)Education
Download on the App Store

Grundlagen der Automatischen Spracherkennung, WS17/18, Vorlesung episodes

  • 11: Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2017/18, 29.11.2017
    11 |
    0:00:00 Starten
    0:00:31 Die Fundamentalformel (Erinnerung)
    0:01:00 Hidden Markov Model Ansatz
    0:04:14 Münzen-Beispiel
    0:10:53 Urne Ball Modell
    0:12:02 HMM Definition
    0:14:06 HMM Beobachtungsgenerierung
    0:16:13 Die HMM Trellis
    0:17:05 Die drei Probleme der HMMs
    0:22:46 Forward Algorithmus
    0:39:03 Backward Algorithmus
    0:41:01 Das Decoding Problem
    0:43:10 Viterbi-Algorithmus
    0:45:37 Das Lern-Problem
    0:53:19 Baum-Welch Regeln
    0:56:57 Literatur
    0:59:11 Maximum-Likelihood Methode
    1:30:33 Exspectation Maximization (EM)
    1 hr 33 min
  • 10: Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2017/18, 27.11.2017
    10 |
    0:00:00 Starten
    0:00:20 Vektorquantisierung
    0:01:07 Voronoiregionen
    0:01:19 Mahalanobis Distanz
    0:01:39 Vektorquantisierung als Klassifikationsproblem
    0:02:14 K-Nächte Nachbar
    0:03:21 Beschleunigung von KNN
    0:15:21 Baumstruktur des Merkmalsraum
    0:16:20 Aufgabe
    0:26:15 Finden von Referenzvektoren
    0:26:56 K-Mittelwerte
    0:29:09 Learning VQ
    0:31:24 LVQ2, LVQ3
    0:32:53 LVQ als KNN
    0:37:13 Literaturempfehlung zu dieser Vorlesung
    0:38:45 Stochastik in der Spracherkennung
    0:46:57 Die Fundamentalformel
    0:53:27 Stochastische ASR Akustisches Modell
    0:54:33 Die Fundamentalformel
    0:56:21 Stochastischer Prozess
    1:06:03 Markow-Kette
    1:07:35 Markow-Kette n-ter Ordnung
    1:09:13 Markow-Ketten 1.Ordnung
    1:11:15 Homogene Makow-Ketten 1.Ordnung
    1:12:05 Beispiele
    1:19:44 Hidden Markov Models
    1 hr 21 min
  • 09: Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2017/18, 22.11.2017
    09 |
    0:00:00 Starten
    0:00:33 Spracherkennung mit Musterklassifikation
    0:03:37 Aufgabe
    0:04:55 Vergleich ganzer Äußerungen
    0:11:51 Time Warping
    0:14:19 Distanz zweier Äußerungen
    0:15:42 DP Matrix
    0:17:44 Dynamic Time Warping (DTW)
    0:20:24 Einschränkungen des DTW Pfades
    0:23:55 DTW-Schritte
    0:26:23 Der DTW Suchraum
    0:30:47 Mögliche Distanzen zwischen Vektoren
    0:35:43 Einordnung des DTW
    0:36:58 DTW für einzelne Wörter
    0:42:44 DTW für Sequenzen mehrerer Wörter
    0:48:16 One Stage DP
    0:51:35 One-Stage DP Implementierung
    0:56:47 One Stage DP Syntaktische Einschränkung
    1:00:03 Gaußverteilung (Normalverteilung)
    1:02:45 Multivariante Normalverteilung
    1:04:05 Kovarianzmatrix der Gaußverteilung
    1:09:06 Gauß-Mischverteilungen
    1:11:52 Benutzung in der Praxis
    1:15:30 Vektorquantisierung
    1:21:07 Voronoiregionen
    1:23:49 Mahalanobis Distanz
    1:25:08 Vektorquatisierung als Klassifikationsproblem
    1:27:04 K-Nächste Nachbar
    1 hr 31 min
  • 08: Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2017/18, 20.11.2017
    08 |
    0:00:00 Starten
    0:00:16 Vergleich verschiedener Spektren
    0:01:40 Typische Vorverarbeitung
    0:12:10 Dynamische Merkmale
    0:13:10 Autokorrelaktion
    0:18:52 Nulldurchgangsrate
    0:21:30 Hauptkomponentenanalyse (PCA)
    0:26:23 Lineare Diskriminanznalyse
    0:31:08 Vorverarbeitung mit Neuronalen Netzen
    0:34:48 Bottleneck Features
    0:38:06 Klassifikation
    0:43:00 Statische vs. Wissensbasierende Ansätze
    0:43:53 Wissensbasiert: Entscheidungsbäume
    0:46:11 Classifikation and Regression Trees
    0:50:34 Überwachtes vs. Unüberwachtes Lernen
    0:51:13 Unüberwachtes Lernen
    0:52:26 Überwachtes Lernen
    0:54:08 Parametrische vs. Nichtparametrische Klassifikation
    0:54:34 Bayes Klassifikator
    0:58:44 Minimum Fehler Regel
    0:59:14 Entscheidungsgrenze
    0:59:56 Parzen Fenster
    1:01:09 Spracherkennung mit Musterklassifikation
    1:04:12 Vergleich ganzer Äußerungen
    1 hr 5 min
  • 07: Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2017/18, 15.11.2017
    07 |
    0:00:00 Starten
    0:00:04 Spektrodiagramm
    0:03:22 Oberschwingung, Harmonische
    0:07:11 Mel Skalierung
    0:16:35 Effekt der Fensterlängen
    0:20:58 Quelle Filter Modell der Sprache
    0:22:36 Helmholtzresonator
    0:27:55 Vokaldreieck
    0:32:59 Lineare Vorhersage (LPC)
    0:42:42 Interpretation der LPC Koeffizienten
    0:45:59 All-Pole Modell
    0:46:54 LPC Beispiel
    0:49:28 Cepstrum
    1:06:13 Diskrete Cosinustransformation
    1:13:32 Beispiel: Berechnung MFCC Koeffizienten
    1:15:29 Cepstral-Koeffizienten
    1 hr 19 min
  • 05: Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2017/18, 08.11.2017
    05 |
    0:00:00 Starten
    0:00:31 Wortfehlerrate
    0:03:26 Minimale Editierdistanz
    0:09:36 Eigenschaften der WER
    0:14:07 Probleme mit der WER?
    0:18:00 WER in den DARPA Evaluationen
    0:28:50 Grundlagen der Signalverarbeitng
    0:29:25 Wozu Signal(vor)verarbeitung?
    0:32:29 Systeme
    0:35:19 Zeitinvariante System
    0:36:54 Dirac Distribution
    0:43:50 Faltung
    0:46:58 Impulsantwort
    0:56:30 Quelle Filter Modell der Sprache
    0:59:41 Parametereigenschaften einer trigonometrischen Funktion
    1:02:27 Darstellungen der Fourierreihe
    1:07:29 Komplexes Spektrum
    1:09:26 Fouriertransformation
    1 hr 21 min
  • 06: Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2017/18, 13.11.2017
    06 |
    0:00:00 Starten
    0:00:19 Die heutige Vorlesung
    0:00:27 Darstellungen der Fourierreihe
    0:00:37 Fouriertransformation
    0:01:17 Komplexes Spektrum
    0:03:06 Projektion der komplexen Exponentialfunktion auf die reelle trigonometrische Funktion
    0:04:33 Zeitdiskrete Fouriertransformation
    0:07:37 Diskrete Fouriertransformation
    0:11:11 Schnelle Fouriertransformation
    0:12:44 Zusammenfassung Fouriertransformation
    0:14:25 Digitalisierung
    0:15:26 Abtastung (Sampling)
    0:17:29 Abtasttheorem
    0:20:34 Aliasing
    0:30:05 Reale Abtastung
    0:32:11 Quantisierung
    0:33:49 Quantisierungsrauschen
    0:38:21 Quantisierung von Sprachsignalen
    0:41:27 Einseitige und zweiseitige Laplace Transformation
    0:46:34 Wiederholung LTI-Systeme
    0:47:40 Darstellung der Übertragungsfunktion von LTI Systemen
    0:52:07 Projektion auf s-Ebene
    0:54:28 Pol-Nullstellen-Schema in der s-Ebene
    0:54:40 Die Z-Transformation
    0:55:43 Zusammenhang LT und ZT
    0:58:32 Abbildung komplexe s-Ebene auf z-Ebene
    1:00:47 Kurzzeitspektralanalyse
    1:10:46 Periodizität des gefensterten Signals
    1:11:00 Effekt der Fensterung
    1:12:58 Fensterfunktionen
    1:18:05 Spektrogramm
    1 hr 21 min
  • 03: Grundlagen der Automatischen Spracherkennung, Vorlesung, WS 2017/18, 30.10.2017
    03 |
    0:00:00 Starten
    0:00:19 Heute
    0:01:22 Stimmhafte Sprache
    0:01:48 Stimmlose Sprache
    0:02:09 Grundfrequenz/-ton
    0:03:39 Sprachlaute-Vokale und Konsonante
    0:07:03 Vokale
    0:09:50 Diphthonge
    0:11:50 Konsonanten
    0:15:22 Ort der Artikulation
    0:18:27 Art der Artikulation
    0:22:40 Internationale Phonetische Alphabet
    0:23:47 Beispielkonfigurationen
    0:24:42 IPA Konsonaten
    0:25:48 Plosive
    0:26:19 Nasale
    0:26:45 Frikative
    0:27:41 Phonem
    0:31:50 Kurioses
    0:36:22 Schall
    0:42:23 Schalldruckpegel
    0:44:32 Beispiele für Pegel
    0:46:47 Schallenergie
    0:49:39 Schallfläche
    0:50:06 Anatomie Gehör
    0:59:19 Cochlea
    1:03:35 Psychoakustik
    1:06:16 Frequenzantwort der Membran
    1:08:26 Lautstärkenempfinden
    1:10:07 Experimente
    1:17:37 Die Hörfläche
    1 hr 23 min

About Grundlagen der Automatischen Spracherkennung, WS17/18, Vorlesung

From the publisher's feed

Grundlagen der Automatischen Spracherkennung, WS17/18, Vorlesung

More shows like Grundlagen der Automatischen Spracherkennung, WS17/18, Vorlesung

IEEE International Conference on Robotics and Automation, 2013 by Karlsruher Institut für Technologie (KIT)

IEEE International Conference on Robotics and Automation, 2013

0 Listeners

Einführung in die Stochastik für Studierende des gymnasialen Lehramts Mathematik, SS2015, Vorlesung by Karlsruher Institut für Technologie (KIT)

Einführung in die Stochastik für Studierende des gymnasialen Lehramts Mathematik, SS2015, Vorlesung

0 Listeners

Numerische Mathematik für die Fachrichtungen Informatik und Ingenieurwesen, Vorlesung, SS2015 by Karlsruher Institut für Technologie (KIT)

Numerische Mathematik für die Fachrichtungen Informatik und Ingenieurwesen, Vorlesung, SS2015

0 Listeners

Theoretische Grundlagen der Informatik, Vorlesung, WS18/19 by Karlsruher Institut für Technologie (KIT)

Theoretische Grundlagen der Informatik, Vorlesung, WS18/19

0 Listeners

Numerische Mathematik für die Fachrichtungen Informatik und Ingenieurwesen, Vorlesung, SS2014 by Karlsruher Institut für Technologie (KIT)

Numerische Mathematik für die Fachrichtungen Informatik und Ingenieurwesen, Vorlesung, SS2014

0 Listeners

Einführung in die Stochastik für Studierende des gymnasialen Lehramts Mathematik, SS2014, Vorlesung by Karlsruher Institut für Technologie (KIT)

Einführung in die Stochastik für Studierende des gymnasialen Lehramts Mathematik, SS2014, Vorlesung

0 Listeners

Softwaretechnik 1, Vorlesung, SS2018 by Karlsruher Institut für Technologie (KIT)

Softwaretechnik 1, Vorlesung, SS2018

0 Listeners

Numerische Mathematik für die Fachrichtungen Informatik und Ingenieurwesen, Vorlesung, SS2019 by Karlsruher Institut für Technologie (KIT)

Numerische Mathematik für die Fachrichtungen Informatik und Ingenieurwesen, Vorlesung, SS2019

0 Listeners

Algorithmen 1, SS2019, Vorlesung by Karlsruher Institut für Technologie (KIT)

Algorithmen 1, SS2019, Vorlesung

0 Listeners

Theoretische Grundlagen der Informatik, Vorlesung, WS19/20 by Karlsruher Institut für Technologie (KIT)

Theoretische Grundlagen der Informatik, Vorlesung, WS19/20

0 Listeners