0:00:07co bude dnešní přednášce
0:00:10dodělání velké v úvodu obsáhlého
0:00:14_e kde vlastně představuju jednotlivé technologie tak je pokud s kostce a na pěkných obrázcích
0:00:20a populárně
0:00:22a potom se podíváme už do takové tuší věci a bude to vlastně průlet T
0:00:27číslicové zpracování signálu aby se to shrnout jako isosceles kostce
0:00:32jo takže _e teď to bude taková pohodička a ve druhé části přednášky to bude
0:00:37možná ne pohodička
0:00:38ale na druhé straně jako když člověk potřebuje se zvukem řeči nebo jist lidem něco
0:00:43dělat prostě musí počítat
0:00:46takže razení dělat poďme do toho
0:00:49_e
0:00:50na minulé přednášce na tom úvodu sem vám popovídal tedy o těchto budící dneska se
0:00:54podíváme
0:00:55odch identifikace jazyka dál
0:00:58takže _e když _e
0:01:01potřebujete teda jako zjistit tady mám ste krásnej krásného brázdičky jakým jazykem se mluvilo
0:01:07tak _e máme vlastně v k dispozici takové dva základní přístupy které se po světě
0:01:13používají a první přístup je akustický a druhýmu se říká von o takticky
0:01:18vlastně se akustice pokud ještě trochu něco pamatujete z minulé přednášky
0:01:24v _e nějaký gaussovským o daleko o tom že se do těch dosovský modelu vlastně
0:01:28pošlou ty naše velké matice parametrů tak ten _e akusticky přístup funguje úplně stejně to
0:01:34znamená na jeden jazyk
0:01:36ale prostě jeden model který je tvořený spoustou _e spoustou gaussovek
0:01:41ten nebo dal model na tróne na trénujeme na co nejvíce datech _e s toho
0:01:46daného jazyka
0:01:47a pak prostě když máme těch modelu několik pro češtinu pro čínština nevím ještě P
0:01:52proto dalšího tak do všech modelu vlastně pošleme _e tu stejnou maticí parametrů a jenom
0:01:58si
0:01:59řekneme jak moc nám to je který model pálil
0:02:02srovnáme co vybereme nejvyšší číslo řek ale ten jazyk to je
0:02:07u toho von o taktického přístupu je to _e trochu jinak
0:02:13_e už toho názvu vám bude zřejmý že se bude jednat osivo nějaké fonémy
0:02:19a vo nějaký prostě
0:02:21když máte taktiku tak je to vlastně na sledu nějakých událostí že jo tak to
0:02:25tam bude taky
0:02:26je to vlastně
0:02:28takový líbí V název pro počítání statistik jednotit dvojic a trojic fonému které se následují
0:02:35_e za sebou a s toho ste schopni jako na který detaily za chvilku
0:02:40takže _e ten
0:02:44_e podívám sto mám dete a
0:02:46detaily tam nemám za chvilku tak možná víc _e více detailů tady
0:02:50takže _e u toho fantastického přístupu
0:02:54to máte jako vlastně první
0:02:57_e jako první bloček je tam samozřejmě k extrakce příznaků toto děláme úplně všude to
0:03:02už bych ani nemusel zmínila
0:03:04druhý je tady ten mozek to je hrozně hezký obrázek který vlastně ty sekvence příznaků
0:03:10má _e má přepsat sekvencemi nějakých hlásek _e fonémů
0:03:17tak
0:03:18teďka se vo tom jako zkusme chlup obavy
0:03:21_e představte si že má moc sebe z rozpoznávat _e
0:03:25hongkongskou čínštin úvod mandarinky _e češtiny _e obvod tcha ionské češtiny
0:03:32a nikdy jsem neviděl žádný trénovací data prostě přepsanej pro češtinu to že si neumim
0:03:38udělat čínskej fonému ve rozpoznávač
0:03:41myslíte že to mám rovnou zabalit ale už to bude nějaký a
0:03:51relevanci mě nabídli sto tisíc dolarů když takovej
0:03:55rozpoznávač udělám artroskopy tady že nechcou nebo
0:03:58nebo něco
0:04:03tak uvědomte si o to co tady jde v tom fonetickým přístupu _e vlastně máme
0:04:09tu vstupní řeč přepsat do nějakých sekvencí jednotek
0:04:13ale _e
0:04:15já to mohl jazyků ve skutečnosti nemusí vůbec rozumět jo když prostě je _e mandarinky
0:04:21_e čínštině
0:04:23_e
0:04:26ten procent tak
0:04:27hrozně jako _e častý a ten znak se _e vyslovuje
0:04:32_e svolán
0:04:34_e J u
0:04:36že jo u
0:04:38a ta je v antitěžišti ně bude zase
0:04:41hrozně častý tady tento znak
0:04:43a ten se bude _e vyslovovat _e
0:04:47_e chůvo _e C
0:04:50ta ho
0:04:52tak já jsem _e teďka udělal co když sem vám říkal tady tyhle
0:04:56je krásný slova
0:04:58že by si že umím čínsky
0:05:00abych hrozně na tom já neumím takže já jsem vlastně na jejich reprezentaci voni to
0:05:04ti _e číňani a charváty skutečně takhle nějak řeknou ale já jsem vlastně tady tyhlety
0:05:09slova
0:05:10nějak vyslovil pomocí vobyčejnej českej fonému který umím
0:05:15a úplně to samý vy můžete udělat _e číslo taktickým systém jo to znamená na
0:05:20místě tady tohoto nemovi horký rozpoznávače prostě použijete nějaký který máte k dispozici nemáme samozřejmě
0:05:27nejoblíbenější český
0:05:29_e kterým máme doma který jako známe ale taky násobíme si třeba maďarský fonému vy
0:05:35rozpoznávač
0:05:37nikdo z nás maďarsky neumí ale natrénovali z mého na nějaké standardní maďarské databázi a
0:05:42zjistili jsme že když se zapíchne do takového ale systému pro rozpoznávání jazyka takže prostě
0:05:47úžasný a může se čtyři roky spekuluje ne pro
0:05:51možná že to je protože se maďarštině _e ten _e ta databáze prostě má nadefinovaných
0:05:55mnohem více fonému neštěstí měl řečníka máme asi třicet devět
0:05:59jestli se nepletu tak maďarských jestli šedesát a možná že to tou bohatostí fonémů že
0:06:04prostě jako nám pomůže znáte popsat ostatní jazyky no takže tímhletím rozpoznávač M
0:06:11prostě
0:06:12_e data těch vašich jazyků já nevím tady bude mandarinky tina tady bude _e tady
0:06:19manštin a přepíšete dostanete takovéhle dlouhatánský je několika limitu milionové řady fonému
0:06:27ale těch zadá fonému potom spočítáte statistiky spočítáte statistiky každýho jednotlivýho symbolu to znamená uděláte
0:06:33si tabulku kde bude a někde bude na někde bude J
0:06:38potom se počítají statistiky dvojic fonému tak zvaný bigramy a pak se počítají statistiky projít
0:06:44fonému
0:06:45tak zvaný trigramy jo to znamená zjednodušeně řečeno máte ke každýmu jazyku tři tabulky v
0:06:51jedné soubory gramy druhé bigramy ve třetí trigramy
0:06:54tomuhle jazyku je máte taky a potom vám přijde nějaký _e neznámý signál
0:07:04a vy si ho přepíšete zase tím po nebojím rozpoznávač M který máte takže to
0:07:09bude třeba
0:07:10_e chůvo
0:07:12co
0:07:13no
0:07:15a teď toho _e foném ového řetězce
0:07:20vyberete jednotlivý znaky
0:07:22podíváte se do tabulek pro jednotlivý jazyky jaký mají tady tyto znaky předpočítaný pravděpodobnosti to
0:07:28vám dat jedno skóre pak se tam podíváte na bigramy
0:07:32druhý score podíváte se na trigramy třetí score a
0:07:36zjednodušeně prostě který s těch jazykových modelů nebo tak zvaných von o taktický modelu pro
0:07:43který jazyk tam bude víc bečova tady s těmahle testovacím a data má tak ten
0:07:48prohlásíte prostě že je dobrý a že vyhrává
0:07:51a že tenleten jazyk se nám rozpozná jo takže todleto je princip vono taktický ho
0:07:56přístupu
0:07:57který se taky rozpoznávání jazyka velice používá a je
0:08:01docela dobrý je že většinou komplementární tím akustickým
0:08:05takže když se výsledky tady těch dvou systému smíchají tak je to prostě lepší než
0:08:10jednotlivé
0:08:12_e
0:08:14jo takže rozpoznávání jazyka tetě vlastně jako taková _e takový
0:08:20poznámka k tomu na čem ty systémy pro rozpoznávání jazyka trénovat
0:08:25potřebujete zjednodušeně mnoho nahrávek daného jazyka a k tomu mnoho bych ještě připojil že potřebujete
0:08:32se z té cílové oblasti kterou je budete chtít rozpoznávat znamená pokud C budete takový
0:08:39systém vybije vyvíjet
0:08:41pro _e nějakou _e za nějakou armádu nebo pro někoho tak vás asi nebude zajímat
0:08:47_e krásná řeč _e nějakých mluvčích nebo hlasatel u k televizi
0:08:53ale potřebovali byste nahrnou co nejvíce prostě _e telefonních nebo v obyčejných hovoru pomocí
0:09:00prostě ten styl řeči kterým lidi _e normálně mluví
0:09:05tady v tom tímto jsme se zabývali
0:09:08vlastně _e v jednom takovém projektíku bysme vlastně pomáhaly americké len když _e není byste
0:09:16kdy ta konzorcium sesbírat nějaká data to evaluace _e těchdle těch systémů v roce dva
0:09:22tisíce osum
0:09:23adam toto dokonce jako přesile surface li nějaké peníze
0:09:27ale šlo vlastně o to že my sme si řekli na světě spousta dat volně
0:09:31dostupných které můžete stáhnout z internetu nebo se můžete napíchnout na satelitní vysílání a můžete
0:09:37prostě během jediného dnem indispozici já nevím jako ti se tisíce hodin dat
0:09:42akorát že ta data vám většinou nebudou k ničemu protože to právě jako
0:09:47je to hudba jsou to nějací školení mluvčí hlasatele je tam pořád ten M ten
0:09:52samý moderátor který tam dva stačí nějaká moudra takže _e jsme vlastně udělali takový systém
0:09:59kde se tady tyhle těch dat napřed detekují telefonní hovory
0:10:03a potom se prostě telefonních hovorů se něco trénuje když se ten mimochodem na detekovat
0:10:08telefonní hovor rozhlasovém vysílání tak to docela jednoduchý protože se podíváte na spektrum
0:10:13normální rozhlasové vysílání má prostě široké spektrum vod nuly snad až do osmi nebo do
0:10:18deseti kilohertzů a když je v tom potom vidět ten telefonní hovor tak vidíte jasně
0:10:24jak to spektrum dosahu jenom vodstvo od nuly do tři a půl kila nebo roste
0:10:27čtyř kilohertzu už tam není
0:10:30takže na základě vobyčejný stýho spektra se dá udělat poměrně pěkný detektor
0:10:35a dá se s tím _e
0:10:38tady tohle
0:10:39tohle natrénovat
0:10:41další věc samozřejmě že když máte takové nějaké _e přítelíčka i co tyhle telefonní hovory
0:10:47sbírají
0:10:48jo
0:10:49my raději ani nevíme jak tak _e si to tihle ti přátelé můžou přímo do
0:10:55trénovat na svých _e na svých vlastních dat
0:10:59a naše současná práce v rozpoznávání jazyka je _e není to moc překvapující je to
0:11:05úplně to samý co seděla rozpoznávání mluvčího to znamená boj nechtěnou variabilitou
0:11:11jo my jsme si říkali že rozpoznání mluvčího vlastně chtěná variabilita jetá co rozlišuje jednotlivý
0:11:17mluvčí všechno vostatní prostě co říkají emoční stav prostředí a taky jejich jazyk je špatný
0:11:26a u rozpoznání jazyka
0:11:28je to zase takže ten jazyk je důležitej a všechno ostatní včetně toho mluvčího je
0:11:32spatny
0:11:33jo takže pomocí úplně stejný ho _e matematického formalismu jako co sem vám tady předváděn
0:11:39minule s nějakýma posouvacího nouzovka má
0:11:42dokážeme bojovat jistou _e jistou _e inter řešení
0:11:47_e a tentokrát inter speaker variabilitou rozpoznávání jazyk
0:11:53tak to nebyl I D
0:11:56pak _e máme přepis řeči na text troše jako taková takový ferrari _e zpracování řeči
0:12:03prostě tom tento nejlepšího nejvíc super
0:12:06co člověk může udělat
0:12:11se budeme tady o tom mít
0:12:13_e přednášky který se budou týkat nějakých jednodušších metod
0:12:17_e dynamicky borcení času potom nějaký složitější hádanek poďme se podívat teďka jako úplně
0:12:26úplně znaku na takový systém
0:12:28mimochodem ještě když _e
0:12:31když _e se budeme bavit o přepis řeči na text
0:12:35tak uslyšíte po světě různých zkratky jako třeba ve dva T jako vojtu text
0:12:39nebo S dva testy čtvrtek
0:12:42odborných kruzích je asi nejpoužívanější ilwis je s _e to znamená lásky by velikán téměř
0:12:47spíše konečný
0:12:49rozpoznávání spojité řeči s velkým slovníkem a všechny tři jsou to sem sou to sami
0:12:54jo
0:12:55a teď se pojďme podívat jak tady toto sem _e sedí nebo jak se srovnává
0:13:00s tím naším rozporům základním
0:13:02rozpoznávací _m _e schématem
0:13:06tedy jestli si pamatujete tak byl nějaký signál na vstupu výpočet parametru
0:13:11modely nám hodí nějaký čísla
0:13:14a na těch číslech probíhá výběr
0:13:17výběr toho nejlepší
0:13:19zjistili jsme že třeba v rozpoznávání pohlaví to byly tady si ti kluci a holky
0:13:23co sem vám tady promítal minule tak to bylo extrémně jednoduchý tady případě existuje sanito
0:13:29trochu složitější ale zase jako _e tam ty základní bloky uvidíme takže
0:13:36tady nám do systému přiveze řeč
0:13:39výpočet příznaku probíhal naprosto stejně jako u těch předcházejících aplikacích
0:13:44to znamená nějaký vektory který nám týkají každých _e každých deset _e milisekund
0:13:50a teď tady máme _e nějakou sadu modelu
0:13:54a ta sada modeluje vlastně chod schovaná tak zvané rozpoznávací síti
0:14:00tetě
0:14:01čeho je ta rozpoznávací sítích _e zkompilovaná nebo _e nebo _e postavena
0:14:07je postavena s akustických modelu
0:14:10kde zase jako
0:14:13nebudeme překvapeně když najdeme jimem K znamená modely do úsov kam a
0:14:18a ty akustické modely na vlastně říkají
0:14:21když _e
0:14:22tady mám třeba
0:14:24masku a ste vlasy hláska a
0:14:28a tady mám akustický model pro áčko
0:14:32tak ten model je tvořený nějakou prostě soustavou několika rozměrných gaussovek
0:14:39a říká mně jak je pravděpodobný že tady tenhleten kousek signálu zrovna mohlo být káčko
0:14:44jo potom tam bude mít samozřejmě model pro byl C D a tak dále a
0:14:49tak dále to znamená
0:14:50tady mi to vlastně dává jakýsi startuje kousek vstupní vlásky odpovídá nějaké hlásce
0:14:59potom tam mám další komponent a _e to je jazykový model
0:15:04jazykový model mi říka schválně zkuste při na to co
0:15:09to může být návykový model
0:15:20když řeknu prezident václav jak jestli bude další slovo
0:15:27ale nebo klaus že jo tak to bude asi tak půl na půl asi to
0:15:31jako nebude slovo jary
0:15:34takže jazykový model vám dává přesně tady tohle vlastně na základě nějaké historie slov
0:15:40která V nejčastějším případě býval boj slovní
0:15:45tam udává podmíněnou pravděpodobnost
0:15:48do že
0:15:50tento okamžik bude pravděpodobný nějaký slovo
0:15:53jo když si to představiteli můžeme mít
0:15:56opravdu _e historii prezident
0:16:02václav
0:16:04a teďka tady budete mít _e klaus
0:16:08havel
0:16:09a jardin
0:16:12a zjistíte že tohleto slovo podmíněný touto historií je pravděpodobný zhruba tak nula celá čtyrycet
0:16:19devět procent tady tohle
0:16:21zhruba nebo nula celá čtyrycet devět let taky nula celá čtyrycet devět
0:16:25a tady to bude nula celá nula
0:16:28nula jedna jo takže tady tyto hodnoty nám vlastně _e udává jazykový model a ještě
0:16:33schválně značen takový jazykový model o čem to natrénovali
0:16:45a čem byste odhadli tydlety pravděpodobnosti
0:16:51tak
0:16:52zkuste noviny správně
0:16:55_e no noviny jsou docela dobrej zdroje víte že prostě nich jako giga seženete zadarmo
0:17:00na internetu případně ještě víc když se nějaký koupíte _e
0:17:04od lidovek nebo já nevím od koho
0:17:06_e na co bude tenhleten řekli model kterej na trénujete na novinách dobře fungovat
0:17:14a televizi na zprávy jo na rozhlas na zprávy a ná _e řeč která se
0:17:20bude svým charakterem podobat tím textu na který ste kterých se trénovali
0:17:25co takhle třeba přednášky na fitu
0:17:28se pokoušíme dělat si pročesat com
0:17:31jak by to bylo tam takový modelům kterým na trénujete na _e na nový na
0:17:39žádná sláva jako prostě nebo nebude zná slova jako fourierova transformace
0:17:44půlsemestrální zkouška a tak takový chudičký který tady je to máme _e máme rádi takže
0:17:51u trénování těch jazykových modelu
0:17:54vlastně _e nějaký obecný dokáže to jednoduše postavy ale potom by abyste udělali takový model
0:18:00tak vypracoval dobře pro takzvaně indo main data znamená data dané domény kterou budete rozpoznávat
0:18:07tak si musí teda trošku práci a sesbírat ty textový _e ty textový zdroje tak
0:18:13aby seděli
0:18:15tou cílovou doménou kde budete rozpoznal jo toto prostě se nám bude táhnul jako červená
0:18:20nic
0:18:20celým kurzem aby něco furt fungovalo tak by si musíte trénovat na datech který jsou
0:18:25co nejblíž tomu co budete chtít _e potom zpracovávat
0:18:29co takhle _e
0:18:31eště pořád vás nenechám s tím jazykový model
0:18:35_e
0:18:36takový říkali model který třeba na trénujete na novinách a šli do něho na hrnete
0:18:41všechny studijní opory fitu bude potom perfektně pracovat _e
0:18:47na těch
0:18:47obecných věta
0:18:49na světa který obsahují tady naše informatický termíny to bude bezvadný
0:18:55a co takhle
0:18:56slova prostá nebudu tady říkat nebo toho že se člověk různě zadrhává a začíná jednu
0:19:04větu čtyřikrát že se tam byste _e zaslechli čtyři krát za sebou a tak jsem
0:19:08byste natrénovali tohle
0:19:15přepis řeči správně
0:19:17cokoli myslíte řekli přepis řeči stojí
0:19:21hodně no
0:19:21přepis řeči stojí tak jako melouna takovou menší databázi
0:19:26naštěstí ná _e na _e spontánní data existují databáze který
0:19:33se dají koupit
0:19:34táhnout a něco možná kosovi přepsat byla to zajímalo
0:19:38tak sme tady hodně dat se jako přepisovali nebo organizovali přepisují sami ale to vopravdu
0:19:42šílená práce která
0:19:45R a není věda která jenom otročina
0:19:48která stojí spoustu peněz tak _e
0:19:51poďme k tomu dalším bloku
0:19:53a to je výslovnostní slovník co to je
0:19:59co myslíte že musí výslovnostní slovník udávat
0:20:05když výslovnosti že jo jako daná forma jednotlivých šlo
0:20:09vedle toho musí být postavená fonetická forma protože
0:20:13mám tady základní jednotky pro rozpoznávání který jsou fonémy a nebo nějaký fonémy kontextu ale
0:20:19potom teďka nemluvme a musí mít nějakej převodník kterým a to ze slov _e dokážu
0:20:26na fonémy pře ve
0:20:27taktéž byste ten výslovnostní slovník vyrobili
0:20:30zase
0:20:31navrhujete
0:20:36buď bodmer jednoduchým případě pro češtinu
0:20:42já mám studijní oporu
0:20:45i se selmo Y se stane
0:20:48_e a chtěl bych i převést nechť ovlivní vybrat všechna slova převezte na fonetickou formu
0:20:54jak na to
0:20:58prosím
0:20:59_e
0:21:02to nevím jestli byste takovýho dobráka sehnali
0:21:05nejenom přečte léky napíše op
0:21:08tak další návrhy
0:21:11tak buď ten slovník někdo už udělali filovo něho koupíte nebo řeknete nebo něco takovýho
0:21:18asi nejjednodušší
0:21:20nebo ho vytvoříte přesně tak jak řekl pan kolega to znamená že někdo zasedne opravdu
0:21:26pro každý nový slovo foneticky zapíše jeho výslovnost
0:21:30co takhle vymyslet něco chytřejšího
0:21:37to takhle zkusit natrénovat nějakej převodník
0:21:40psané formy na fonetickou
0:21:43jo tak tady tohleto de
0:21:45když se podíváte _e po netu
0:21:48a dáte si tam _e dáte si tam zkratku se k vy tour
0:21:56tak _e najdete
0:21:59systém trénovat silný
0:22:02který je založený na nějakých takzvaných join s máte krámech o těch teďka vůbec nebudeme
0:22:06_e povídat ale tenleten systém prostě když mu předložíte existující _e výslovnostní slovník
0:22:14na jedné straně psanou formu na druhé straně fonetickou tak se vám dokáže naučit C
0:22:19pravděpodobnostně pravidla tak
0:22:22že potom dostane nějaký neznámý slovo
0:22:26znamená ne jiné dokopu koko
0:22:28koná liší a dokáže vám vyhoví derivovat se fonetickou formu dokonce to dokáže nejen
0:22:34pro jazyky s takovou rozumnou výslovností jako je čeština lancelot on když tím
0:22:39tak a eště jedna možnost nám zbývá
0:22:43o které sme tady nemluvili
0:22:46ste navrhnout
0:22:48jak udělat výslovnostní slovník
0:22:58já sem vám rovně začal
0:23:02možná že to jako někde D češtině byste vlastně možná že chcete říct ocel _e
0:23:07to co vlastně _e řešení a to je napsat si pravidla
0:23:11češtině třeba _e takovýdle pravidla pro většinu slov do u napsat protože čeština je fajn
0:23:16téměř fonetický jazyk
0:23:18prostě _e když _e máte slovo rozpoznávací
0:23:23a přepíše toho do fonému tak zjistíte že je to téměř
0:23:32zjistíte že to téměř fonetický zápis
0:23:35jo a sou tam nějaký _e nějaký jevy nějaký fenomény jako že P
0:23:40jako že já nevím _e že _e znělé D před neznělo ohlávkou nám přechází do
0:23:46_e do S
0:23:48ale na to toho dokážete pokud si vezmete knížku fonetice zase dokážete napsat pravidla
0:23:53jo to znamená uděláte sadu pravidel
0:23:56a nějakým způsobem nějakou chybovosti potom budou fungovat _e potom budou fungovat _e i na
0:24:04neznámý slova
0:24:06tak a když máte všechny tady tyhlety komponenty
0:24:09tak se s toho dá zkompilovat tak zvaná rozpoznávací C a von jenom říkám zkompilovat
0:24:15protože _e pokud prostě ste se děsili toho co vám tady vykládají pan profesor češka
0:24:22medu know
0:24:23_e a zvolená nemo konečných stavových automatech a mysleli takže si že může jako nikdy
0:24:28nikde neuvidíte když tu zkoušku máte úspěšně za sebou takhle prostě přišlo z hračko
0:24:35a _e za zase tady tyhlety věci
0:24:38vidíme jo tyhlety věci je tyto komponenty
0:24:43se dají normálně reprezentovat pomocí konečných _e stavových automatů který jsou _e samozřejmě narozdíl od
0:24:51těch tiskových
0:24:52_e vážený
0:24:54jo vy tam
0:24:58sto asi viděli prostě
0:24:59F S a jako si my state automat on a nebo F S P
0:25:04ceny state _e ten tým se a u těch našich jesliček dám ještě dycky V
0:25:09takže to obsahuje pravděpodobnosti takže to wait i a pomocí _e takových operaci s těma
0:25:14konečným a to vím automat a máte v strom a který jste viděli to znamená
0:25:18nějaká kompozice determinizace minimalizace dokážete postavit takovouhle rozpoznávací C
0:25:26pokud třeba půjdete _e _m
0:25:30oni podíváte se po netu
0:25:32_e budete se koukat po tu open F S T
0:25:36tak tohle to je záležitost která tuším začal někde tritiem T dales a teďka je
0:25:41to všecko pod úhlem
0:25:42ale _e je to prostě sada úžasných pomůcek pro práci právě vážený malý nevařím A
0:25:49konečným stavovým automatem
0:25:51jo můžete
0:25:53že se mrknu na to a to je asi tak jako dneska hlavní proud rozpoznávací
0:25:56pro rozpoznávání řeči protože spoustu práce za vás můžou právě udělat konečný stavový automaty a
0:26:03vy potom dostanete jako docela
0:26:06malou a do paměti na co smrtelnou rozpoznávací C
0:26:09se kterou s poměrně jednoduše dokážete rozpozná
0:26:13tak abych se dostal k těm _e rychle s tím dalším dvěma blokům
0:26:16tak _e ste rozpoznávací síti jednak uvidíme jednotlivý akustický modely
0:26:23který nám dávají zase nějaká čísla a ta čísla vyhodnocují _e zdá na tomletom místě
0:26:29v řeči bylo pravděpodobně _e nebo B nebo C nebo ne
0:26:33a potom _e tam přicházejí dekódování a to je v tomhle případě o něco složitější
0:26:39než jenom vobyčejný K výběr maxima který jsme viděli v těch minulých aplikacích a tam
0:26:44sme třeba měli
0:26:45_e modely deseti různejch jazyku
0:26:48říkat zatím prohnali data ty modely nám dali nějaké
0:26:52číslá nějaké likelihoody a my jsme vybrali maximu
0:26:55a todleto bylo celý dekódování vobyčejný výběr maxima
0:26:59_e při dekódování
0:27:02rozpoznávání spojité řeči
0:27:04je to tak že vlastně vám ten _e prostor hypotéz strašně způsobem bobtná
0:27:10zásadní byste měli
0:27:11vyhodnocovat pravděpodobnost toho že na libovolném místě v řeči je libovolné slovo
0:27:17což prostě jako v životě nedokážete protože by se to nikdy nespočítali takže pak přichází
0:27:23_e ke slovu takový
0:27:25techniky je kopie prořezávání
0:27:28pruning že jo pokuste někde slyšeli vo algoritmu i stále
0:27:33jo jako _e prohledávání grafu tak tady tohle taky občas uvidíte časově synchronní časově nesynchronní
0:27:40prostě jako můžete celý dvě přednášky strávit tím že budeme _e budem povídat ode kodérech
0:27:47měli sme tady na konci
0:27:49zimního semestru mirka nováka že místo myslím viděli ibm klastry
0:27:54to jenom tak jako na tukwila
0:27:56povídal tři hodiny
0:27:59tak _e tohle jenom potomek příklad takové rozpoznávací sítě
0:28:04která pokud si dobře pamatuju tak dokáže rozpoznávat slova Á a B
0:28:09jo a V _e tuto slova a B můžou být _e můžou být nějaké _e
0:28:14nějaké smyčce když budete mít takovou rozpoznávací síť pro nějaký reálný slovní
0:28:21reálný slovník má pro angličtinu velikost _e zhruba padesát kilo slov jo s tím se
0:28:26naposledy velice slušnej rozpoznávač
0:28:28pro češtinu
0:28:30je to tak více než tři sta kilo slov protože čeština je potvora o jedna
0:28:35tak jako bysme to samozřejmě na to je jako na obrazovku nedostali
0:28:43tak _e zase
0:28:46trénování systému pro voice tu _e vojsko text
0:28:51_e
0:28:53akustický modely se musí trénovat na korpusu mluvené řeči
0:28:57_e na nějaký textových předpisech
0:29:00jo to znamená máme prostě na hraných spoustu věc
0:29:06ne
0:29:07nejsem
0:29:08přišel
0:29:11tomu je wavka
0:29:15a abychom natrénovali ty akustický modely tak potřebujeme vědět že tady je téma se D
0:29:21tady je na
0:29:22tady je tady je F
0:29:24a tak dále a tak dál
0:29:27existuje snad jenom jediná databáze na světě kde _e tady
0:29:33tohleto _e kde sou tady ty značky dělaný a načasovaný ručně a to sem net
0:29:38limit jo
0:29:42to databáze americké angličtiny
0:29:45a tam jako vopravdu sedělo stádo fonetiku a označilo ručně kde sou který hlásky
0:29:50běžně by se tady z tohoto všichni zbláznili takže co
0:29:56těm databázím
0:29:57máte většinou dispozici
0:29:59souhlásky
0:30:03a textový přepis a když potřebujeme trénovat nějaký akustický modely tak sis tohodle textový do
0:30:09přepisu musíme _e vyrobit pomocí výslovnostní ho slovníku nebo v nějakýho pomocí _e nebo pomocí
0:30:16automaticky objev into phoneme tool u
0:30:19_e fonetický řady že prostě do N F S
0:30:23a tak dále potom vím že tahleta věta obsahuje tyto fonémy ale nevím kde sou
0:30:28a naštěstí když se trénují takový systémy pro rozpoznávání takto nemusím přesně vědět protože ty
0:30:34trénovací algoritmy po několika _e po několika koleč tých si ty _e si ty
0:30:42fonémy za rovnají sami
0:30:45na jednotlivý řečový segment i když tady tohleto budete dělat a uslyšíte slovíčko fork alarmem
0:30:58tak u toho furt elementu prostě máte k dispozici forem _e řetězce fonému máte k
0:31:03dispozici masku nějaký modely
0:31:07a tím modelům řeknete já vím že sou _e mojí promluvě tady tyhle fonémy ale
0:31:12nevím kde
0:31:13a ono vám to automaticky zrovna
0:31:17tak _e co je docela problém je tady fonetická sada
0:31:22a výslovnostní slovník
0:31:24protože to musíte mít _e to musíte mít jak sme říkali jako nějak předem definovanou
0:31:30_e textový korpus tak jak jsme tady s kolegy dali dohromady zase až tak _e
0:31:35cache tak _e důležitý a složitý není jenom musí do za pozor aby byl _e
0:31:40ste domény kde chcete něco dělat
0:31:42tak a my se tady snažíme v rámci nějakého projektu
0:31:46trošku zjednoduší tady ten postup _e a
0:31:51pracovat na technika
0:31:53který by dokázali
0:31:56i vlastně pro nový a neznámý jazyky
0:31:59_e
0:32:01se obejít best _e fonetické sady abych výslovnostní ho slovní
0:32:05jo tady tohle docela zajímavý protože
0:32:08jako skupina dostáváme občas požadavky udělejte nám rozpoznávač pro nějaké úplně divnej jazyk
0:32:14a říkám jako a máte
0:32:16v tom co to jazyka máte no máme nějaký nahrávky aby jsou nějak přepsány
0:32:21no
0:32:22a znáte jako nějakýho fonetika to říkat ne
0:32:26mates výslovnostní slovník jazyka ne máte nějaký texty _e možná takže _e řekl je to
0:32:33do je to docela důležitý
0:32:35pro rychlý vývoj dej takový v aplikaci do nových nebo do nových jazyků nebo i
0:32:40do třeba velkých jazyků D tady tyhle zdroje nemáte k dispozici jo třeba jsme se
0:32:44dívali na thajštin u eště nemá si osmdesát milionů mluvčí
0:32:49a když se chcete koupit nějakou thajskou databázi tak prostě máte smůlu protože žádná není
0:32:54tak
0:32:55poďme se podívat na _e etapu detekce klíčových slov
0:33:01tak co to znamená
0:33:04znamená to že řeknete já nechci přepsat celou nahrávku
0:33:08ale máme nějaký klíčový slova když byste měli třeba online zpracování meetingu
0:33:14tak to může být třeba slovo rozpočet jo nebo vyhození šéfa nebo něco takovýho a
0:33:19potřebujete aby vás ten systém upozornil na tihle na místě kde se takový klíčový slova
0:33:24_e objeví
0:33:26tak _e jak se na to de
0:33:30v zásadě
0:33:31můžete _e
0:33:35budete aplikovat úplně zase stejný schémátko kterým sme tady několika několikrát viděli
0:33:42jestli si pamatujete na rozpoznávání mluvčího tak jsme tam měli dobrej model dobrej model _e
0:33:47vlastně vyhodnocovalo že to je ten daný mluvčí
0:33:51a pak sme tam měli špatný modelům říkali jak obliga modul
0:33:55a ten vyhodnocovalo _e skóre toho že tam není ten daný mluvčí
0:34:00a nebudem teď mít úplně to samý akorát že ten dobrej model bude
0:34:04model klíčový ho slova a ten model pořadí bude _e budeme se snažit aby prostě
0:34:08na sebe chytal vychytal všechno jiné
0:34:12tyhle dva modely pro každej časový okamžik jo to je tady důležitý
0:34:16je pro každej čas
0:34:19budou _e produkovat
0:34:22budou produkovat nějaký _e skóre věrohodnosti
0:34:27budete dělat jejich poměr
0:34:29pak tady tenhleten prom poměr budete prahovat prahem a když to ten práv přeleze tak
0:34:34prostě řeknete tady je
0:34:37míčový slovo tady je taky klíčových
0:34:40a zase jako když člověk dělá s takovouhle _e
0:34:45tu aplikaci nebo zjistím keyboard pocením hraje
0:34:48tak je potřeba
0:34:50zohlednit jako různý volby takovéto má být rychlý jak to má být přesný tak je
0:34:56docela důležitý si uvědomit jestli ta data budete prohánět s tím systémem jenom jednou
0:35:02anebo jestli to bude nějaký archív typu _e typuju superlectures dot com
0:35:08kde prostě ta řeč bude bydlet _e teďka jako budete mít dejme tomu desítky uživatelů
0:35:13který to budou prohledávat furt dokola
0:35:16a tak je docela důležitý si říct jak moc nám vadí nebo jak moc budu
0:35:20potřebovat slova mimo slovník rozpoznávač
0:35:23tak zvaných pouhý s
0:35:25o V sou noční můrou každýho rozpoznávat celé řeči
0:35:29a jsou to slova který prostě _e při učení neviděl může rozpoznávač takže
0:35:36když budete
0:35:37dělat _e
0:35:39budete dělat třeba rozpoznávač _e tady _e pro přednášky na fitu
0:35:44tak se tam prostě pokusíte nacpat _e nacpat všechny slova který se tady těch přednáškách
0:35:50používají
0:35:51ale pak tady _e otevřeme
0:35:54kurz na
0:35:56na co
0:35:57na
0:35:59kreativní
0:36:00okres plování stropu pomocí
0:36:04fraktálu
0:36:05a najednou
0:36:07budete mít _e ve slovníku
0:36:11_e sádrokarton nás jo protože to budou lidí z se kterýma budete vyjednávat
0:36:21a slovo sádrokarton _e sme při tvorbě toho systému nikde neviděli přitom proto na ten
0:36:26předmět bude úplně zásadní prostoru prostě nepude dál
0:36:30jo _e teďka jako otázka je _e jak moc často budete toho sádrokarton _e nehledáte
0:36:36k bude jaký bude problém toho z toho _e z toho třeba nemáš
0:36:41tak za chvilu potom popovídat no teďka _e jak _e jak k tomu kývl spotting
0:36:47u přistupovat
0:36:49vona takový tři techniky
0:36:51jeden se menuje akustický pak prohledávání výstupu rozpoznávače s velkým slovníkem a pak prohledávání vstupu
0:36:58rozpoznávače s velkým slovníkem které je trošku při ohnuty aby to právě takováhle slova dokázalo
0:37:03chytat tak poďme teďka
0:37:06_e nějaké detail k i _e s těmi musím technikám
0:37:10u té akustiky je to _e řekněme relativně jednoduchý
0:37:15protože
0:37:18nějakých modelů fonémů
0:37:20postavíte prostě
0:37:22modely těch slov
0:37:24který chcete
0:37:25který chcete chytat
0:37:27to znamená
0:37:28pro přednášky bych
0:37:31postavil model sádrokarton _e s
0:37:35tyhlety model rychlost vám dávají ty dobrý věrohodnosti
0:37:39pak je tam nějaký model pozadí který dává ty špatný věrohodnosti tady se nám to
0:37:43celý odečítá a tady prostě toho systému lezou detekce
0:37:48jo takže vlastně když ten systém chcete používat tak si teprve na základě zadané klíčových
0:37:53slov postavíte modely těch slovíček který budete chtít použít
0:37:58je to _e
0:38:00bezvadný vtom že tady nemáte problém se slovy mimo slovník
0:38:04jo protože sádrokartonová
0:38:06super postavíte to prostě jako modelkou jednotlivých fonému můžete to klíčové slovo klidně chytat
0:38:12ovšem je to za cenu _e za cenu jedné zásadní věci že pokud to slovo
0:38:18sádrokarton vás použijete
0:38:21tak ten systém můžete znovu
0:38:24pustit na všema data má kde chcete vyhledávat
0:38:28toto jako není problém pokud těch dat máte hodinu ale už to může být problém
0:38:32vy máte deset tisíc hodin protože když se třeba dostanete na nějakou hodnotu nula celá
0:38:36nula jedna krát výhod zájem tak deset tisíc hodin
0:38:40rád nula celá nula na kabrioletem
0:38:42máte pořád ještě sto hodin no a když byste měli sto serverů kdybyste to rozprskl
0:38:46i tak je to ještě pořád hodina a takovej google kterým nějakou církvi říkám hodina
0:38:52takže vám asi moc nelíbil
0:38:54jo takže tady toto je toto je problém
0:38:57druhý problém tady toho _e systému je že nemá sílu _e jazykového modelu prostě nikde
0:39:05tomletom systému není _e není žádná _e žádná znalost toho jak se můžou následovat jednotlivý
0:39:11slova to znamená pokud tam _e zadáte slovo typu sádrokarton _e s které dostatečně dlouhé
0:39:18a jako
0:39:19jasně ho slyšíte tady akusticky rozdílné moc všeho ostatního tak to bude docela fungovat
0:39:26ale ne po nepokoušejte se takovým systémem _e
0:39:30chytat slova
0:39:32jako třeba já _m
0:39:34nebo po
0:39:35nebo něco takovýho pokutová prostě jednu slabiku
0:39:38tak je to
0:39:40téměř k nepoznání protože buďto někde nechytne a nebo naopak to chytne všude a máte
0:39:45všude faleš nebo pro
0:39:47jo takže
0:39:49ne nepřítomnost jazykového modelu
0:39:52je docela problém
0:39:53tak druhý přístup je _e prohledávání výstupu rozpoznávače
0:39:59velkým slovníkem
0:40:01_e teďka zapomeňte tady na ten krásný obrázek
0:40:04ale dá se to _e udělat tak že prostě uděláte rozpoznávání
0:40:09do textu to znamená někde wavka aby to přepíšete na dnes jsem přišel a potom
0:40:14když hledáte klíčové slovo přišel tak uděláte prostě vobyčejné graph a na ty matek tam
0:40:18a
0:40:19a buďto najdete nebo to nenajdete jo
0:40:22todleto je možnost jedna možnost další je _e trochu se zamyslet a říci že ten
0:40:28rozpoznávač taky nemusel být úplně přesnej a že si třeba mohl _e mohl myslet
0:40:36že tam je
0:40:37ne sem
0:40:39přišel
0:40:40nebo taky došel
0:40:42nebo taky našel
0:40:44nebo _e
0:40:47nebo já nevím ještě si něco vymyslete
0:40:50a tady tyhlety varianty o kterých si rozpoznávač může myslel že jsou správný dokážete dostat
0:40:57_e s takové struktuře kterou my vlastně často necháváme rozpoznávač generovat a to je se
0:41:03říká orientovaný graf nebo s vás
0:41:06a nebo tomu taky říkám velatice rozes anglického lety
0:41:10takže když jako se budete byly vnímali má pořád nám budou hodit nějaký mlati matice
0:41:14hasičů roky
0:41:15tak při čili case of each S a ale ti se sou tady tyhlety orientované
0:41:19grafy na výstupu rozpoznávač jo takže pokud rozpoznávač necháte vypudit takovouhle strukturu
0:41:28_e
0:41:30tak _e C pokud na té nejlepší cestě je třeba dnes jsem přišel
0:41:36a ten rozpoznávače tam se k nul protože _e ten člověk ve skutečnosti říká dnes
0:41:41sem našel
0:41:42a vy potom použito detektor klíčových slov kde budete _e hledat slovo našel
0:41:48tak ho tam najdete protože prostě bylo někde jako druhá nebo třetí varianta ale stihla
0:41:53tisísce uměli zavřeny mimochodem _e ten systém _m se pročesat com nebo přednášky do com
0:42:01tedy ste možná viděli tak právě používá indexování tady těchhle těch _e těch druhých a
0:42:07třetí se dalších variant
0:42:09takže _e občas
0:42:11když si tam dáte klíčové slovo to budete hledat
0:42:15tak prostě sto místě kdo systém našeho nenajdete tom nejlepším přepisu jo ale přitom tam
0:42:20slyšíte evidentně se tam ten rozpoznávač na té nejlepší cestě se knol ale bylo to
0:42:24někde schované mlaty si na indexoval i sme to takže _e tohle slovíčko dohledat
0:42:31tak _e
0:42:33jak si myslíte že se tady ty matice dají reprezentovat
0:42:43no zase konečný stavový automat
0:42:46takže no protože
0:42:49tam máte všude pravděpodobnosti které můžete používat nemusíte ale je docela dobrý je používat
0:42:56ale ten konečný stavový automat prostě je docela fajn cesta na to je tady to
0:43:00tuhle _e tohleto lety volati si reprezentovat
0:43:05a pak se s tím dají dělat krásný operace jo jako že se třeba uděláte
0:43:09jiný konečný stavový automat který bude obsahovat _m nějakou sadu prohledávaných slov
0:43:15uděláte kompozici a přímo je najdete prostě jako tady se s tím dělat krásné věci
0:43:21tak _e taky nějaký nevýhody samozřejmě té rozpoznávače limitována slovníkem který máte zadrátovaný to znamená
0:43:28budeme mít problém slovy mimo slovní
0:43:31a za druhé ten servis je sáry složitější a náročnější a pomalejší než jenom akustika
0:43:37jo takže to že sou tam takový komponent jako výslovnostní slovník
0:43:41a jazykový model samozřejmě bude znamenat že to bude že to bude přesnější ale že
0:43:47se vám to bude titíž _e vyvíjet zvlášť pro jazyky kde nebudete mít _e dispozici
0:43:53patřičný zdroj
0:43:54tak a teďka _e nemáš naše děťátko
0:43:58kterým se tady chlubím E
0:44:00_e rozpoznávač _e visí S R který má ale eště nějakou půlslovní C
0:44:07znamená to že je vlastně dáno dohromady rozpoznávací C která má sobě standardní slova
0:44:14ale je tam ještě taková podsíť která když na rozpoznávač prostě úplně vedle a neví
0:44:19_e který si standardní slov by to mohlo být tak mu umožňuje odskočit
0:44:25do _e do nějaké po slovní sítě a to je poslední síti to dokáže přepsat
0:44:30buď pomocí fonémů nebo pomocí nějakých takový několik jako kdyby slabik
0:44:35jo to znamená že byste měli _e v tomhle případě
0:44:41_e
0:44:42když by ta věta byla _e strof mi zmršil sádrokarton a
0:44:47výstup rozpoznávače ostrov
0:44:50my
0:44:51zmršil
0:44:53a teďka to pouhý slovo by byl přepsaný ně něčím možná jako s R
0:44:59rok
0:45:00R
0:45:02on a jo schválně to ne přepisuju pomocí _e solidních českých slabik protože ten systém
0:45:10si to může na myslet tak jak _e tak jak jsou to hodí a tak
0:45:13jak byl takže byla trénován
0:45:16takže tendleten systém je dobrý vtom že když potom
0:45:20takováhle obuví slova prohledávat se
0:45:24tak máte šanci řekni _m dostanete
0:45:26a mimochodem je to _e i na _e si dobrý na jednu další krásnou je
0:45:32teplý byste viděli na kterou
0:45:34je tady tomu systému říkáme hybris jo
0:45:38_e teda tady jako
0:45:39slovní síť a tady po slovní na to dobrýho si myslíte že ještě takový hybrid
0:45:45je
0:45:55tak
0:45:56dobrej na to že
0:45:58dokáže najít obuví slova
0:46:01prostě
0:46:02zkuste přinese další
0:46:05představte si že máte
0:46:08_e že máte standardní rozpoznávat
0:46:11tady je věta strop mi zmršil sádrokarton a
0:46:15a vy máte standardní rozpoznávač kterej tady tuhletu feature u _e ten _e tu po
0:46:20slovní síť nemá co si myslíte že bude na jeho výstupu když tam vleze věta
0:46:25strop mi zmršil sádrokarton
0:46:32něco
0:46:33co ten rozpoznávač si myslí že dobře
0:46:36a co má ve slovníku jo to znamená pravděpodobně by tam bylo něco jakost osmi
0:46:41zmršil
0:46:43sám
0:46:45tu káru
0:46:47dáš nebo něco takovýho podobně
0:46:50podobně inteligentního
0:46:52jo tetě a vy samozřejmě nevíte že tady toto je špatně prostě to na výstupu
0:46:57rozpoznávače on si myslí že to takhle je se jako jednu mann best
0:47:02rozpoznávací cesta
0:47:04toho _e toho tečka potom jako hrůzou zjistíte že tady toto byla chyba ale nemáte
0:47:09vlastně to jak odhadnout přede
0:47:11takže výhodou toho hybridního přistupuje
0:47:15_e že vod mám vlastně dá nějaký vodítko k tomu že když se to přepne
0:47:19do té do té po slovní sítě tak se děje něco divný ho jo budce
0:47:25na vstupu objevilo auto vocabulary slovo
0:47:28nebo je tam třeba soubor který bylo invoked byly ale ten člověk se v něm
0:47:32zadrhnul
0:47:33a neřeklo pořádně
0:47:35nebo ho řekl nějakým pekelným dialektem na kterým ten náš rozpoznávač nebylo trénovaný takže kombinace
0:47:42tady těch dvou sítí vám prostě jako dokáže
0:47:44říct že něco bylo špatně
0:47:46jako ramena takový jako ně poznat ně co bylo špatně měli celej vzorky evropské projekt
0:47:53no vás vybírat
0:47:54jestli vás třeba z něčeho
0:47:56měli _e naši dva němečtí doktorandi výborní štefan com blinkal a mirko a nemám
0:48:03tak ti právě jako
0:48:06dělali a dělají pořád na těchdle technika
0:48:09nejenom jak poznatku umí slova
0:48:11ale jak co s nima potom dál jo
0:48:14neznám jako pokud bate jednou hybridní rozpoznávač tak se tam otevírá velká rada možností co
0:48:20dělat když na takovýdle slovo přijdete
0:48:22jo můžete třeba zkusit ho přepsat zpátky do slov
0:48:26když máme grapheme to phoneme
0:48:28tak my můžeme natrénovat tady systém který pracuje naopak které je forintu trefím
0:48:32to znamená _e takovouhle
0:48:35sadu
0:48:36jednotek potom narvete do převodníku a dokážete toho vysoce a zase zpátky slovo
0:48:42nebo to dělal mirko úžasný ho
0:48:45snažím se udělat _e takový konečný stavový automat
0:48:49který by tohleto slovo srovnal se slovy který existují ve slovníku
0:48:54jo to znamená
0:48:56_e v tomhle případě by byl schopnej poznat
0:48:59že tady nějaký sádrokarton který třeba měl ve slovníku
0:49:04a že tady přípona a která je tam jenom protože se mění nějak morfologie
0:49:09slova nebo _e jako čím se taky bavil
0:49:12tak _e bylo shlukování nebo klastrování tady těhletěch slovíček měl třeba nějakou _e jak u
0:49:19přednášku houbách
0:49:22různé proháněli standardním slovníkem
0:49:25a tam bylo prostě jakým mají síly jem
0:49:31my celýho _m ani nevím pořád jak se to tak se to řekne a _e
0:49:36vysloví anglicky
0:49:37a to je tuším jako odborný výraz
0:49:41pro houbu lesy té někdo
0:49:43ste houba spektrum asi budete rozumět V
0:49:46a vy _e kdy prostě máte rozpoznávač který normálně rozpoznává angličtinu nezná tady tohleto slovíčko
0:49:54to znamená každou chvilku to vyprodukuje něco jako
0:49:57malej
0:49:59i
0:50:00vy
0:50:01_e nebo něco takového a to se přednášce budete mít čtyrycet krát
0:50:06jo a teďka jako je docela zajímavý úkolu říci
0:50:10sekera jako
0:50:11tady jsem severa dedikoval slova mimo slovník
0:50:14není náhodou něco z nich jako důležitýho není to nějaký termín který se ste přednášce
0:50:18mnohokrát opakuje
0:50:20a právě tady ty klastr ovací algoritmy vám řeknou nebo tak jako tady bylo mají
0:50:23síly je má pak se to ještě rozpoznalo jednou možná s nějakou fonetickou chřipkou a
0:50:28pak ještě jednou a ještě jednou poďme tady tyhle slova dat do jednoho klastru
0:50:33a prezentovat ji uživateli protože to bude asi něco důležitýho
0:50:38mimochodem
0:50:41sme na tohle měli nějaký
0:50:43týden íčko
0:50:49_e já doufám že ještě
0:51:05a
0:51:09no nic kdybyste chtěli tak _e máme _e máme někde demo který ta který tady
0:51:14toto docela pěkný kozo
0:51:17tak
0:51:22no takže bysme byly Ú _e detekce klíčových slov
0:51:26a pak tady mám nějakou věc organizacích a projekty toto nevím jestli je nevím jestli
0:51:30je moc _e zajímavý tady tohle může nám může být zajímavý slajd pro vás
0:51:35protože
0:51:36jako někdy asi budete do práce neděláte dali bambus tady toto fakultu
0:51:42tak jenom sme jako se tady snažili zase to byla taková komerčních Í prezentace
0:51:47lístek o co je vlastně co kdo dělá
0:51:50a když _e budete ve výzkumu že budete tady
0:51:54když budete tady na fakultě třeba s námi
0:51:57tak výstupem je vlastně součástí do jsou technické zprávy
0:52:01musí se tady dělat C jako s reálnými dacia z running kódem ale ten kód
0:52:07bych vám vobčas ani nepsal vidět jo protože jsou to jako nějaké bločky matlabu tu
0:52:13s C plus
0:52:14_e které se napsali buď dvě nebo vaši kolegové nebo někdo úplně jinde to potřebuje
0:52:19teda rychle dohromady to znamená napíšete nějaké lepidlo vyšší nebo folku nebo perlu nebo třeba
0:52:24zrovna přijde pod ruku
0:52:26dostanete úžasné výsledky
0:52:29je to nejpřesnější na světě ale zpracování hodiny řeči trvá den
0:52:34a rozumí tomu rozumíte tomu jenom vy
0:52:37jo to znamená jako že by toto někam předali nemůže to by to někdo dokázal
0:52:41zopakovat
0:52:42to je totální luze
0:52:45no takže pak je další ste
0:52:47a to je vývoj technologií že teda jako by to mělo dělat pokud možno to
0:52:51samé
0:52:52ale mělo by to být stabilní to znamená mělo by to chytat chyby
0:52:56kód by měl být nějak verifikován o
0:52:59mělo by se to testovat na úrovni a komponentu tak potom jako celých systému
0:53:05kdybyste mít nějaký cíl životní cykly plánování
0:53:08jo by to me
0:53:10užívat _e ne uživatelská ale programátorská rozhraní
0:53:14a taky třese prostě světe by se k tomu přes mladost nějaká dokument a
0:53:21no a
0:53:22pak se u produktu
0:53:24kdy _e vám někdo _e zavolá prostě z nějakého call centra řekne že by tam
0:53:29silně to detekovat
0:53:30a zbytek se teda měli zamyslet co máte k dispozici jaké technologie jaké jsou požadavky
0:53:35zákazníka jak se teda na šroubová dohromady
0:53:39můžete taky si promyslet komerční model to znamená to co budete chtít peníze jestli budete
0:53:45dělat nějaké se vzorové řešení do kterého vám budou posílat data většinou lidi nechtějí protože
0:53:50data nechtějí dat vůbec ruky
0:53:52no budete prodávali sence jak budete licence vo tak je to docela
0:53:56to docela zajímavý a samozřejmě u toho potom bude _e sedět člověk kterým bude srdečně
0:54:02jedno že ve městě nějaký skrytý markovův model ale on tam potřebuje do velké červená
0:54:07zelené tlačítko na které bude klikat jo takže musíte _e
0:54:11se
0:54:12musíte se zaměřit i na to kdo to bude používat a jak to udělat tak
0:54:16aby
0:54:17tam sto
0:54:19místo uživatel dostal to sou čekal
0:54:23tak
0:54:24jo tak _e takové závěrečné _e závěrečná věc
0:54:28tohleto je když tady třeba děláme na nějakých výzkumných projektech tak jsem se snažil udělat
0:54:33takové veselé schéma jak jsou tady ty projekty organizovány ve státech
0:54:38my jako sme přepiš ním je tím že se vych asi dvou účastní moje
0:54:43začíná to vždycky vlastně od uživatele který má problém
0:54:46když jako _m je
0:54:49třeba tou agenturou darpa kde hnedka první slovíčko je D sem tak sem si představíte
0:54:55kdo ten uživatel je že jo nový se to tady vymalováno zeleně
0:54:58tak _e potom prostě máte agenturu výzkumnou která podporuje takovéhle
0:55:05projekty jak právo toho du uživatele dostane _e dostane nějaký požadavek
0:55:11a ta _e agentura vypíše
0:55:15zadání projektu americe tomu říkají proud oděn si _e jenom sme B A normálně jsou
0:55:21volně dostupný dokáže to je najít na internetu
0:55:25no a teďka prostě se dá dohromady _e několik česky tomu říká řešitel
0:55:31hezky když někdo jako řekne že řeší nějaký grant tak města vyvrací blůzou na hlavě
0:55:36protože
0:55:37že to řešíte tak to znamená ta na konci vyřešíte jo jako
0:55:41mám pocit že
0:55:42rozpoznávání řeči
0:55:44že by to byl takový řešitelná úloha ze strany akorát možná by se mohli jmenovat
0:55:49posouvač i posouvače jedna
0:55:51posouvat dvě a posouvače N které který se snaží prostě ty technologie lavinu někam posunout
0:55:57ale nevyřeší
0:55:59no a _e tím můžou být jednak samotní nebo dají dohromady nějaká konzorcia
0:56:06a na každý takový projekty je _e je potřeba někdo kdo nasbírá data
0:56:12a na těch datech se pak bude
0:56:13něco zkoušet
0:56:15a potom _e je musí být někdo kdo bude říkali si je to dobře nebo
0:56:19jestli se špatně
0:56:21takže ve státech mají mi to že vlastně zavedena evaluační instituce
0:56:26občas lety bývá někdo jiný když se jedná se o nějaká citlivější data
0:56:31no a tetě _e
0:56:33co je docela důležitý
0:56:35tak jsou tak zvaný kompetitivní evaluace to znamená řešitele
0:56:40tady dohromady nějaký systémy
0:56:42lysý nebo někdo jinej dá data a teďka když systémy na těch datech musí pustit
0:56:48samozřejmě se dosáhne nějakých výsledku
0:56:51a uši jenom to že ty lidi navzájem mezi sebou soutěží je docela velký _e
0:56:56velký motor
0:56:57který prostě každý motivuje abysme bity výsledky byly co nejlepší
0:57:02no a občas na základě těch public kompetitivní k evaluaci taky někomu někoho vyškrtnou prostě
0:57:08že by ho postřelili ale řeknu mu tak jako pane nebo paní na příští rok
0:57:12prostě s váma nepočítáme jako s podporou a prostě mu zastaví peníze o to
0:57:17no a tady tyhlety
0:57:19etapy dvou dnů pořád dokola
0:57:22takže jako by se ta technologie
0:57:25na konci takovýhle projektu nebo
0:57:28nebo _e problém uživatel mohl posunout a pokud možno uzeného problém vyřešit
0:57:36a samozřejmě já se tady tyhle těchdle koleček projede pár
0:57:39tak ten _e tak to nejlepší konzorcium nebo ten nejlepší řešitel prostě řekne jak se
0:57:45to má dělat správně
0:57:47a pak nastoupí zase se bavíme vo státech nějaký prověřeny integrátor
0:57:51který dokáže jako pracovat tady s těmi _e s těmi zadanými plány a který vlastním
0:57:57tu technology naprogramuje integruje a
0:58:00die no neprůstřelného kufříku
0:58:03tak
0:58:04té dva všechno úvodu
0:58:07takže teďka ne přestávka ale _e jenom mini oddech a pak si dáme
0:58:12průjezd _e
0:58:14ruje zpracování signálu
0:58:17takže jsem
0:58:19jo tady metoda
0:58:52tak pojď poďme do toho bude to vlastně takový jako víc u C číslicového zpracování
0:58:58signálu
0:58:59to znamená to co ste viděli ve druháku pět esku _e nekomprimovanou formu
0:59:04to je takový politický slice tady tohle jako pro číslicové zpracování signálu vám asi když
0:59:10vás nebudu přesvědčovat tomu naplatil tak někde před dvaceti lety
0:59:15jak to obvykle vypadá taky pro jeden rychle prostě analogový signál
0:59:20_e
0:59:21číslicový který prošel A D převodníkem potom se s ním číslicově něco děje a pak
0:59:26ještě někdy se taky převede zpátky do analogu
0:59:30a tady toto _e
0:59:33toto bude probíhat jako jo
0:59:35případě kódování řeči
0:59:40a ne
0:59:41případně třeba rozpoznávání jo protože když budeme dělat rozpoznávání tak vlastně přímo cucám jako digitální
0:59:48informaci a najdete tady jako dali dneska tom T nezpracování a zase docela zajímavý že
0:59:53když se třeba dělá syntéza
0:59:55tam nebudete mít na začátku tady tenhleten blok tam vlastně blok zpracování a potom s
1:00:00toho musíte dostat _e nějakou že
1:00:03tak teďka _e začněme teda jako stroji nebo s popisem těch našich signálku
1:00:10na začátku
1:00:11nebylo slovo
1:00:13ale _e byl tam signál se spojitým časem
1:00:17definovaný sudého vod mínus nekonečna do nekonečna
1:00:20nekonečné množství hodnot
1:00:23a když budeme chtít takový signál reprezentovat s frekvenční oblasti
1:00:28tak
1:00:29fourierova transformace
1:00:32prostě integrujeme od mínus nekonečna do nekonečna
1:00:36ten signál čase krát E na mínus dvě pí F T do to
1:00:41všimněte si prosím vás že tady Z herečku _e už zase přestává mít drát kruhové
1:00:46frekvence kterými jsem vám vás oblažovala ve druháku
1:00:50takže
1:00:51dost často tady uvidíme
1:00:54je F což bude v obyčejných K _e frekvence R C
1:00:59a neska někde vedle vono mi napsaný dvě pí
1:01:02abych to udělal kruhovou
1:01:05ale pozor
1:01:06za chvilku když se budeme bavit T číslicovými signály a to teďka bude hodně rychle
1:01:12tak to F
1:01:14ne schválně všem
1:01:17že budou diskrétní signály
1:01:21u spojitých
1:01:24je to F v hertzích
1:01:27čím bude F diskrétní
1:01:30frekvence
1:01:34povědět _e nebo v ničem
1:01:37jo protože v těch diskrétních signálech budeme mít takzvanou normovanou frekvenci
1:01:42teda vlastně vůbec nebude záviset na tom jako jak ten signál vypadal frekvenční původně
1:01:47ale bude to jenom nějaké poměrné číslo které prostě půjde vod nuly pro nulu do
1:01:52jedničky a ta jednička odpovídá vzorkovací frekvenci
1:01:56a jako vo nějaký hercích se začneme bavit až teprv někdo řekne jaká ta vzorkovací
1:02:01frekvence vůbec byla nebo má být jo
1:02:05tak
1:02:06teďka _e co takové fourierovy transformace vyleze
1:02:09funkce X F říkáme jí spektrální funkce
1:02:14je komplexní
1:02:16je definována pro všechny frekvence zase vod mínus nekonečna do nekonečna má nějakej modulu nějakej
1:02:22argument
1:02:25a ty jako funkci frekvence dokážeme _e dokážeme vyplotnout
1:02:30pokud máme na _e reálný signál tak vlastně stačí znát pominu tady toho spektra pro
1:02:37kladný frekvence protože tam nějaká _e nějaká symetrie
1:02:41a my vlastně víme že modul
1:02:46pro záchranu frekvenci je ten samej pro koplo _e co pro snadnou frekvenci
1:02:53argument
1:02:54pro zápornou frekvenci
1:02:56že bude schválně tohle si z nich zapamatuje
1:03:03máme frekvence proti sobě
1:03:05mám reálnej vobyčejný ski signál
1:03:08tak jak je vztah mezi argumentová na mínus
1:03:12něčem
1:03:13a plus něčem
1:03:18tak ty argumenty jsou tam zápor opačný jo takže tady jedno velký mínus
1:03:22a kdybyste tady tohle chtěli napsat s dohromady
1:03:25tak byste udělali
1:03:27když má něco stejnou absolutní hodnotu opačný argument
1:03:31dvě komplexní čísla
1:03:35tak jsou komplexně sdružená a že sto takovou pěknou hvězdičkou takže bysme mohli napsat že
1:03:40X mínus _e
1:03:41se rovná X
1:03:43jedničkou F
1:03:45komplexní sdružení znamená že _e modul nechám na pokoji
1:03:49argument nám opačně
1:03:52tak
1:03:54takže todleto bla
1:03:55v rychlosti mezku blesku fourierova transformace no vida
1:03:59to je tady to dokonce máme tech _e co to je fourierově transformaci dodat
1:04:06inteligentní signály
1:04:08mají
1:04:09frekvenčně omezené spektrum to znamená mají tu fourierovu transformaci koncentrovaná koncentrovanou vodce nějaké mínus mezní
1:04:19frekvence do plus mezní frekvence X N
1:04:22do
1:04:23do frekvence jo
1:04:25_e klasicky když tady tohle bude třeba telefonní signál
1:04:29tak ta F mám bude nějakých running tři tisíce šest set
1:04:33_e herců
1:04:35když budete _e nic chcete kvalitu tak to bude vokolo dvaceti kilo hertzů
1:04:41a tak dále té první věc
1:04:44pokud _e
1:04:46ty signály nebudou mít omezené spektrum
1:04:50tak ho buď omezím natvrdo nějakým filtrem
1:04:53a nebo řeknu _hm
1:04:55a nechám to tak
1:04:57a _e pak se mi to může trošku vymstít
1:05:00když budeme vzorkovat protože dojde k čemu
1:05:05aliasingu jo tomu k překrytí jednotlivých _e spekter tam se to dostane
1:05:09tak a eště taková _e vtipná poznámka o fourierově transformaci ta spektrální funkce semene nedá
1:05:16přesně spočítat jo protože máme tady vlastně nekonečna jednak čase jinak ve frekvenci
1:05:24máme tady prostě nekonečný moc časových bodu takže můžete to zkusit pro nějaký signál typu
1:05:30obdélníkový impuls
1:05:32když mučení C se S ale pro cokoliv reálného prostě to vobyčejná fourierova transformace ne
1:05:39nejde
1:05:42tak _e tetě jak je to s tím vzorkováním _e
1:05:46možná jí kvantováním když myslím že kvantování tady nemám
1:05:50_e když budeme vzorkovat
1:05:53tak vlastně na stuff přichází ten
1:05:56analogový ten černý signál
1:05:59ten vzorkovač musí mít k dispozici
1:06:02nějaký periodický signál který má _e mezi jednotlivými má impulz zama
1:06:08vzorkovací periodu
1:06:11_e ten výsledný navzorkovaný signál je _e vlastně tady
1:06:16tenhle červený krát ten původní černý
1:06:20a když si uvědomíte co se děje tak vlastně ten černý určuje výšky těch jednotlivých
1:06:26nových tím políčku a toto je náš
1:06:29navzorkovaný signál
1:06:31tak a teďka by se dalo vlastně vypočítat
1:06:35nebo nějak uchopit _e co se děje se spektrem takového signálu když se navzorkuje
1:06:41tak zase _e sme se bavili _e s tím že se ten
1:06:45že se ten signál
1:06:48řekne že jo ne úplně ideální že to tam impulzy které jsou nekonečně krátký a
1:06:52nekonečně vysoké toto vlastně diracových pulzy
1:06:56a potom _e když se tady tohle provede tak ten navzorkovaný signál je sled
1:07:01takových vlastně na váhovaných
1:07:03diracových impulsů
1:07:05když si člověk udělá trošku _e trošku nějaké počítání
1:07:10tak _e zjistí že _e spektrum toho výsledného navzorkovaného signálu
1:07:17je vlastně spektrum toho původního
1:07:20je to i X
1:07:21ale které je nekonečně krát rozkopírovat ne na té frekvenční ose jo takže kdybyste _e
1:07:28kdybyste tady tenhleten
1:07:30člen mazali
1:07:32tak je to prostě pořád to původní
1:07:36to původní spektrum
1:07:38ale když doteďka worm až N
1:07:40a vezmeme v úvahu všechna ta _e všechna možná směnka
1:07:45tak tady prostě mám
1:07:46další kopii a tady mám další kopii a tady mám další kopii přístupy
1:07:51a tak dále a tak dál
1:07:53no a teď tě _e když budeme
1:07:55vzorkovat
1:07:57tak samozřejmě záleží na tom jak bliká bude ta vzorkovací frekvence
1:08:02a jestli se přitom vzorkování tady ty jednotlivé kopie pře kryjou a nebo se ne
1:08:09překryvu
1:08:10si uvědomíme jak to tady s tím bude chodit tak toto je maximální frekvence signálu
1:08:16F mám
1:08:17tady tohleto je polovina vzorkovací frekvence
1:08:21F S
1:08:22lomeno dvěma
1:08:23takže dělám celkem jasně že když ta polovina vzorkovací frekvence bude prostě naftou maximální frekvencí
1:08:29tak to bude v pohodě protože ty jednotlivý kopie se překrývat nebudou
1:08:33a když _e se netrefíme
1:08:39tak se prostě ty jednotlivý
1:08:41opět takhle
1:08:43pěkně při kryjou
1:08:45ale
1:08:46prosím uvědomte si že _e
1:08:50to není tak že by jako byl takový pěkný obrázek doby ty jednotlivé kopie byly
1:08:54vidět aby tam ty malované červenou tužkou
1:08:57ony se prostě jako pře kryjou a sečtou samozřejmě jo takže
1:09:01že výsledkem je
1:09:03něco
1:09:04něco takového
1:09:06L ještě horšího
1:09:08jo stromy tato se to z hlavy si neumim moc dobře sčítat
1:09:13prostě najednou dostanete spektrum
1:09:15který se _e trochu podobá tomu původnímu ale není přesně ekvivalentní a nedokážete z něho
1:09:22to původní spektrum získat a
1:09:25no tohleto nám říká ten slavný šenonův kotelnikovův nyquistův nebo vzorkovací teorém vyberte se podle
1:09:31preferované národnosti a nebo můžete zůstat politicky korektní
1:09:37a tohle je ilustrace co se teda bude dít když _e nebude aliasingu
1:09:44kde ty jednotlivý kopie dokážu krásně oddělit
1:09:47to znamená pak když si rekonstruovat
1:09:50a vy kousnou takhle jednu kopii _e toho signálu
1:09:54pomoci
1:09:55jaké dolní propusti tak prostě dostanu úplně krásně a přesně to původní spektrum
1:10:02no a takhle to dopadne když _e
1:10:05když bude aliasingu
1:10:07když se vám ty jednotlivé kopie ve spektru
1:10:10_e překryjí a sečtou
1:10:13a pak vidíte že tím
1:10:15rekonstrukční filtrem dostanete nějakou machu která
1:10:20L a není podobná
1:10:21_m původnímu spektru
1:10:23takže teďka máte jako _e za úkol vymyslet co s tím protože tady s tím
1:10:28výsledkem jako asi nebudete spokojeni
1:10:31možnost číslo jedna je zvýšit vzorkovací frekvenci že jo
1:10:35nedávat i nedávat i sem ale posunout i třeba sem
1:10:40to byste museli případě telefonu třeba jako přemluvit
1:10:43motoru a noky a siemens _e a
1:10:47asi tak jako několik miliard lidí na téhle planetě aby zavodili své mobil jakub lysý
1:10:51nejsou satanisti podaří
1:10:53a když se vám to nepodaří tak musíte přijít nějakým technologicky špinavější _m ale fungujícím
1:10:59řešením
1:11:01a to se menuje antialiasingový filtr že jo
1:11:04takže tato formule takže máte tady původní spektrum
1:11:08spektrum před prací té
1:11:11takže
1:11:12z něj uřeže té všechny komponenty
1:11:15které sou výše
1:11:17dneš plus nezdřímneš plus polovina vzorkovací frekvence avní ženeš
1:11:23dneš mínus polovina vzorkovací frekvence
1:11:26když tady to před prase ne spektrum potom _e
1:11:29_e se vám periodizuje
1:11:33tak to už zjistíte že se ty jednotlivé jeho kopie nepřekrývají ale že jsou těsně
1:11:37vedle sebe
1:11:38a pokud potom uděláte takového _e před prase ne _e o a zperiodizované ho spektra
1:11:46rekonstrukci to znamená rychle si vyberete
1:11:50jeden jeho kousek
1:11:52rekonstrukční dolní propusti jo zbytek zabijete
1:11:56tak _e dostanete zase zpátky to původní před prase ne spektrum to znamená
1:12:01je zcela jasný že ste přišli o vyšší frekvence
1:12:05protože se uřezali
1:12:07ale aspoň něco co bylo těch nižší
1:12:10tak je původní
1:12:12a _e není to zkreslen o
1:12:15jako v případě minulém by se nám vlastně do toho překlopil i ty vyšší frekvenční
1:12:19složky a začali se vám tady _e souviselo není
1:12:26jo mimochodem dybyste todle někdo chtěl zkusit
1:12:29tak _e si vemte
1:12:32třeba do matlabu nebudu céčka
1:12:35_e
1:12:36nějaký hodně vysoký zvuk třeba senátorovi činely já bitu
1:12:42co ste si udělat _e podvzorkování
1:12:45nedělejte žádný antialiasingový filtrování jenom prostě vyberte každý druhý vzorek
1:12:50a pak se to přehrejte zjistíte že jako
1:12:53tím zvukem činelů se
1:12:55tady poměrně zajímavé věci no to vlastně překlopil
1:12:59_e do nižší frekvencí a na místo činu se vám tam budou vývod nějaké změní
1:13:06tak
1:13:08tohle sou je teda poznámky o vzorkování a teďka poďme _e zápisu
1:13:15vzorkovaného signálu
1:13:17takže když to vzorkování jenom uděláme
1:13:20tak vlastně _e dostáváme
1:13:26_e dostáváme velikosti toho původního signálu nějakých časových bodech
1:13:32vy časové body jsou určeny jako násobek _e vzorkovací periody
1:13:38a vidíme že tady v tomhletom zápisu vtom X S N T se nám tam
1:13:43jako pořád ještě nějak objevuje čas
1:13:45pořád asi bude tam vzorkovací perioda
1:13:48se na ni můžeme
1:13:49klidem vykašlat
1:13:52a říci že ten vzorkovali je že ten diskrétní signál že to vlastně bude jenom
1:13:57vobyčejná posloupnost čísel
1:14:01jo tady toto je strašně důležité protože kdyby tam pořád ta informace _e o čase
1:14:08musela zůstat
1:14:09tak bych to měl něco jako
1:14:12vektor
1:14:14časovou informací a my to nechceme jsem prostě jenom sekvence čísel
1:14:19a _e tu dostaneme poměrně jednoduše takže prostě řeknem já si vezmu jenom tady tyhlety
1:14:24velikosti a všechno ostatní zapomínám a dostávám se potom k _e takzvanému diskrétnímu času
1:14:31koše hrozně
1:14:32_e jako hrozně vědecký pojem
1:14:35ale zase je to není nic jinýho než obyčejný počítadlo
1:14:38diskrétní časy prostě počítadlo
1:14:41vzorku podle toho jakým píšete programovacím jazyku nemůže začínat na nule nebo na jedničce
1:14:48ale
1:14:48prostě není to nic jinýho usneš než ukazatel já vám se vám jako schválně
1:14:54nám to někde otevřený matlat
1:14:57_e do něho načtený kus _e u zvuku
1:15:01pěkný
1:15:04_e mám tuším nějaký
1:15:07jednoduše nějaký dvoukanálový zvuk
1:15:10tak sis toho vyberu jenom jeden kanál
1:15:13X bude
1:15:15no
1:15:18všechny rozmetadle
1:15:19jeden sloupec
1:15:22a to s jako
1:15:24X je řada čísel
1:15:26a když si takovýhle X potom zahrajete
1:15:31kdybych já věděl na jaké vzorkovací frekvenci
1:15:35si na C déčko
1:15:39tak ten dvou dostanete v N jo a všimněte si že já jsem vlastně přitom
1:15:42přidávání
1:15:44musel dodat informaci vo tom opravdický _m čase na kterým jsou načasovaný jednotlivý vzorky a
1:15:50to sem tam dodal takže sem té funkci hrající museli co bylo vzorkovací frekvenci protože
1:15:56tady ta řada čísel prostě to iksko
1:16:00to je jako
1:16:03to je prostě vektor to
1:16:07si dělá srandu
1:16:11a tak takhle
1:16:13takže to je _e prostě vektor sto šedesáti osmi tisíc šesti set osumdesáti tří hodnot
1:16:20tečka
1:16:22tak _e
1:16:24fajn když metráků normovaný ho času
1:16:28tak _e se nám to taky projeví takže potom a nebudeme mít _e
1:16:34_e když přestal existovat čas
1:16:37tak samozřejmě přestává existovat výsledek i frekvence v hertzích
1:16:42a ta frekvence vektoru u diskrétních signálů budeme pracovat bude tak zvaná normovaná
1:16:49a zase tu normovanou frekvenci
1:16:52dostanu tak že tu opravdickou frekvencí podělím tou _e podělím vzorkovací
1:17:00jo takže čas bude mít jednotku nic
1:17:04obyčejný počítadlo a frekvence bude mít taky jednotku nic
1:17:08protože to prostě nějaké číslo které teprve cache
1:17:12sdělím vzorkovací frekvenci začne mít _e smysl R
1:17:17a dejte si prosím vás pozor na to že když budeme
1:17:20se dívat do nějaké literatury
1:17:22takovou času to člověk pozná jo čas vobyčejný ski se značí pomocí tečka a ten
1:17:28diskrétní pomocí zenka
1:17:30ale u frekvence to poznat není tam prostě jako se používá F a je to
1:17:34pořád stejný takže _e poznáte to tak že když tam bude pak třeba zapsaná nějaká
1:17:39frekvenční transformace
1:17:41tak pokud _e
1:17:43tam uvidíte třeba _e na
1:17:46_e na mínus J dvě pí
1:17:49S T
1:17:50tak tady to S asi bude to vobyčejný scheme hercích protože vedle stojí čas sekunda
1:17:57ale když vidíme třeba _e na mínus je
1:18:00_e
1:18:01dvě pí S N
1:18:03tak si buďte jisti
1:18:05že tadyta frekvence bude zřejmě normovaná
1:18:08protože vedle není prostě žádnej _e žádnej čas v sekundách letem počítadlo vzorků
1:18:14_e
1:18:15říkal jsem vám
1:18:17cože ráda funkce komplexní exponenciála
1:18:23unk se komplexní exponenciále velmi mlsná
1:18:26že _e pouze vůli radiánech jo stejně jako kosinus nemusí news
1:18:30to jsou funkce který musíte nakrmit úhlem
1:18:33a úplně stejně tak _e potřebujete nakrmit komplexní exponenciálu úhle
1:18:40jo takže jenom _e jako takových quick czech
1:18:43když máte _e takovouhle
1:18:47takovouhle funkci
1:18:49tak _e časy je sekunda
1:18:52frekvence je jedna lomeno sekunda
1:18:55to dvě pí je v radiánech
1:18:57to tam vlastně zavání ten úhel
1:18:59a sekundy se nám navzájem vyruší a vy tu funkci naplň nakrmíte radián a málo
1:19:05nespokojená
1:19:07tady vlastně _e si dejte pozor
1:19:10protože
1:19:11pokud _e
1:19:13rozměr toho N je nic
1:19:17taky rozměr toho S musí být taky nic
1:19:20aby vám to zase vycházeli radiány protože jinak to ta funkce E na mínus je
1:19:24nebude hrát
1:19:27tak _e toho byl zápis tak tady mám nějaký příkládek
1:19:33napište funkci pro generování kosinusovky na dvou stech hercích
1:19:37pro vzorkovací kmitočet _e osum tisíc
1:19:41můžete si udělat nějaký jako
1:19:43drobný odvození ale zjistíte že _e že vlastně
1:19:48normovaná frekvence
1:19:51bude
1:19:52dvě sta
1:19:54lomeno
1:19:55osum tisíc a pokud prostě pak budete dělat C diskrétní kosinusovku
1:20:02taky vyrobíte tak
1:20:03že uděláte kosinus dvě pí krát právě ta
1:20:08normovaná frekvence záznam schválně nebude dělat žádnou speciální značku
1:20:13abyste si _e testu trochu procvičili
1:20:16tak tam bude číslo vzorku
1:20:19a _e
1:20:21tím tímto bude
1:20:23no to bude dáno jo poďme si zase
1:20:25matlab ukázat něco takovýho budete chtít _e budete chtít vyrobit
1:20:31_e
1:20:32F bude
1:20:36_e se bude
1:20:37čtyrycet lomeno osum tisíc normovaná frekvence schválně kolik to je nula celá nula pět
1:20:43pak budeme mít se budeme chtít nějaký rozsah vzorku
1:20:47tak dejme tomu že půjdu vod nuly a teďka když budu chtít vygenerovat vteřinu takové
1:20:52kosinusovky tak kolik amanda
1:20:56jako a ty frekvence osum ti
1:20:59vteřinu
1:21:04tak polovinami může říct že osum tisíc druhá polovina že sedum tisíc devades devět set
1:21:08devadesát devět
1:21:10je to jedno
1:21:11já to zkusím D tímhle
1:21:13a pak si ten signálek pohodě vygenerujete jako dva krát T
1:21:19krát
1:21:19F krát no
1:21:23baum
1:21:24můžeme si ho dokonce ukázat že jo
1:21:27bude hrozně krásný
1:21:31až ten obrázek najdu
1:21:33no to je vono tak vidno dostali tak tam asi bude kosinusovka
1:21:38a co víc může si ho zahrát
1:21:42jo takže když zahrneme to
1:21:45a
1:21:46co se udělá špatně
1:21:52_e no _e který infra
1:21:54zvuk život navozuje deprese
1:21:57tak pokud bysme teda se začneme k vyvolání proběhly _m
1:22:01prostor nenene _e teďka vážně pročte neslyšeli _e kosinusovku na frekvenci
1:22:07osum tisíc
1:22:12protože ta funkce samce se má nějaký defaults na vzorkovací frekvenci o kterým vůbec nevím
1:22:18jaký takže já sem tam nedal vzorkovací frekvenci neřekl jsem nějaké vzorky jsou časovaný takže
1:22:24vona použila nějaký defaults a _e ten vůbec nevím kde takže pod mi zkusit říct
1:22:29co to teda mělo být
1:22:31_e
1:22:34tak
1:22:35se špatně
1:22:44no
1:22:49já už vím co jsem udělal já sem vám opravdu nebo čtyrycet hertzů a ne
1:22:54čtyřista herců že
1:22:56tak se omlouvám ten infrazvuk jako
1:23:00je skutečně byl
1:23:02test tak jo
1:23:04_e
1:23:05čtyry sta hertzů
1:23:07kdybyste chtěli čtyry sta čtyrycet _e tady má funkční sluch
1:23:11áčko nosných _e že
1:23:16_e vona
1:23:18se mně doma ozývá přes _e tak _e fajn takže vidíme na jednoduchým příkládku že
1:23:24není potřeba se bát _e normovaných frekvencí jedna se dá přepočítat na druhou jo pokud
1:23:31bychom chtěli samozřejmě tenleten normované frekvence
1:23:36vypočítat tu v opravdickou tak prostě o od normu ju
1:23:40vynásobím to vzorkovací frekvencí a máma _e mám za tu správnou hodnotu
1:23:46tak
1:23:49_e poďme teďka se podívat na to když máme diskrétní signál
1:23:53jak ho frekvenčně _e analyzovat
1:23:57jaksi spočítat jeho spektrum
1:23:59tak _e bude to pomocí diskrétní fourierovy transformace
1:24:04no i D F téčka
1:24:07a my si musíme uvědomit jednu věc _e
1:24:12zaprvé
1:24:14signál musí být
1:24:15navzorkovaný nebo diskrétní soustruž teda je
1:24:19za druhé nebudeme rozhodně schopni počítat prostě nějakou teoretickou haluzi od mínus nekonečna do plus
1:24:25nekonečna nepůjde budeme muset vždycky ten signál vyslechnout nějakým oknem který bude mít N vzorků
1:24:32to nám bude mít nějakou rozumnou hodnotu třeba dvě stě padesát šest nebo tisíc zase
1:24:36čtyři
1:24:37a s toho budeme počítat _e frekvenční transformaci
1:24:42takže to bude vstup
1:24:44text _e to proženeme tady tímhletím krásným
1:24:48_e
1:24:50tímhle tím krásným vzorečkem
1:24:53a na výstupu dostanu zase N hodnot
1:24:57a teď musím strávit chvilku času N na s tím co my vlastně výstup té
1:25:03diskrétní fourierovy transformace dál
1:25:06listu mi dáva
1:25:09N hodnot
1:25:11rozmezí vod nuly
1:25:14a když
1:25:15do skoro jedničky
1:25:17ve normovaných frekvencích
1:25:21podnebí přesnější ještě
1:25:24tady prostě je spousta hodnot
1:25:27tady hodnota nula jedna dvě a tak dál a tak dále a cache
1:25:32hodnota N mínus jedna
1:25:34a to je konec
1:25:35jo kdybych chtěl diskrétní fourierovu transformaci
1:25:39na normované frekvenci jedna
1:25:42tak potřebuju _e tak už zase musím vzít hodnotu
1:25:46nutilo vzorku protože to may nějaká periodicita
1:25:50to znamená počítá se nám to všecko _e všecko dokola
1:25:54poďme _e poďme si říct _e
1:25:58jak by to bylo třeba to že naši kosinusovku jo vezmem kus kosinusovky
1:26:02a zkusíme zní udělat _e fourierovu transformaci
1:26:07a to si potom si potom zkusíme zobrazit
1:26:11jo takže mám tady kousíček
1:26:14kosinusovky
1:26:15že nekousej kosinusovky má
1:26:20no
1:26:23ten kousek kosinusovky bude mít _e
1:26:26osum tisíc vzorku a řeknu sem tisíce moc co si vybrat dvě stě padesát šest
1:26:31a z toho budu počítat _e fourierovu transformaci tak si udělám nějaký třeba přes X
1:26:36který bude X vo T jedničky do byste padesátky šestky
1:26:46velikost že dobra
1:26:48pro ženu _e fourierovu transformaci
1:26:52což je v matlabu
1:26:54hodnota fronta schválně nebo nakonec zaostření
1:26:57abyste se podívali se nám to hází _e za hodnoty to vlastně dvě stě padesát
1:27:02šest hodnot
1:27:05a ty hodnoty jsou _e ty hodnoty jsou komplexní
1:27:09jo takže první věc která vás může napadnout je něco takovýho máte spočítány je plot
1:27:14výkřik
1:27:15to bude hrozně pěkný vypadá to takhle
1:27:18jo to prostě japonské tyčky najezení rýže
1:27:23ale jako asi _e asi
1:27:27si ne to co jsme chtěli
1:27:29takže druhy
1:27:31pokus bude
1:27:33jistě no tak jsou to komplexní čísla vy bych to mohl zkusit nastat nějakou možná
1:27:38nějakou jako
1:27:39osu X rozumnou
1:27:41tak tu osu X zkusím udělat od nuly do dvě stě padesáti pěti když to
1:27:45budeme si presaři vzorku
1:27:48a
1:27:49najednou dostanu něco takového
1:27:52už vypadá možná trochu V
1:27:54a vidíte že vlastně mi to vypsal volný
1:27:57že se zobrazují pouze reálné části _e toho nás počítaného spektra
1:28:03_e bych to teda
1:28:05možná chtěl trochu jinak já bych chtěl ty obrázky nejlépe dva
1:28:09jeden nebudou moduly
1:28:11a druhý kde budou
1:28:13argumenty
1:28:14jo tak poďme si udělat takové matlabové cvičení
1:28:18kde _e prvním obrázku
1:28:23vyplo tneme
1:28:25moduly díky
1:28:27bude absolutní hodnota
1:28:31asi nepude že jo
1:28:34no tak dvěstě padesát pět
1:28:37a
1:28:39to je ve druhém obrázku
1:28:42bude
1:28:44jsou argumenty
1:28:45no tak
1:28:47pět
1:28:49_e
1:28:51no
1:28:54není byl
1:28:57_e
1:28:59jo takže push dostávám něco
1:29:01N kolmá zřejmě nějaký význam
1:29:05vidíme že na frekvenční ose
1:29:07dostávám dvě špičky jedna by asi odpovídáte frekvenci čtyry sta herců že jo
1:29:13druhá a bude vzor to vodící frekvence mínus čtyry sta hertzů
1:29:18to znamená někde _e někde na konci
1:29:21a co se týče to _e toho úhlu nebo
1:29:25_e té fáze
1:29:27tak _e
1:29:29a to se radši ani na to sražením nedívejte
1:29:33tak teď tě co se mi na těch obrázcích
1:29:36ne pozdává co je tam špatně
1:29:39proč _e
1:29:42se na takovédle obrázky nebudu chtít koukat
1:29:47měli by se měl osa X
1:29:48osady se ve vzorcích
1:29:51a nejsou tam žádný pořádný frekvence prostě jako nedokážu interpretovat co znamenají tady tyhlety
1:29:57_e to znamenající čísílka na iksové ose
1:30:02takže my máme dvě možnosti
1:30:04buď si udělat osu _e normovaných frekvencí
1:30:09anebo si udělat osu opravdický frekvencí
1:30:12pokud známe vzorkovací frekvenci jo tak poďme si ukázat voboje voba dva případy
1:30:17_e když _e osa normovaných frekvencí
1:30:22tak _e
1:30:23asi musím vyrobit něco seš co bude nula a skoro jednička a budete mít dvěstě
1:30:28padesát šest bodů
1:30:30jo takže poďme zkusit _e něco jako nula až dvěstě padesát pět
1:30:36radši takhle
1:30:37děleno mysli padesáti šesti
1:30:40hold
1:30:41a pak když to
1:30:43když to před plotnu
1:30:46s osou
1:30:48těch normovaných frekvencí
1:30:51evuš se mi to bude trošku víc líbit protože tam budou prostě hodnoty bod nula
1:30:55do jedničky jo takže normované frekvence
1:30:59na iksové ose
1:31:01jo že ty normované frekvence jako ještě pořád
1:31:04nedokážu jako licky
1:31:06pochopit
1:31:08tak _e je poďme od normovat milník udělat opravdický frekvence
1:31:12kromě poradce jak mám udělat osum opravdický frekvencí když vím že vzorkovací frekvence osum tisíc
1:31:19R
1:31:21já se bit že jo není tam žádná
1:31:23žádná vydal to znamená tady
1:31:26eště přidám násobení osmi tisíci jim osmi tisíci
1:31:30a o
1:31:31a už sem tam kde sem chtěl být a dokonce když si to tady jako
1:31:34někde na sumujeme
1:31:36tak možná přijdeme na to že ten vrcholek je opravdu okolo _e okolo čtyry sta
1:31:42_e čtyryceti hertz
1:31:46mimochodem kde je
1:31:48kde opravdu
1:31:49jak je frekvenční rozlišení takové diskrétní
1:31:53fourierovy transformace
1:31:55po kolika
1:31:56hercích tom budu mít jednotlivý díleček
1:32:03vzorečky
1:32:07to vůbec není těžký spočítat
1:32:09protože
1:32:10prostě mám osu od nuly do vzorkovací frekvence
1:32:15a na té ose mám N vzorků
1:32:17jo to znamená to rozlišení prostě vobyčejný ski dělení
1:32:22osum tisíc děleno dvě stě padesáti šesti znamenal ještě ožer frekvenční rozlišení
1:32:28to jarek téhle fourierovy transformace třicet jedna herců cokoli bude blíž nejš třicet jedna herců
1:32:34tak nebudu schopny _e nebudu schopnej rozlišit
1:32:38jo
1:32:40tak _e
1:32:44dyž se vrátím tady k tomu obrázku
1:32:48tak _e
1:32:52co je tam se tam takovýho divný ho jako co vás možná
1:32:56co se co se nám může nelíbit
1:33:00sme udělali čistou kosinusovku jo
1:33:03kosinus nějaká _m nějaká frekvence
1:33:09a jaký spektrum by měla mít takovádle kosinusovka
1:33:14jeden impulz jedna čára a jinak všude nula
1:33:19to že tam ta druhá čára to berem jo protože to je vlastně _e dám
1:33:23z ohledně to že
1:33:24kosinusovka
1:33:26když u vzali zem fourierovou transformací tak musí mít nějakou kladnou ale I zápornou frekvenci
1:33:32takže dobrý ale to že ta čára taková rozplynula
1:33:37to se nám nelíbí
1:33:38kdo ví pro činnosti nula
1:33:41co se stalo
1:33:46tak _e možná že
1:33:48by teďka kilo se podívat
1:33:51co sme to vlastně analyzovali na signál jo
1:33:54poďme se kouknout co sme vlastně poslali do fourierovy transformace
1:34:00_e
1:34:02tady sme tam todle
1:34:08kosinusovka si
1:34:15no tady zotavení
1:34:17tak richmond vidět
1:34:19já sem vám chtěl říct
1:34:21jak je ta jak je ta kosinusovka u řezána
1:34:24ale ze že teda vopravdu no nepovedlo
1:34:29protože jsem se trefím téměř opravdu oříznutí
1:34:32přesně na jedné
1:34:34změna jedné periodě
1:34:38sme to co sme to ještě trochu jinak
1:34:41já si udělám signál a _e který bude
1:34:48_e který bude
1:34:51dejme tomu čtyři sta třicet pět herců
1:34:55přemýšlím S to vyjde
1:34:57no
1:34:58pískově vygenerujeme znova
1:35:00tisíc si vyberu
1:35:04tak no a teďka je úplně jasně vidět že _e nám prostě ste kosinusovce něco
1:35:09chybí
1:35:11že
1:35:12při frekvenční analýze bude
1:35:14bude řízla
1:35:16a _e pojmy s frekvenční analýzu teda udělat to znamená X bude s F téčko
1:35:21tady tohle umíme
1:35:23_e mám pocit že sem si vtipně přepsal
1:35:27_e frekvenci
1:35:30_e
1:35:31všimněte si hodnoty obrázek
1:35:33tak
1:35:35no ze
1:35:37aha
1:35:38obrázek je tady ho mám pocit že se může sme dostali trošku _e trošku širší
1:35:42dneš
1:35:43když minulý _e zkuste měří ste myslíte že by _e to šlo udělat tak abych
1:35:48se do té
1:35:50abych dostal úplně přesný výsledek to znamená vyčíslí čáry
1:36:00tak kdybych do toho analyzed o analyzační okna vecpal úplně přesnej počet period té kosinusovky
1:36:09to by se mohlo po vezdil zkusme
1:36:11zkusme si udělat protipříklad
1:36:14_e kdy bude
1:36:17kdy bude
1:36:21ta frekvence
1:36:24čtyři sta
1:36:25čtyři sta lano osum set by mělo dat _e nějaký pěkný číslo
1:36:30a
1:36:45o
1:36:50ho
1:36:58tak to je docela zajímavý výsledek
1:37:00jo já musím co sem udělala jsem si zase přepsal tu frekvenci to
1:37:06možná že
1:37:07von _e jako frekvence normovaná se podkapitolu a
1:37:12zbabělci si definuji
1:37:14proměnné které mají rozumné názvy
1:37:17tak _e
1:37:22dávám teda protože jsem se netrefil vůbec takto račice se mu zkoušet
1:37:28_e
1:37:33tak teda tak je možné že jsem se netrefil vůbec
1:37:37vzali jsem neměl na frekvenci čtyry sta herců ale spíš něco
1:37:42to _e
1:37:54ne prosím vás _e
1:37:56před představám tady do tohodle rýpat protože my musel vyrobit něco co nám na osmi
1:38:01tisících vzorcích udělá celistvý počet
1:38:04_e
1:38:12_e co bude mít takovou periodu aby její celočíselný násobek se dokázal
1:38:17celým číslem na to do dvě stě padesáti šesti o to třeba co
1:38:22takže nám se
1:38:23počítač na tady nepříjemný kilo hertz
1:38:28poslední pokus prosím vás jo
1:38:30F bude jeden kilo R
1:38:37říkali domluvit
1:38:45jo
1:38:47jo takže dostáváme teďka jako přesný _e přesný čáry
1:38:53no
1:38:57tam kde sem očekával _e a nuly jinde
1:39:01tak _e
1:39:04tetě mě zkuste říct když metra měli _e ten _e ten případ
1:39:10že sme měli tu kosinusovku odřízl O někde při nedokončené periodě co se teda vlastně
1:39:17stalo při počítání spektra
1:39:20čemu tam došlo
1:39:25tak tady mám trochu napovím _e když vlastně mám nějaký signál který má nějaký spektrum
1:39:30a pak toho signálu vyberu kurz pravoúhlým oknem
1:39:35tak vlastně dělám násobení dvou signálů jo toho původního
1:39:40a toho okna
1:39:42jo za vám to tady zkusím možná sem tady někde mám i
1:39:45_e i napsané ale tady to namaluju
1:39:49si mám nějaký signál
1:39:51tetě pro výpočet de este
1:39:54o potřebuju omezit na nějakou délku
1:39:58a to omezení provádím takže vlastně vezmu okno který má tady nuly tady má jedničky
1:40:04tady mám zase nuly
1:40:05a tím oknem kus toho signálu vyber
1:40:10jo
1:40:12a tady tohleto potom vlastně pouštím do
1:40:15_e diskrétní fourierovy transformace
1:40:18tech _e když v čase
1:40:21budu
1:40:22násobit nějaké dva signály
1:40:25co se stane vím aspekt jejich spektra má
1:40:32jo tady je násobení toho červenýho signálu
1:40:35S modrým vybírat si mokne
1:40:39mě by zajímalo
1:40:41co se stane zich spektry protože i to pravoúhlý okno má nějaký spektrum jo
1:40:49tak zase napovím když nějaký signály vynásobím
1:40:53tak jejich spektra se
1:40:56spolu jo je tam prostě ta _e ta nepěkná _e je pěkná
1:41:04operace konvoluce tak a teďka rvát ještě budu výpad snímků dál jaký je spektrum takovýho
1:41:10hle pravoúhlý okna
1:41:14_e nekonečný jo ale vypadal tyto se tam úplně přesně
1:41:18obdelníkový
1:41:20impulz
1:41:22dostatečně jsem se vás tady s tímto impulzem natrápil C F S ku
1:41:26draku sme
1:41:28kardinální sínus že jo tak takovýhle nějaký _e spektrum takže my bychom vlastně měli vidět
1:41:36_e z _e oblasti spektra
1:41:41konvoluci
1:41:44opravdický ho spektra kosinusovky to čtou prostě takovýhle dvě čáry
1:41:49a
1:41:51_e nějakýho spektra který vypadá takhle
1:41:55a to je ten obdelníkový impuls
1:41:58pamatujete si jak vypadá konvoluce
1:42:01když jeden z těch signálu je takový pěkný čárový
1:42:06jsou tam jenom dvě čáry
1:42:10že jeden ze signálu čárový
1:42:13nebo jeden z těch vstupů tak ta konvoluce hrozně příjemná protože funguje jako kopírka
1:42:18jo to znamená tam kde sou ty čáry tak vokopíruju ten druhej signál takže moje
1:42:24spektrum
1:42:26by mělo vypadat
1:42:28já takhle prostě okopírovány na jednu stranu a okopírovány
1:42:34na druhou stranu
1:42:35tak a teďka je taková jako lipova otázka
1:42:39jak to že tady tohleto spektrum nevidíme
1:42:43vtom
1:42:44_e spektru
1:42:47toho našeho vzorkovaným signál protože tam prostě jako nejsou vidět ty
1:42:52postranní _m lalůčky
1:42:56kde sou slovany
1:43:00tak zase odpovědět _e že mi ho nevidíme
1:43:03protože vlastně _e tyhle ty body
1:43:07se nám trefu jo u
1:43:08přesně do násobků
1:43:11té základní toho základního frekvenčního rozlišení který nám _e poskytuje naše D F téčko dokonce
1:43:18si můžete udělat jako drobný odvození je to asi nebudou řádcích
1:43:21ale tady vlastně ty body na frekvenční ose
1:43:25mají vzdálenosti
1:43:27_e nebo ty jsou daný jakou k a
1:43:30jedna lomeno N krát
1:43:33vzorkovací frekvence
1:43:35a
1:43:37_e prostě minima toho
1:43:39kardinálního synu nám padají přesně tady v těchdle bodu
1:43:43to že to tak _e tak jestli vám dovolím
1:43:47demonstrovat na jednom příkladu
1:43:50kdy vlastně jak uměle zvýším _e frekvenční rozlišení toho _e toho D tečka a najednou
1:43:57tam na nás začnou ty _e začnou ty _e funkce sinus kardiální skákat tak mě
1:44:04projektech mám zvýšit frekvenční rozlišení D tečka
1:44:11potřebuju přidat při kotli počet bodů na frekvenční ose
1:44:18dělat velkou flintou trase které se říká doplňování nul nebo zero P ding znamená vezmu
1:44:23pořád ten samý signál to mám k dispozici
1:44:26ale prodlouží vo nula má na nějakou délku
1:44:29a s toho potom _e spočítáme fourierovu transformaci tak poďme na to
1:44:35dáme X zrovna _e
1:44:39nebude to žádná čuměla na ale _e
1:44:42ale X _e ten prodlouží nulám a
1:44:46a budeme počítat třeba s tisíci dvaceti čtyřma vzorkama
1:44:50takže tam bude jedna a tisíc dvacet čtyři mínus dvě stě padesát šest
1:44:55op
1:44:56jo vidíte že na začátku _e vektoru mi to nacpalo moje čísla potom na potom
1:45:01samý nuly
1:45:03_e
1:45:04X bude jeho fourierova
1:45:08transformace
1:45:10budu muset předělat C normovanou frekvenci protože už nebude mít ta frekvenční osa dvě stě
1:45:16padesát šest bodu ale budeš mít tisíc dvacet čtyři
1:45:19takže třeba von ona
1:45:22bude nula až tisíc dvacet tři _e lomeno
1:45:26jestli zase čtyři krát osum tisíc
1:45:29a
1:45:31jsem měl by se to dalo vyplotit takže tady bude von a na
1:45:36_e
1:45:37princip si
1:45:40S N
1:45:43jaksi _m X
1:45:44jej
1:45:47tak se špatně
1:45:52v los
1:45:55_e
1:46:00tak _e tady to je sem vám něco po vrtat
1:46:17jak protože má
1:46:19že má velikost
1:46:21musím říct že jo
1:46:23prosím
1:46:25ježišmarja děkuju jasně _e
1:46:28takže
1:46:29opravujeme takhle že jo
1:46:31jo děkuju
1:46:33dobrý
1:46:36ho
1:46:38a
1:46:38S oplození mohl no fungovat
1:46:41no vida takže najednou na začínají vyskakovat ty postranním lalůčky
1:46:47_e karmy nární _e toho kardinálního stínu
1:46:51který předtím nebyly vidět jo protože _e když se měl to základní frekvenční rozlišení tak
1:46:56jsem měl vzorky jenom tady A
1:47:01a tak dále
1:47:03a tak dál jo
1:47:05takže _e _m končíme ale jenom prosím vás i v uvědomte vlastně co tou diskrétní
1:47:11fourierovou transformací vlastně počítáme
1:47:15vypočítáme spektrum vzorkovaného signálu takže dostaneme frekvenci něco periodického
1:47:20signál neříkal oknem
1:47:22to znamená že ve spektru dostáváme
1:47:26vlastně jeho konvoluci
1:47:28se spektrem obdelníkový o impulzu
1:47:31a teďka ještě pozor to spektrum který jsme spočítali N je diskrétní má prostě konečný
1:47:36počet hodnot
1:47:38to znamená že když byste to dotáhli do jako uplně do extrému tak vlastně jsme
1:47:43spočítali spektrum
1:47:44čase periodický o signálu kde ta perioda prostě byl mnohokrát za sebou a tohle jenom
1:47:50taková opakovací tabulka uvědomte si prosím vás
1:47:54to sou ty komplementární operace včas a ve spektru viset čase vzorkuje tak si ve
1:47:59frekvenci periodizuje
1:48:01když se čase periodizuje tak se ve frekvenci vzorkuje akorát domu neříká vzorkování ale diskretizace
1:48:09jo
1:48:10tak
1:48:11toto prosím pro dnešek že
1:48:14_e prakticky už sme to udělali tak prostě budem asi trošku filtrovat
1:48:20jinak prosím vás laboratoře má se zápisem na labiny všechno v pohodě nedostal jsem žádné
1:48:26žádné útočné maily tento která se předpokládá že se vám registrace zadařilo
1:48:30several
1:48:39ano tento týden laboratoře jsou
1:48:43eště se si pořádně sem ui
1:48:45tím L
1:48:46a tento týden je
1:48:48podle kalendáře takže mám pocit že lichý ne
1:48:52a strašně podívejte se nebo má