50000 تومان
افزودن به سبد خرید
0 فروش 226 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 22MB
فایل راهنما: دارد
فریم ورک: MATLAB
بسته نصبی: ندارد
امکانات: فایل سوالات گزارش حل ورد (5 صفحه ) کد متلب (ام فایل)
تاریخ انتشار: 30 ژانویه 2019
دسته بندی: ,,,

تبلیغات

شرح مساله تمرین HMM

  • با استفاده از داده های قرار داده شده در تمرین ۳ مورد زیر انجام دهید.

با استفاده از نرم افزار HTK ویژگیهای MFCC، MFCC به اضافه مشتقات، LPC را برای هر یک از فایلهای قرار داده شده استخراج کنید. برای اینکار بایستی از فایل Hcopy استفاده کنید. (برای اینکار بایستی HTK را دانلود و کامپایل کنید)

  • ویژگیهای mfcc حاصل از HTK را برای یک فایل با ویژگیهای mfcc حاصل از جعبه ابزار voicebox مقایسه کنید. آیا یکسان است. در گزارشتان چند تای ابتدایی را نشان دهید.
  • با استفاده از داده های ضبط شده ماههای سال، تمرین زیر را انجام دهید.

برای هریک از داده های “فروردین” تا “اسفند” یک مدل مخفی مارکف بسازید. برای آموزش مدلها از داده های ضبط شده استفاده کنید. (۳ نمونه برای تست جدا کرده و مابقی را برای آموزش مدلها استفاده کنید)

داده های تست را بررسی کرده و مشخص نمائید که چه ماهی از سال  را نشان می دهد و نتیجه را در یک جدول همانند تمرین قبل گزارش نمایید.

برای ساخت مدل HMM یکبار برای هر مدل ۳ حالت درنظر بگیرید و یکبار نیز به صورت S=2*n+2 درنظر بگیرید که n  در اینجا تعداد واجها است. (مدلها را تماما چپ به راست در نظر بگیرید)

برای آموزش مدل و آزمایش مدلها میتوانید از توابع HInit، Hrest،Hvite و HHED و… استفاده کنید. (از HTK)

از HTK میتوانید برای راه اندازی HMM استفاده کنید یا اینکه از جعبه ابزار voicebox و FullBNT استفاده کنید. (در پیوست بخشی از این جعبه ابزار قرار داده شده است)  برای اینکار میتوانید:

با تابع melcepst از جعبه ابزار voicebox ضرایب ۳۹ تایی با طول فریم ۲۰ تا ۳۰میلی ثانیه و جابجایی ۱۰ میلی ثانیه استفاده کنید.

برای آموزش مدل میتوانید از جعبه ابزار HMM آقای مورفی در لینک زیر استفاده کنیدو یا از FullBNT بهره بگیرید

http://www.cs.ubc.ca/~murphyk/Software/HMM/hmm_usage.html

از توابع زیر برای آموزش استفاده کنید.

توزیع اولیه احتمال(S تعداد حالتها)

prior_w1_0 = [1, zeros(1, S-1)];

توزیع انتقال حالت

transmat_w1_0 = mk_leftright_transmat(S, .5);

پارامترهای مدل

mu_w1_0 = zeros(D, S, M);

Sigma_w1_0 = zeros(D, D, S, M);

mixmat_w1_0 = zeros(S, M);

D بعد بردار ویژگی ، M تعداد مخلوطهای گوسی و S تعداد حالات مدل است

[mu_s, Sigma_s, weights] = mixgauss_init(M, data, ‘full’, ‘kmeans’)

آموزش مدل را با تابع mhmm_em انجام دهید

آزمایش را نیز با تابع mhmm_logprob انجام دهید.

 

محصول شامل کد متلب و توضیحات حل این تمرین میباشد

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب