parametrisierung von spektra jonathan harrington energie-summen spektrale momemte spektrale neigung
TRANSCRIPT
![Page 1: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/1.jpg)
Parametrisierung von Spektra
Jonathan Harrington
Energie-SummenSpektrale MomemteSpektrale Neigung
![Page 2: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/2.jpg)
Das Ziel ist allen 3 Fällen ist, ein Spektrum, das sehr viele (z.B. 64, 256, 512..) Werte enthält, auf ein paar Parameter zu reduzieren.
Und zwar auf eine solche Weise, dass verschiedene phonetische Lautklassen voneinander differenziert werden können.
![Page 3: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/3.jpg)
# Segmentliste von 3 Vokalenv.s = emu.query("florian", "*", "phonetic=i:|u:|a:")# Label-Vektorv.l = label(v.s)# Spektrale Trackdateiv.dft =# Spektra zum zeitlichen Mittelpunktsp =# Abbildung aller Spektra 0-3 kHz kodiert nach Vokal-Kategorie
Spektra mit Default-Weren, berechnen, Sprachdatenbank florianSpektra mit Default-Weren, berechnen, Sprachdatenbank florian
emu.track(v.s, "dft")
dcut(v.dft, .5, prop=T)
plot(sp[,0:3000], v.l, xlab="Frequenz (Hz)", ylab="Intensitaet (dB)")
![Page 4: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/4.jpg)
1. Energie-Mittelwert1. Energie-Mittelwert
2 Frequenz-Bereichen, in denen sich die Vokale unterschieden.
zB
2200-3000 Hz
noch eine?
![Page 5: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/5.jpg)
dB Mittelwert 2200-3000 Hz vom ersten Segment?mittel =
plot(sp[1,2200:3000])abline(h = mittel)
Eine Funktion, fun auf alle Segmente einer spektralen Matrix m andwenden fapply(m, fun)
dB-Mittelwert 2200-3000 Hz aller Segmente?
fapply(): eine Funktion anwenden auf Spektrafapply(): eine Funktion anwenden auf Spektra
mean(sp[1,2200:3000])
a = fapply(sp[,2200:3000], mean)dB-Mittelwert aller Segmente vom anderen gewählten Frequenzbereich?
b = Ellipse-Abbildung in diesem Raum
beide = cbind(a, b)eplot(beide, v.l, dopoints=T)
![Page 6: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/6.jpg)
m1: erstes spektrales Moment (spektrales Gewichtsschwerpunkt)m1: erstes spektrales Moment (spektrales Gewichtsschwerpunkt)Je mehr sich die Energie in höheren Frequenzen konzentriert, umso höher m1 (in Hz gemessen).
(a) m1 ist ca. 2000 Hz (die Energie ist in den Frequenzen gleich verteilt)
m1 gleich/höher/tiefer im Vgl. zu (a)?
(b)(c) (d)
m1 wird nicht von der dB-Skalierung beeinflusst
(b): m1 wie für (a)(a)
![Page 7: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/7.jpg)
Je verteilter die Energie im Spektrum, umso höher m2 (in Hz2) m2: zweites spektrales Moment (spektrale Varianz)m2: zweites spektrales Moment (spektrale Varianz)
(a)
(c)
(d)(f)
(e)
m2 wird nicht von der dB-Skalierung beeinflusst
(b): m2 wie für (a)
m1 von c-f im Vgl. zu (a)?m2 von (c, d) > (a) m2 von (e) im Vgl. zu (c)?
m2 von (f) im Vgl. zu (d)?
![Page 8: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/8.jpg)
hochtief
tief
hoch
m2
m1
Spektrale Momente einschätzenSpektrale Momente einschätzen
![Page 9: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/9.jpg)
Die spektralen Momente im Bereich 0-3000 Hz vom ersten Segment?
p = moments( )sp[1,0:3000], minval=T
p = fapply(sp[,0:3000],
Ellipse-Abbildung im Raum m1 x m2
Spektrale Momente in Emu-RSpektrale Momente in Emu-R
eplot(p[,1:2], v.l, dopoints=T)
moments, minval=T)
Die spektralen Momente im Bereich 0-3000 Hz aller Segmente?
![Page 10: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/10.jpg)
Lineare Neigung 1500-3000 HzLineare Neigung 1500-3000 Hz
a:
i:
u:
positiv, flach, oder negativ?
flach
+
-
![Page 11: Parametrisierung von Spektra Jonathan Harrington Energie-Summen Spektrale Momemte Spektrale Neigung](https://reader035.vdocuments.mx/reader035/viewer/2022062417/55204d6449795902118ba8ce/html5/thumbnails/11.jpg)
Lineare Neigung 1500-3000 HzLineare Neigung 1500-3000 Hz
Vom ersten Segmentlm(sp[1,1500:3000] ~ trackfreq(sp[1,1500:3000]))$coef
Funktion, um die lineare Neigung zu berechnen:
spec = function(specdaten){
lm(specdaten ~ trackfreq(specdaten))$coef }
Funktion auf alle Segmente anwendenerg = fapply(sp[,1500:3000], spec)
Boxplot der Neigungen als Funktion der Vokal-Kategorie
boxplot(erg[,2] ~ v.l)