SlideShare uma empresa Scribd logo
1 de 41
Baixar para ler offline
課題解説 その8
ディジタルフィルタの設計
• 復習
• 課題49 回路の遅延
• 課題51 非再帰形システムの回路構成(課題50は未完成)
• 課題52 縦続構成と並列構成

• 課題53 Z変換に基づいた逆フィルタの理論
• 課題54 位相歪み
• 課題(55,56),57 FIRフィルタの周波数特性

• 課題58 直線位相フィルタの回路構成
• 課題59 位相遅延と群遅延
• 課題60 FIRフィルタの設計
課題49
N次のFIRフィルタの直接形,転置形の回路構成にお
いて,因果的な入力信号𝑥[𝑛]が回路に入力されたとき,
出力信号𝑦[𝑛]はどのようなタイミングで出力されるの
か考えてみよう

出力信号はすぐに出力される
のではなく加算器や乗算器で
遅延が起こる
入力(N=8の場合)

課題49
2入力の加算器の遅延を𝑎,乗算器
の遅延を𝑏として…
• 直接形の場合
• 乗算器…1回
• 加算器…並列計算可能としてlog 2 𝑁回

(Nが2の累乗の場合)
→𝑎 log 2 𝑁 + 𝑏

• 転置形の場合
• 乗算器…1回
• 加算器…1回
→𝑎 + 𝑏

出力
課題50
式(4.74)のように因数分解された伝達関数が 図4.13
のような縦続形構成で実現できることを示し なさい.ま
た,縦続形構成では部分回路の接続の順序に任意
性がある。接続順序は何を基に決めればよいかを考
えなさい.
課題50
• 鋭意制作中…
課題51
式(4.82)の伝達関数が図4.15のような構成で
実現できることを示しなさい。
課題51
• 式(4.82)において

𝑌 𝑧 = 𝐻 𝑧 𝑋 𝑧 =

1
1+𝑄 𝑧

𝑃 𝑧 𝑋[𝑧]

= 𝑃 𝑧 𝑋 𝑧 − 𝑄 𝑧 𝑌[𝑧]

よって回路構成は入力にP[z]をかけたものと出力にQ[z]を掛け
たものを引いた値を出力とするのでこれをブロック図にすると図
4.15のようになる.
課題52
図4.17のような縦続構成と図4.18のような
並列構成の特徴の比較を行いなさい。
・回路素子数
・latency
・計算誤差
課題52
• 回路素子数については特に差はない.
• latencyはブロック単位でみると差はないが並列形は乗算器

による計算を並列に行うことができるので並列形の方が
latencyは小さい
• 計算誤差は縦続形は直列的に計算を行うので量子化誤差
が大きくなる.よって並列形の方が計算誤差が小さい

• 上記3点に着目すると縦続形に利点がないように思われるが実際には

縦続形は回路構成が規則的であり,また設計もしやすいことから多く用
いられている.
課題53
のフーリエ変換に基づいた逆フィルタの議論を 基にし
て, z変換に基づいた逆フィルタの理論を示しなさい.
課題53
• 逆フィルタとは𝑌 𝑧 = 𝑀 𝑧 𝑋 𝑧
• つまりFIR…

1
𝑀
−𝑚
𝑚=1 𝑎 𝑚 𝑧

𝑀 𝑧 = 1/𝐻[𝑧]

𝑁
1+ 𝑛=1 𝑏 𝑛 𝑧 −𝑛
IIR…
𝑀
−𝑚
𝑚=1 𝑧

• 安定性条件⇔M[z],H[z]がともに安定⇔極𝑧 𝑛 が単位円内に存在

• 上式を零点,極,ゲインの形にすると
• FIR…𝐶
• IIR…𝐶

1
𝑀 (1−𝛼 𝑧 −1 )
𝑚
𝑚=1
𝑁
−1
𝑛=1(1−𝛽 𝑛 𝑧 )
𝑀 (1−𝛼 𝑧 −1 )
𝑚
𝑚=1

• システムの安定条件は
• FIR…𝑧 = 𝛼 𝑚 がz平面の単位円内に存在すること
• IIR…𝑧 = 𝛼 𝑚 と𝑧 = 𝛽 𝑛 がz平面の単位円内に存在すること
課題54
人間の1つの耳では,各周波数のパワーの変化は知
覚できるが,位相変化は知覚しにくいとされている。こ
れを確認してみなさい.具体的には,モノラルの音楽
信号をフーリエ変換し,位相を歪ませて逆フーリエ変
換し,元の音楽と違って聞こえるかどうかを試してみよ
う.左と右に位相の異なった音楽を流すとどのように
聞こえるかも試してみよう。
課題54
位相を変えてみる
clear all
close all
fs=16000;
t=0:1/fs:10;
pd=1/4;
y=0.5*sin(2*pi*110*t+(2*pi*pd))+...
0.3*sin(2*pi*220*t+(2*pi*pd))+...
0.2*sin(2*pi*440*t+(2*pi*pd));
audiowrite('sin14.wav',y,fs);
課題54
聴いてみる
±0°

+45°
ー90°
モノラルで聴くと3つに差は感じない
課題54
聴いてみる2
L:±0°R:+45°

左右の耳で音が聞こえ始める時間が違う
⇒位相差の発生

左側で音がなっているように聴こえる
人間の耳は左右の耳の聞こえ方の違いか
ら,どの方向から音が鳴っているかを聞き
分けることができる
課題54
clear all
close all

L:0°
R:位相をぐるぐる回した波形
を作ってみると…
L,Rのパン振りはaudacityを用
いる

fs=16000;
t=0:1/fs:0.1;
y=0;
bun=36;
for ii=1:bun
y1=0.5*sin(2*pi*110*t+(2*pi*ii/bun))+...
0.3*sin(2*pi*220*t+(2*pi*ii/bun))+...
0.2*sin(2*pi*440*t+(2*pi*ii/bun));
y=[y y1];
end
audiowrite('sin-g.wav',y,fs);
課題54
結果

音が周り回転しているように聴こえる
実際は音量など細かい指定が必要ではあるが,これを応
用すると360°様々な方向から音が聴こえるようにするこ
とができる
(例:http://www.youtube.com/watch?v=Svce3wsN-HU)
課題57
場合1~4の直線位相FIRフィルタを作り,MATLAB
を使ってそれらの周波数特性を描いて見よう

偶関数、N奇数

偶関数、N偶数

奇関数、N奇数

奇関数、N偶数
課題57
• 場合1を考える
… , ℎ −1 = 0, ℎ 0 = −0.2, ℎ 1 = 0.5, ℎ 2 = 1, ℎ 3 = 0.5, ℎ 4 =
− 0.2, ℎ 5 = 0, …
 フィルタのインパルス応答が有限である
 因果性を満たしている

• z変換
𝐻 𝑧 = ∞ ℎ 𝑛 𝑧 −𝑛
𝑛=0
代入すると…
H z = −0.2 + 0.5z −1 + z −2 + 0.5z −3 − 0.2z −4
• この伝達関数の周波数応答を求める
𝐻 𝑒 𝑗𝜔 =

∞
𝑛=0 ℎ

𝑛 𝑒 −𝑗𝜔𝑛
課題57
clear all
close all
h=[-0.2 0.5 1 0.5 -0.2]';
[H,W]=freqz(h,1,512,'whole');
W=W/pi;
subplot(2,1,1);
plot(W,abs(H));
xlabel('angular frequency(×π)');
ylabel('amplitude');
subplot(2,1,2);
plot(W,unwrap(angle(H)*180/pi));
xlabel('angular frequency(×π)');
ylabel('phase(°)');

freqz…デジタルフィルタの周波数
応答を求める
入力引数は伝達関数の分子、分母、
周波数応答のサンプル点
出力引数は周波数応答、対応する
角周波数
振幅特性および位相特性をプロット
する
hの中身を変えると他の場合も作れ
る
課題57

• 結果

 直線位相性(𝜃 = 𝛼𝜔)を満たしている

赤丸の部分はどのような伝達関数でもゼロになる
(証明→課題55、56)
(課題55の証明)
• 振幅特性の式(場合1のみ解説、場合2-4も同様)
𝑁−1
𝑛=0 ℎ

𝐻 𝜔 =
=
=
={

=

𝑁−3
2

𝑛=0 ℎ
𝑁−3
2

𝑛=0 ℎ
𝑁−3
2

𝑛=0 ℎ
𝑁−1
2

𝑛=0

𝑛

𝑛 𝑒 −𝑗𝜔𝑛

{𝑒 −𝑗𝜔𝑛 +𝑒 −𝑗𝜔 𝑁−𝑛−1

𝑛 ・2 cos
𝑛 ・2 cos

𝑎 𝑛 cos 𝜔𝑛 𝑒

𝑁−1
2

𝜔

𝑁−1

𝑒 −𝑗𝜔 2

− 𝑛

𝜔

𝑁−1
2

𝑗 −𝜔

𝑁−1
2

}+ℎ

𝑁−1
2

− 𝑛

+ℎ

𝑎𝑛 =

2ℎ

+ℎ

𝑁−1
2

ℎ

𝑁−1

𝑒 −𝑗𝜔 2

𝑁−1
2

𝑁−1

𝑒 −𝑗𝜔 2

cos(𝜔・0)}

𝑛−1
2
𝑁−1
−
2

(𝑛 = 0)
𝑛

𝑁−1

𝑒 −𝑗𝜔 2

(𝑛 ≠ 0)
(課題55の証明)
場合1~4の振幅特性は
場合1:
場合2:
場合3:

場合4:

𝑁−1
2

𝑛=0
𝑁−1
2

𝑛=0
𝑁−1
2

𝑛=0
𝑁−1
2

𝑛=0

𝑎 𝑛 cos 𝜔𝑛
𝑏 𝑛 cos

𝜔 𝑛

1
−
2

𝑎𝑛 =

ℎ
2ℎ

𝑏 𝑛 = 2ℎ

𝑁
2

𝑛−1
2
𝑁−1
−
2

(𝑛 = 0)
𝑛

(𝑛 ≠ 0)

− 𝑛

𝑎 𝑛 sin 𝜔𝑛

𝑏 𝑛 sin

𝜔 𝑛−

1
2

𝜔 = 0, 𝜋を代入して赤丸の部分が0になるかを確かめる.→課題
56
(課題56の証明)
場合2に𝜔 = 𝜋を代入すると
𝑁−1
2

𝑛=0

𝑏 𝑛 cos 𝜋 𝑛 −

1
2

=0

場合3に𝜔 = 0を代入すると
𝑁−1
2

𝑛=0

𝑎 𝑛 sin 0𝑛 = 0

場合3に𝜔 = 𝜋を代入すると
𝑁−1
2

𝑛=0

𝑎 𝑛 sin 𝜋𝑛 = 0

場合4に𝜔 = 0を代入すると
𝑁−1
2

𝑛=0

𝑏 𝑛 sin 0 𝑛 −

1
2

=0 と
課題57
• 実際には最初に作りたい周波数応答の形を決めておきその

形に近い伝達関数を求める.
• 例:fir1

Nと通過帯域を指定すればその特性を満たすフィルタを出力
する
• しかし,例えば場合2ではHPFは作れない
• MATLABではNが偶数でHPFを作るように指定した時は自動的に次
数を1増やして奇数にしてからフィルタを制作する
課題58
直線位相フィルタには、以下の4タイプがある。
場合1:Nが奇数、偶対称 h[n] = h[N – n – 1]
場合2:Nが偶数、偶対称 h[n] = h[N – n – 1]
場合3:Nが奇数、奇対称 h[n] = – h[N – n – 1]
場合4:Nが偶数、奇対称 h[n] = – h[N – n – 1]
各タイプのフィルタの回路構成を示しなさい。
課題58

場合1

N 1
h 
(
 1)
2

N 1
h 
(
)
2
課題58

場合2
課題58

場合3

-1を積算する

N 1
h 
(
 1)
2

N 1
h 
(
)
2
課題58

場合4
-1を積算する
課題59
位相遅延と群遅延 の違いについて考察しなさい
課題59
• (現在考え中…ではあるができたところまで)
• 位相遅延も群遅延も入力信号と出力信号の遅延時間を計算

する手法である
• ただし位相遅延は位相差で表記するので−𝜋から𝜋までの範囲しか表

示されない.(つまり遅延が0なのか2πあるのかは判別できない)

• 実際に遅延時間を計算するときは群遅延が用いられる
課題59
• 群遅延が周波数により異なるとどのようになるか?
[y1,fs]=audioread('s1131.wav');
y1=mean(y1,2);
[b,a,tau] = iirgrpdelay(10, [0 0.1 0.3 1],[0 1],[60 90 10 30]);
subplot(3,1,3);
[G,F] = grpdelay(b,a, 0:0.001:1, 2);
F1=(F*fs)/(2*pi*1000);
plot(F1, G);
xlabel('frequency(kHz)');
ylabel('grpdelay');
[H1,W]=freqz(b,a,512);
F1=(W*fs)/(2*pi*1000);
subplot(3,1,1);
%plot(F1,abs(H1),'b');
plot(F1,20*log10(abs(H1)),'b');
xlabel('frequency(kHz)');
ylabel('amplitude');
subplot(3,1,2);
plot(F1,unwrap(angle(H1)*180/pi));
xlabel('frequency(kHz)');
ylabel('phase(°)');

• iirgrpdelayは群遅延を任意

に変更させることができる
• 関数の入力はそれぞれ次数,

正規化された周波数の値,通
過させる周波数の範囲,群遅
延の値である
• 左では,0の時に60、0.1の時
に90、0.3の時に10、1の時に
30であるような群遅延特性で
ある

• grpgelayはフィルタの群遅

延特性を出力する
課題59
• 実際に音声にフィルタをかけてみる

• フィルタをかける前
振幅特性はほとんど1

• フィルタをかけた後

次数が10であるので指
定した特性とは多少の
誤差が出る

…
ほとんど変化が感じられない
現在試行錯誤中
課題60
1000Hz以下の周波数のみを通過させる低域通過FIRフィルタを
設計し、その振幅特性を図示しなさい.またフィルタの次数を大
きくすることによって、振幅特性がどのように変化するかを調べ
なさい.
課題60
clear all
close all
[~,fs] = audioread('samplem.wav');

thresh=1000;
b=fir1(10,thresh/(fs/2),'low');a=1;
[H1,W]=freqz(b,a,512);
F1=(W*fs)/(2*pi*1000);
plot(F1,abs(H1));
xlabel('frequency(kHz)');
ylabel('amplitude');
hold on;

10次のFIRフィルタの周波数応
答を求める
fir1は次数,カットオフ周波数,
フィルタータイプを指定する
• カットオフ周波数はナイキスト
周波数(サンプリング周波数の
2分の1)を1として指定する
• フィルタータイプは'high'
(HPF),'stop'(BEF)などLPFや
BPFは指定しなくてよい
ωからfへの変換はω=πの時ナイ
キスト周波数と等しいので
𝜔
𝑓𝑠
𝑓=
𝜋
2
課題60

同様に100次と400次のフィルタも
求める

b=fir1(100,thresh/(fs/2),'low');a=1;
[H2,W]=freqz(b,a,512);
F2=(W*fs)/(2*pi*1000);
plot(F2,abs(H2),'r');
b=fir1(400,thresh/(fs/2),'low');a=1;
[H3,W3]=freqz(b,a,512);
F3=(W*fs)/(2*pi*1000);
plot(F3,abs(H3),'g');
line([thresh/1000 thresh/1000],[0 1],'LineWidth',2,'Color','y');
xlim([0 2]);
ylim([0 1]);
legend('10','100','400');
課題60
結果
課題60
実際にフィルタを
かけてみる

clear all
close all
[x,fs] = audioread('samplem.wav');
in=20*log10(abs(fft(x)));
fftlength=length(x)/2;
xx=linspace(0,(fs/2)/1000,fftlength);
plot(xx(1:fftlength),in(1:fftlength));
hold on;
thresh=1000;
b=fir1(400,thresh/(fs/2),'low');a=1;
y= filter(b,a,x);
out=20*log10(abs(fft(y)));
plot(xx(1:fftlength),out(1:fftlength),'r');
audiowrite('out.wav',y1,fs)
課題60
結果

Mais conteúdo relacionado

Mais procurados

ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心にウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心にRyosuke Tachibana
 
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化The Whole Brain Architecture Initiative
 
数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツ数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツShuyo Nakatani
 
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎セミパラメトリック推論の基礎
セミパラメトリック推論の基礎Daisuke Yoneoka
 
クラシックな機械学習の入門 3. 線形回帰および識別
クラシックな機械学習の入門 3. 線形回帰および識別クラシックな機械学習の入門 3. 線形回帰および識別
クラシックな機械学習の入門 3. 線形回帰および識別Hiroshi Nakagawa
 
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...Yasutomo Kawanishi
 
基底変換、固有値・固有ベクトル、そしてその先
基底変換、固有値・固有ベクトル、そしてその先基底変換、固有値・固有ベクトル、そしてその先
基底変換、固有値・固有ベクトル、そしてその先Taketo Sano
 
PRML 4.1 Discriminant Function
PRML 4.1 Discriminant FunctionPRML 4.1 Discriminant Function
PRML 4.1 Discriminant FunctionShintaro Takemura
 
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化Miyoshi Yuya
 
カメラ間人物照合サーベイ
カメラ間人物照合サーベイカメラ間人物照合サーベイ
カメラ間人物照合サーベイYoshihisa Ijiri
 
ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理h_okkah
 
クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法Hiroshi Nakagawa
 
深層学習と確率プログラミングを融合したEdwardについて
深層学習と確率プログラミングを融合したEdwardについて深層学習と確率プログラミングを融合したEdwardについて
深層学習と確率プログラミングを融合したEdwardについてryosuke-kojima
 
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions [DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions Deep Learning JP
 
Visual Studio CodeでRを使う
Visual Studio CodeでRを使うVisual Studio CodeでRを使う
Visual Studio CodeでRを使うAtsushi Hayakawa
 
自由エネルギー原理入門: 正規分布を仮定した場合
自由エネルギー原理入門: 正規分布を仮定した場合自由エネルギー原理入門: 正規分布を仮定した場合
自由エネルギー原理入門: 正規分布を仮定した場合Masatoshi Yoshida
 
ディジタル信号処理 課題解説(その3) 2014年度版
ディジタル信号処理 課題解説(その3) 2014年度版ディジタル信号処理 課題解説(その3) 2014年度版
ディジタル信号処理 課題解説(その3) 2014年度版dsp_kyoto_2014
 
ECCV2022 paper reading - MultiMAE: Multi-modal Multi-task Masked Autoencoders...
ECCV2022 paper reading - MultiMAE: Multi-modal Multi-task Masked Autoencoders...ECCV2022 paper reading - MultiMAE: Multi-modal Multi-task Masked Autoencoders...
ECCV2022 paper reading - MultiMAE: Multi-modal Multi-task Masked Autoencoders...Antonio Tejero de Pablos
 
数式を綺麗にプログラミングするコツ #spro2013
数式を綺麗にプログラミングするコツ #spro2013数式を綺麗にプログラミングするコツ #spro2013
数式を綺麗にプログラミングするコツ #spro2013Shuyo Nakatani
 

Mais procurados (20)

ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心にウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
 
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
第7回WBAシンポジウム:予測符号化モデルとしての 深層予測学習とロボット知能化
 
R高速化
R高速化R高速化
R高速化
 
数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツ数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツ
 
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎セミパラメトリック推論の基礎
セミパラメトリック推論の基礎
 
クラシックな機械学習の入門 3. 線形回帰および識別
クラシックな機械学習の入門 3. 線形回帰および識別クラシックな機械学習の入門 3. 線形回帰および識別
クラシックな機械学習の入門 3. 線形回帰および識別
 
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
全日本コンピュータビジョン勉強会:Disentangling and Unifying Graph Convolutions for Skeleton-B...
 
基底変換、固有値・固有ベクトル、そしてその先
基底変換、固有値・固有ベクトル、そしてその先基底変換、固有値・固有ベクトル、そしてその先
基底変換、固有値・固有ベクトル、そしてその先
 
PRML 4.1 Discriminant Function
PRML 4.1 Discriminant FunctionPRML 4.1 Discriminant Function
PRML 4.1 Discriminant Function
 
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
 
カメラ間人物照合サーベイ
カメラ間人物照合サーベイカメラ間人物照合サーベイ
カメラ間人物照合サーベイ
 
ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理ウェーブレットと多重解像度処理
ウェーブレットと多重解像度処理
 
クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法クラシックな機械学習の入門  11.評価方法
クラシックな機械学習の入門  11.評価方法
 
深層学習と確率プログラミングを融合したEdwardについて
深層学習と確率プログラミングを融合したEdwardについて深層学習と確率プログラミングを融合したEdwardについて
深層学習と確率プログラミングを融合したEdwardについて
 
[DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions [DL輪読会]Understanding Black-box Predictions via Influence Functions
[DL輪読会]Understanding Black-box Predictions via Influence Functions
 
Visual Studio CodeでRを使う
Visual Studio CodeでRを使うVisual Studio CodeでRを使う
Visual Studio CodeでRを使う
 
自由エネルギー原理入門: 正規分布を仮定した場合
自由エネルギー原理入門: 正規分布を仮定した場合自由エネルギー原理入門: 正規分布を仮定した場合
自由エネルギー原理入門: 正規分布を仮定した場合
 
ディジタル信号処理 課題解説(その3) 2014年度版
ディジタル信号処理 課題解説(その3) 2014年度版ディジタル信号処理 課題解説(その3) 2014年度版
ディジタル信号処理 課題解説(その3) 2014年度版
 
ECCV2022 paper reading - MultiMAE: Multi-modal Multi-task Masked Autoencoders...
ECCV2022 paper reading - MultiMAE: Multi-modal Multi-task Masked Autoencoders...ECCV2022 paper reading - MultiMAE: Multi-modal Multi-task Masked Autoencoders...
ECCV2022 paper reading - MultiMAE: Multi-modal Multi-task Masked Autoencoders...
 
数式を綺麗にプログラミングするコツ #spro2013
数式を綺麗にプログラミングするコツ #spro2013数式を綺麗にプログラミングするコツ #spro2013
数式を綺麗にプログラミングするコツ #spro2013
 

Destaque

Scilab: Computing Tool For Engineers
Scilab: Computing Tool For EngineersScilab: Computing Tool For Engineers
Scilab: Computing Tool For EngineersNaren P.R.
 
Gpgpu tomoaki-fp16
Gpgpu tomoaki-fp16Gpgpu tomoaki-fp16
Gpgpu tomoaki-fp16tomoaki0705
 
TensorFlowプログラミングと分類アルゴリズムの基礎
TensorFlowプログラミングと分類アルゴリズムの基礎TensorFlowプログラミングと分類アルゴリズムの基礎
TensorFlowプログラミングと分類アルゴリズムの基礎Etsuji Nakai
 
【関東GPGPU勉強会#4】GTX 1080でComputer Vision アルゴリズムを色々動かしてみる
【関東GPGPU勉強会#4】GTX 1080でComputer Visionアルゴリズムを色々動かしてみる【関東GPGPU勉強会#4】GTX 1080でComputer Visionアルゴリズムを色々動かしてみる
【関東GPGPU勉強会#4】GTX 1080でComputer Vision アルゴリズムを色々動かしてみるYasuhiro Yoshimura
 
Hough forestを用いた物体検出
Hough forestを用いた物体検出Hough forestを用いた物体検出
Hough forestを用いた物体検出MPRG_Chubu_University
 
20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcamera20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcameraKyohei Unno
 
Cloud frontの概要と勘所
Cloud frontの概要と勘所Cloud frontの概要と勘所
Cloud frontの概要と勘所Kei Hirata
 
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFAShohei Hido
 
有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25Minoru Chikamune
 
最先端NLP勉強会 “Learning Language Games through Interaction” Sida I. Wang, Percy L...
最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...
最先端NLP勉強会 “Learning Language Games through Interaction” Sida I. Wang, Percy L...Yuya Unno
 
アセンブラ漢文
アセンブラ漢文アセンブラ漢文
アセンブラ漢文kozossakai
 
畳み込みLstm
畳み込みLstm畳み込みLstm
畳み込みLstmtak9029
 
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会nonane
 
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみたYasuhiro Yoshimura
 
最近やった事とこれからやりたい事 2016年度年末版
最近やった事とこれからやりたい事 2016年度年末版最近やった事とこれからやりたい事 2016年度年末版
最近やった事とこれからやりたい事 2016年度年末版Netwalker lab kapper
 
「機械学習 By スタンフォード大学」勉強会 2015.09.11
「機械学習 By スタンフォード大学」勉強会 2015.09.11「機械学習 By スタンフォード大学」勉強会 2015.09.11
「機械学習 By スタンフォード大学」勉強会 2015.09.11Minoru Chikamune
 
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)kozossakai
 
Process Simulation using DWSIM
Process Simulation using DWSIMProcess Simulation using DWSIM
Process Simulation using DWSIMNaren P.R.
 
TensorFlowによるニューラルネットワーク入門
TensorFlowによるニューラルネットワーク入門TensorFlowによるニューラルネットワーク入門
TensorFlowによるニューラルネットワーク入門Etsuji Nakai
 
深層学習とTensorFlow入門
深層学習とTensorFlow入門深層学習とTensorFlow入門
深層学習とTensorFlow入門tak9029
 

Destaque (20)

Scilab: Computing Tool For Engineers
Scilab: Computing Tool For EngineersScilab: Computing Tool For Engineers
Scilab: Computing Tool For Engineers
 
Gpgpu tomoaki-fp16
Gpgpu tomoaki-fp16Gpgpu tomoaki-fp16
Gpgpu tomoaki-fp16
 
TensorFlowプログラミングと分類アルゴリズムの基礎
TensorFlowプログラミングと分類アルゴリズムの基礎TensorFlowプログラミングと分類アルゴリズムの基礎
TensorFlowプログラミングと分類アルゴリズムの基礎
 
【関東GPGPU勉強会#4】GTX 1080でComputer Vision アルゴリズムを色々動かしてみる
【関東GPGPU勉強会#4】GTX 1080でComputer Visionアルゴリズムを色々動かしてみる【関東GPGPU勉強会#4】GTX 1080でComputer Visionアルゴリズムを色々動かしてみる
【関東GPGPU勉強会#4】GTX 1080でComputer Vision アルゴリズムを色々動かしてみる
 
Hough forestを用いた物体検出
Hough forestを用いた物体検出Hough forestを用いた物体検出
Hough forestを用いた物体検出
 
20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcamera20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcamera
 
Cloud frontの概要と勘所
Cloud frontの概要と勘所Cloud frontの概要と勘所
Cloud frontの概要と勘所
 
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
機械学習モデルフォーマットの話:さようならPMML、こんにちはPFA
 
有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25有名論文から学ぶディープラーニング 2016.03.25
有名論文から学ぶディープラーニング 2016.03.25
 
最先端NLP勉強会 “Learning Language Games through Interaction” Sida I. Wang, Percy L...
最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...
最先端NLP勉強会 “Learning Language Games through Interaction” Sida I. Wang, Percy L...
 
アセンブラ漢文
アセンブラ漢文アセンブラ漢文
アセンブラ漢文
 
畳み込みLstm
畳み込みLstm畳み込みLstm
畳み込みLstm
 
関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会関東コンピュータビジョン勉強会
関東コンピュータビジョン勉強会
 
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
【第33回コンピュータビジョン勉強会@関東】OpenVX、 NVIDIA VisionWorks使ってみた
 
最近やった事とこれからやりたい事 2016年度年末版
最近やった事とこれからやりたい事 2016年度年末版最近やった事とこれからやりたい事 2016年度年末版
最近やった事とこれからやりたい事 2016年度年末版
 
「機械学習 By スタンフォード大学」勉強会 2015.09.11
「機械学習 By スタンフォード大学」勉強会 2015.09.11「機械学習 By スタンフォード大学」勉強会 2015.09.11
「機械学習 By スタンフォード大学」勉強会 2015.09.11
 
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
続・ハロー・ワールド入門(オープンソースカンファレンス2016 Tokyo/Spring ライトニングトーク)
 
Process Simulation using DWSIM
Process Simulation using DWSIMProcess Simulation using DWSIM
Process Simulation using DWSIM
 
TensorFlowによるニューラルネットワーク入門
TensorFlowによるニューラルネットワーク入門TensorFlowによるニューラルネットワーク入門
TensorFlowによるニューラルネットワーク入門
 
深層学習とTensorFlow入門
深層学習とTensorFlow入門深層学習とTensorFlow入門
深層学習とTensorFlow入門
 

ディジタル信号処理 課題解説 その8