2 Reconhecimento Automático de Locutor em Ambientes Ruidosos
|
|
- Thomas Castelo Sales
- 6 Há anos
- Visualizações:
Transcrição
1 2 Reconhecmento Automátco de Locutor em Ambentes Rudosos Neste capítulo são apresentadas, de forma resumda, as técncas de classfcação e de extração de atrbutos mas usadas recentemente para aplcações de reconhecmento de locutor, vsando permtr um melhor entendmento dos próxmos capítulos. Em mutas aplcações os sstemas de reconhecmento de locutor têm o seu desempenho, em termos da taxa de acerto, afetado pelo ruído no snal de fala. Os sons em ambentes de fábrca, de carros e até de váras pessoas falando ao mesmo tempo são fontes de ruído que prejudcam o reconhecmento. A obtenção de elevadas taxas de acerto requer prmeramente que os atrbutos sejam uma boa representação das propredades da fala mas assocadas à dentfcação do locutor. Nesse contexto, na próxma seção, são apresentadas técncas de extração de atrbutos sendo que as mas efcentes, em termos de melhora na taxa de acerto, são aquelas que baseam-se no comportamento audtvo humano. Além dsso, um sstema de reconhecmento efcaz, em ambentes rudosos, requer que o efeto da contrbução do ruído seja mnmzado. Para essa fnaldade, as técncas mas robustas de extração de atrbutos possuem estratégas que buscam elmnar a contrbução dos fatores que poram a taxa de acerto, como os ruídos. Nessa tese são mostrados expermentos de dentfcação de locutor na presença de ruído branco e de ruído não-branco (ou colordo). O ruído branco caracterza-se por possur densdade espectral de potênca plana em ampla faxa do espectro, como mostrado na Fgura 4(a). Já os ruídos não-brancos têm suas contrbuções mas concentradas em certas regões do espectro. Isso pode ser vsto, por exemplo, na Fgura 4(b)-(d), para ruídos da base NOISEX-92 [57]. O ruído de fábrca, mostrado nessa Fgura, fo coletado próxmo a uma máquna cortadora de metas e a um equpamento elétrco de solda, o ruído falatóro fo coletado próxmo a 00 pessoas falando em uma cantna, e o ruído de carro fo coletado em um veículo Volvo 340 deslocando-se a 20 Km/h, em quarta marcha, numa psta de asfalto em condções de chuva. O ruído branco fo gerado artfcalmente, utlzando o Matlab.
2 25 (a) (b) (c) Fgura 4 Espectro de potênca dos ruídos; (a) ruído branco. (b) fábrca, (c) falatóro, e (d) carro (d)
3 26 2. Os Atrbutos Utlzados Nesta seção, são apresentadas dversas técncas de extração de atrbutos do snal de voz. Esses atrbutos são os dados de entrada do classfcador usado no reconhecmento, representando as característcas do locutor. Quando uma pessoa está falando, o seu aparelho vocal se movmenta de acordo com a consttução físca própra de cada ndvíduo, produzndo snas acústcos formados por varações de pressão do ar. Esses snas são percebdos pelo sstema audtvo de acordo com a sensbldade humana às característcas de ampltude e frequênca. Os snas de voz usados no reconhecmento de locutor, são, prmeramente, coletados por mcrofones e amostrados. As amostras são dvddas em janelas (ou quadros). Um conjunto de atrbutos (parâmetros, coefcentes) é obtdo das amostras de cada janela por meo de um algortmo de extração. Esse conjunto é organzado sob a forma de um vetor, em que cada componente do vetor representa um valor de atrbuto. Mutas das técncas de extração de atrbutos são baseadas em modelos de produção da fala e da sensbldade audtva humana [5]. A ntrodução dessas propredades bológcas no projeto do atrbuto acrescenta mas nformação sobre a dentdade do locutor. Bascamente, tas propredades são caracterzadas pela sensbldade audtva em relação à freqüênca e à ampltude, como também pelas frequêncas de formação da voz no aparelho vocal. No espectro do snal de voz exstem regões de elevada energa que correspondem às frequêncas de ressonânca (formantes) do aparelho vocal [58],[59]. As formantes são as prncpas frequêncas de operação desse aparelho, trazendo nformação essencal sobre a dentdade de uma pessoa. Uma técnca bem conhecda é a que extra parâmetros de snas de voz baseando-se no modelo de predção lnear usado para fazer predção de snas de voz. Esse modelo consste em representar um snal por meo de suas amostras passadas e pode ser expresso por sˆ p = a s () n n =
4 27 onde s n-, sendo de a p, são as amostras passadas e a são os parâmetros. Os atrbutos que são obtdos baseando-se neste prncípo, são chamados de parâmetros LPC (Lnear Predcton Coeffcents) [60]-[62] e podem ser usados para gerar um modelo de produção da fala. Esse modelo, lustrado na Fgura 5, é representado por uma função de transferênca formada somente por pólos e é uma representação matemátca aproxmada do aparelho vocal. Nesse sentdo, o erro de predção lnear pode ser nterpretado como uma exctação para este modelo. A partr da expressão do erro de predção dada por e s sˆ s a s n n n n n = que na Transformada-Z pode ser expressa por p = = +, (2) p Ez ( ) = Sz ( ) + az, (3) = chega-se à função de transferênca que modela o aparelho vocal, H( z) =. (4) p az + Bascamente, exstem dos métodos para a estmação dos parâmetros LPC: o método das autocorrelações e o método das covarâncas. No prmero, os parâmetros LPC são obtdos pela função de autocorrelação das amostras do snal de voz que é calculada assumndo-se que o valor médo quadrátco do erro de predção lnear E é mnmzado, em função de a, em - < n <, = E a = 0 (5) onde n é a n-ésma amostra. Essa função de autocorrelação, para um snal de nfntas amostras, é defnda por + () snsn+ n= R = (6) e das soluções de (5), chamadas de equações de Yule-Waler, obtém-se os parâmetros que são determnados por
5 28 p ar ( ) = R ( ), p. (7) = Na prátca, o cálculo de (7) basea-se no conceto de função de autocorrelação de ntervalo curto, no qual é realzada uma aproxmação aplcando-se uma janela ao snal amostrado. Fora da janela o snal é feto gual a zero. No segundo método, assume-se que o valor médo quadrátco do erro de predção lnear é mnmzado em um ntervalo fnto 0 n N-. Os parâmetros são calculados usando-se a covarânca das amostras do snal presentes neste ntervalo. A covarânca é expressa por e os parâmetros são determnados por N ϕ = s s (8) n n n= 0 p aϕ = ϕ0, p =. (9) Quando o ntervalo de n tende a nfnto, o método da covarânca tende ao da autocorrelação. Fgura 5 Ilustração smplfcada do modelo do aparelho vocal O reconhecmento de locutor pode ter o seu desempenho melhorado se for feto um pré-processamento no snal de voz de acordo com a percepção audtva antes da extração dos parâmetros LPC, que consderam gualmente todas as frequêncas do espectro. Ressalta-se que, a partr de aproxmadamente 800 Hz, a percepção audtva humana dmnu com a freqüênca [63]. Os parâmetros obtdos por meo desse pré-processamento são chamados parâmetros PLP (Perceptual Lnear Predctve) [63]-[65]. Nessa técnca de extração, ncalmente a DFT (Dscrete Fourer Transform) é aplcada ao snal. Em seguda, o espectro de potênca resultante é mapeado na escala Bar [64],[66]-[68] que é
6 29 aproxmadamente logarítmca. Essa escala, em termos da frequênca angular ω expressa em rad/s, é dada pela função de mapeamento { } ( ω) ω π ( ω π) Ω = 6ln /200 + / (0) O espectro de potênca P(ω) do snal, nesta escala, é aplcado em um esquema de curvas 0 Ω<.3, ΨΩ ( ) = 0.5<Ω< 0.5,.0( Ω 0.5) Ω 2.5, 0 Ω> ( Ω+ 0.5) 0.3 Ω 0.5, que modela os fltros audtvos. As componentes resultantes da convolução expressa por ( ) () P( ) ( ), (2) Ω Θ Ω = Ω Ω Ψ Ω passam por uma pré-ênfase ( ω) que modela a sensbldade audtva humana em função da frequênca, ( ω) ( ω) ( ω) Ξ Ω = Θ Ω (3) onde essa pré-ênfase é expressa por ( 2 6 ) 4 2 ( 2 6 ) ( 2 9 ) ( ω) = ω ω / ω ω (4) Em seguda, as componentes resultantes da pré-ênfase passam por uma transformação Φ( Ω ) =Ξ( Ω ) 0.33 (5)
7 30 que modela a sensbldade audtva com relação à potênca percebda. Após essa operação, é aplcada a transformada nversa de Fourer. A últma etapa consste na extração dos parâmetros através da análse LPC. O uso desses procedmentos de extração causa uma melhora no desempenho do reconhecmento porque os parâmetros PLP têm como propredades ntrínsecas as característcas da sensbldade audtva humana que foram ncluídas nele durante este préprocessamento. Em uma outra estratéga de extração de atrbutos, fo utlzada a representação do espectro do snal de voz obtdo a partr da DFT em uma escala chamada Mel [5],[69]-[72], que modela a sensbldade audtva humana. Essa escala assume um comportamento quase lnear para frequêncas abaxo de Hz e logarítmco para frequêncas acma de Hz. Em frequêncas próxmas a Hz, o valor em Mel é aproxmadamente gual ao valor em Hz, sto é: Hz ~ Mel. Para frequêncas abaxo de Hz o valor em Mel é maor do que o valor em Hz (por exemplo, 500 Hz equvale a 607 Mel). Para frequêncas acma de Hz o valor em Mel é menor do que o valor em Hz (por exemplo, 2000 Hz equvale a 52 Mel). A dferença entre a escala Mel e a escala Hz cresce com o afastamento do ponto de Hz. Os atrbutos que são obtdos baseando-se nesses concetos são chamados de Atrbutos Mel Cepestras ou MFCC (Mel Frequency Cepstral Coeffcents) [4],[73]-[75]. Nessa técnca de extração, é usado um banco de fltros trangulares [4],[76] para realzar a decomposção do espectro na escala Mel, como mostrado na Fgura 6. O logartmo é aplcado na saída de cada fltro do banco e em seguda é aplcada a DCT (Dscrete Cosne Transform) para a obtenção dos atrbutos MFCC, MFCC N ( n) cos( ( n / 2 )), =,2,,M, M<N (6) = ζ + n= 0 onde os ζ ( n) representam os valores do logartmo aplcado à saída de cada fltro do banco. A análse Mel representa com maor resolução as componentes de baxas frequêncas do snal de voz, em concordânca com o fato de que a percepção audtva é maor nessas frequêncas.
8 3 Fgura 6 Banco de fltros na escala Mel Certos tpos de atrbutos são mas adequados para aplcações que exjam um menor grau de processamento, como por exemplo, os atrbutos LFCC (Lnear Frequency Cepstrum Coeffcents) [4], que são obtdos aplcando-se o logartmo dretamente ao espectro gerado pela DFT sem a decomposção na escala Mel, e os LPCC (Lnear Predcton Cepstrum Coeffcents) [4],[77]-[80], que são obtdos dretamente dos parâmetros LPC por meo de smples equações recursvas expressas por c = a N ( /n), < n p c = a c + a c n n n = N ( /n) a c, n p = n n = >. (7) Essas equações fornecem a representação cepestral c n dos parâmetros LPC, e baseam-se no modelo da audção humana. Os LFCC, tal como os LPC, consderam gualmente todas as frequêncas do espectro. Porém, os LFCC fazem uso da representação cepestral, já que aplcam o logartmo ao espectro gerado pela DFT. Quanto aos LPCC, fo verfcado expermentalmente em [4] que esses atrbutos e também os LPC preservam menos componentes do snal de voz do que os obtdos usando-se a DFT, como por exemplo, os MFCC e os LFCC. Dos outros tpos de atrbutos que também podem ser usados para aplcações de
9 32 reconhecmento são os delta e os delta-delta [6],[8],[82], que expressam varações dnâmcas no espectro e são mas adequados para o reconhecmento dependente do texto. Os parâmetros delta são representados por Δχ =χ+ l χ l, (8) e os delta-delta por ΔΔχ = Δχ+ L Δχ L. (9) Onde χ é o -ésmo atrbuto estátco. Por exemplo, em (8) são mostrados atrbutos delta estmados a partr de outros tpos de atrbutos, representados por χ, como por exemplo, os MFCC, extraídos das janelas ndcadas pelos índces subscrtos. Em (9) é mostrado que os atrbutos delta-delta na janela () estão sendo estmados a partr dos delta nas janelas (+L) e (-L). Esses tpos de atrbutos, baseados em dferenças dnâmcas, são robustos às varações provocadas pelo canal de comuncação no snal de voz, já que removem nformações espectras nvarantes no tempo assocadas ao canal [6]. Essas técncas de extração de atrbutos requerem menores graus de processamento. A técnca que extra os atrbutos chamados de ZCPA (Zero Crossngs wth Pea Ampltudes) [7],[8],[83],[84] basea-se nas propredades audtvas e nos cruzamentos por zero efetuados pelo snal de voz. Essa estratéga consdera a ampltude de pco percebda entre dos cruzamentos por zero consecutvos do snal, durante a subda (passagem de um valor negatvo de ntensdade do snal, a um valor postvo). Os valores dessas ampltudes de pco entre os cruzamentos por zero são obtdos na saída de um banco de fltros cocleares [85], que modelam a sensbldade audtva com relação à frequênca. A estratéga EIH (Ensemble Interval Hstogram) [83], que modela a audção, usa detectores de cruzamento de nível (usado como uma espéce de referênca) na saída de cada fltro do banco para detectar os cruzamentos. Os valores dos níves (ntensdades) são dstrbuídos em uma escala logarítmca ao longo de todos os valores postvos de ntensdade, que o snal na saída de cada fltro pode assumr. A Fgura 7 lustra esta stuação.
10 33 Fgura 7 Cruzamentos de nível Os valores de frequênca utlzados nesse esquema de extração de atrbutos são estmados calculando-se o nverso do tempo decorrdo entre dos cruzamentos por zero consecutvos. Fo escolhdo o nível de cruzamento em zero porque a estmação de frequêncas usando níves em valores baxos é menos afetada por ruído adtvo do que quando são utlzados níves em valores mas altos [7]. Nessa técnca de extração, a função logartmo, que é aplcada nos valores das ampltudes de pco entre dos cruzamentos por zero na saída de cada fltro do banco, é usada para modelar a sensbldade do nervo audtvo em relação à ntensdade do estímulo sonoro. Fo mostrado expermentalmente que estes atrbutos ZCPA são robustos a ruído, para aplcações de reconhecmento de voz [7]. Os atrbutos ZCPA podem ser expressos por K ( t, ) δ f( A) γ =, N ς = J (20) onde A representa a ampltude de pco na saída de cada fltro do banco, é o índce que representa o -ésmo cruzamento por zero, f(a )=log(+20a ) representa a função utlzada para modelar a sensbldade do nervo em relação à
11 34 ntensdade, N representa o número de componentes de frequênca na saída ς de cada fltro, J é o índce que representa cada uma dessas componentes e δ é o Delta de Kronecer. O valor γ (t,) do atrbuto é a soma das contrbuções de cada fltro do banco. Recentemente, em [8], fo feta a representação cepestral dos atrbutos ZCPA e utlzada a DCT para reduzr a correlação dos dados. Esses atrbutos chamados de ZCPAC (Zero Crossng wth Pea Ampltude Cepstrum) foram usados em reconhecmento robusto de locutor dependente do texto e superaram os MFCC em desempenho de reconhecmento nesta aplcação [8]. O parâmetro de Hurst (ph) [29],[86] fo apresentado em 2006 e tem contrbuído sgnfcatvamente para aumentar a efcênca do reconhecmento automátco de locutor. Os resultados apresentados até o momento já mostram a efcáca desta estratéga. Dferentemente dos demas atrbutos, o ph é uma característca estatístca do snal de voz. O parâmetro de Hurst modela o comportamento estocástco do snal de voz através da correlação ou dependênca temporal entre as amostras do snal de voz, no nfnto. Nessa abordagem de extração de atrbutos, aplca-se a DWT (Dscrete Wavelet Transform) às amostras do snal de voz. A DWT pode ser nterpretada como uma fltragem (ou decomposção) em sub-bandas (ou escalas) de frequêncas. Ou seja, o snal é passado em um banco de fltros resultando em um conjunto de coefcentes agrupados por sub-bandas de frequêncas. Esses coefcentes representam as contrbuções de cada sub-banda para a formação do snal. As contrbuções de altas frequêncas são responsáves pelos detalhes do snal. Após a aplcação da DWT, para cada escala j, calcula-se a varânca dos coefcentes wavelet. Em seguda, plota-se os valores do logartmo na base dos de cada valor de varânca versus j. No gráfco obtdo, faz-se uma regressão lnear, como mostrado na Fgura 8, e calcula-se a nclnação α da reta gerada. O valor do parâmetro de Hurst (ph) é Һ=(+α)/2. Os parâmetros de Hurst, como modelam o comportamento estocástco do snal de voz, tendem a ser robustos às dstorções provocadas pelo canal de comuncação [87],[88]. Alternatvamente, os parâmetros de Hurst podem ser obtdos não dretamente das amostras de voz, mas também de outros tpos de atrbutos, como por exemplo, os parâmetros mel-cepestras.
12 35 Fgura 8 Regressão usada para obter os parâmetros de Hurst 2.2 Os Classfcadores Esta seção apresenta os prncpas classfcadores usados no reconhecmento automátco de locutor. Os métodos de classfcação modelam os locutores com base na matrz de atrbutos da voz. A etapa de classfcação é realzada após a extração dos atrbutos do snal de voz. O classfcador, geralmente, faz uma modelagem probablístca da dstrbução dos atrbutos assocados aos locutores. Bascamente, consderam-se duas fases de operação do classfcador: a fase de trenamento e a fase de teste. Na prmera, o classfcador recebe a matrz de atrbutos e gera o modelo probablístco (hstogramas) relaconado a cada locutor. Na segunda, o sstema de classfcação recebe os atrbutos da voz de um pretenso locutor e, em seguda, faz uma comparação, usando o modelo armazenado, para reconhecer, ou não, a pessoa assocada aos atrbutos recebdos. A decsão basea-se em uma medda de dstânca (verossmlhança) que é calculada utlzando as estatístcas assocadas aos atrbutos recebdos no teste e obtdas do modelo probablístco relaconado ao locutor. No caso da verfcação de locutor, também é usado um modelo só de locutores falsos chamado modelo de bacground (Unversal Bacground Model,
13 36 UBM) [6],[29],[89]. Nessa aplcação, o locutor só é reconhecdo (verfcado) quando a dferença entre a sua verossmlhança assocada (em relação ao seu modelo) e a assocada aos locutores falsos (bacground) é maor do que um determnado lmar de acetação que é determnado subjetvamente (expermentalmente). O uso desse modelo de locutores falsos, consderado como uma espéce de referênca, faclta a escolha do lmar de decsão. A Fgura 9 lustra o esquema de operação do sstema de classfcação quando, por exemplo, é desejado verfcar o locutor José. Nessa fgura, o sstema recebe os parâmetros e apresenta na saída o resultado da decsão. A decsão na verfcação de locutor é um crtéro bnáro: ou é verfcado, ou não. A Fgura 0 lustra a dentfcação do locutor José, em um grupo de pessoas formado pelo própro José, Pedro e outros locutores. Fgura 9 Sstema de classfcação baseado na verfcação de locutor Fgura 0 Sstema de classfcação baseado na dentfcação de locutor
14 37 Exstem váras formas de gerar um modelo estatístco para o locutor. O classfcador GMM (Gaussan Mxture Models) [6] é bastante dfunddo na lteratura por possbltar uma modelagem efcente para o locutor em váras aplcações, porém é uma técnca que tende a requerer elevados níves de processamento. Uma técnca smples de classfcação é a Bhattacharyya Dstance (db) [29]. Esse classfcador mede a dstânca (separação) entre duas dstrbuções gaussanas. A dstânca total calculada utlzando as estatístcas dos padrões (vetores de atrbutos) é dada por /2 /2 T ( /2) ln ( C C /2)/( C C ) ( /8 )( μ μ ) ( C C )/2 ( μ μ ) db = + J J + J + J J (2) A expressão (2) pode ser representada por db = d + d (22) C M onde d C representa a dstânca devdo à dferença entre as matrzes de covarânca e d M caracterza a dstânca devdo à dferença entre os vetores de méda. O locutor dentfcado é aquele que possu o menor valor da dstânca total. Em (2), para duas classes (locutores) representadas pelos índces (,J), o vetor de méda da classe é μ e o vetor de méda da classe J é μ J. Analogamente, as matrzes de covarânca das duas classes são representadas por C e C J, respectvamente. Nesse tpo de classfcador, se na etapa de trenamento forem armazenadas as estatístcas (C, μ) dos parâmetros da classe, no teste o classfcador calcula as estatístcas da classe J, ou vce-versa. Essas estatístcas são calculadas sobre os vetores de parâmetros de cada classe. Esse classfcador compara dretamente as característcas da voz do locutor testado com as característcas do snal do locutor modelado no trenamento. Quanto menor for o valor de db maor será a probabldade do locutor testado ser o mesmo que aquele modelado no trenamento.
15 38 Uma outra técnca (AR-vector) [29],[90],[9] basea-se na análse LPC para vetores. Esse tpo de análse LPC utlza os concetos da predção aplcada a vetores. Essa predção pode ser expressa por p S = n AS % n + E n (23) = onde S é um vetor de amostras, S n representa os vetores de amostras passadas n (sendo de a p), E n é o vetor erro de predção e Nessa técnca de classfcação, as autocorrelações são expressas por N T = n n+ n= %A é a matrz de predção. R S S (24) onde N representa o número de vetores de parâmetros representados por S n. As matrzes de coefcentes %A assocadas aos vetores de atrbutos são calculadas por R 0 R T R T p- A % R R R 0 R p-2 A % 2 = R 2 R p- R p-2 R 0 A % p R p. (25) Cada locutor tem uma matrz de autocorrelação e uma matrz de coefcentes. A dstânca de smlardade (Itaura dstance) é dada por ( /2)[ log( [ tr ( AR % A% T )/tr( BR B T )]) log( [ tr ( BR B T ) /tr( AR % A % T )])] d = + % % B B A A (26) onde ( A %, R ) é o modelo assocado ao locutor armazenado no trenamento, (B, A % R B ) é o modelo assocado ao pretenso locutor a ser testado e tr é a função traço de uma matrz. Nessa técnca, A % = [ %A 0 %A %A 2... %A p ] e %A 0 é a matrz dentdade. O locutor dentfcado é aquele que possu o menor valor de dstânca. O classfcador GMM [6] basea-se em modelar uma dstrbução usando uma combnação lnear de M gaussanas expressa por onde cada gaussana é dada por M p( χ λ) = pb( χ ) (27) =
16 39 b ( ) ( χ) = (/(2 π ) Σ )exp{ /2 ( χ μ ) Σ ( χ μ )}. (28) D/2 /2 T Nessa expressão, o vetor de atrbutos é representado por χ. As médas e as covarâncas que defnem a dstrbução gaussana são estatístcas obtdas dos vetores de atrbutos assocados ao locutor. Todas as funções gaussanas da combnação lnear são ponderadas por um peso p de forma a representar a dstrbução assocada ao locutor. O efeto dessa combnação pode ser observado na Fgura, onde o prmero gráfco (a) é o hstograma de um coefcente cepstral obtdo de 25 segundos de fala de um locutor femnno. O segundo gráfco (b) mostra a representação desse hstograma usando apenas uma gaussana. O últmo gráfco (c) mostra a representação feta usando-se uma combnação de 0 gaussanas. (c) Fgura Hstograma dos padrões: (a) dstrbução de um coefcente cepstral obtdo de 25s de snal de fala; (b) dstrbução modelada usando uma gaussana; (c) dstrbução modelada usando 0 gaussanas
17 40 No trenamento, a medda em que os vetores de atrbutos do locutor são apresentados ao classfcador, as médas, covarâncas e pesos são recalculados pelo algortmo EM (Expectaton-Maxmzaton) de forma a modelar a dstrbução probablístca de todos os atrbutos recebdos até o momento. Nesse algortmo, essas constantes são obtdas por T p = p χ λ (29) T t = ( t, ) μ = T t= T t= p( χ, λ) χ t p( χ, λ) t t (30) σ = T 2 t= T t= p( χ, λ) χ t t 2 t p( χ, λ) μ 2 (3) com p( χ, λ) = t pb( χt ), (32) p b ( χ ) onde t representa o t-ésmo vetor de atrbutos. No níco do trenamento do GMM pode-se usar um conjunto de vetores de atrbutos do locutor para gerar a méda ncal. Além dsso, pode-se utlzar como matrz de covarânca ncal a matrz dentdade. Para cada locutor é gerado e armazenado no trenamento, após a apresentação de todos os padrões, um modelo estatístco que pode ser representado smbolcamente por λ, onde M = t λ = { p, μ, Σ } =,,M. (33) A fase de testes consste em prmeramente apresentar ao classfcador uma coleção de vetores de atrbutos assocados a um pretenso locutor. Em seguda, são calculadas as probabldades desses vetores de atrbutos condconado a cada modelo λ, ou seja, são calculadas as probabldades de que os vetores de atrbutos tenham sdo orgnados do locutor representado por λ. O próxmo passo é calcular a medda de dstânca com base nesses valores de probabldades. O
18 4 locutor dentfcado é aquele que possu o maor valor dessa medda de dstânca, sto é, T Sˆ = arg max log p( χ λ ) (34) S t t= onde S é o número de locutores e é o -ésmo locutor. O classfcador M_dm_fBm (Multdmensonal fractonal Brownan moton) [29] é um dos mas recentes e basea-se nos processos de movmento brownano fraconáro. Esse classfcador vsa modelar o comportamento estocástco do snal de voz. Em seu funconamento, os parâmetros da voz são organzados na forma matrcal, onde o número de lnhas, c, é gual ao número de coefcentes contdos em cada vetor de atrbutos, e o número de colunas N é gual ao número de vetores de atrbutos. A transformada wavelet é aplcada em cada lnha da matrz. Para cada conjunto de detalhes obtdo pela aplcação da transformada em cada lnha, é estmada a méda, a varânca e os atrbutos ph. Em seguda, são gerados os processos fbm de cada lnha usando os valores (de méda, de varânca e de parâmetro de Hurst) estmados na etapa anteror. Consequentemente, são gerados c processos fbm. O próxmo passo consste em gerar o hstograma de cada processo fbm da matrz. O conjunto de hstogramas defne o modelo c-dmensonal do locutor assocado àquela matrz. Na fase de testes, os hstogramas do locutor são usados para calcular a probabldade de que um vetor de atrbutos c-dmensonal pertença àquele locutor. Isso é feto para os N vetores de atrbutos, resultando em N valores de probabldades. Somando-se estes valores, é obtda uma medda que permte saber se o conjunto de vetores de atrbutos analsados pertence àquele locutor representado pelo modelo. Nesse classfcador também exste a possbldade de a matrz de atrbutos ser dvdda em r regões. O algortmo então é aplcado a cada uma das regões gerando um processo fbm r.c-dmensonal que defne o modelo do locutor. As outras etapas são as mesmas que as usadas quando a matrz não é dvdda (r=).
Reconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisFiltros são dispositivos seletivos em freqüência usados para limitar o espectro de um sinal a um determinado intervalo de freqüências.
1 Fltros são dspostvos seletvos em freqüênca usados para lmtar o espectro de um snal a um determnado ntervalo de freqüêncas. A resposta em freqüênca de um fltro é caracterzada por uma faxa de passagem
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisRealimentação negativa em ampliadores
Realmentação negatva em ampladores 1 Introdução necessdade de amplfcadores com ganho estável em undades repetdoras em lnhas telefôncas levou o Eng. Harold Black à cração da técnca denomnada realmentação
Leia mais3 Subtração de Fundo Segmentação por Subtração de Fundo
3 Subtração de Fundo Este capítulo apresenta um estudo sobre algortmos para a detecção de objetos em movmento em uma cena com fundo estátco. Normalmente, estas cenas estão sob a nfluênca de mudanças na
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisLaboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos
Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro
Leia maisEletromagnetismo. Distribuição de grandezas físicas: conceitos gerais
Eletromagnetsmo Dstrbução de grandezas físcas: concetos geras Eletromagnetsmo» Dstrbução de grandezas físcas: concetos geras 1 Introdução Pode-se caracterzar um problema típco do eletromagnetsmo como o
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisNeste capítulo abordam-se os principais conceitos relacionados com os cálculos de estatísticas, histogramas e correlação entre imagens digitais.
1 1Imagem Dgtal: Estatístcas INTRODUÇÃO Neste capítulo abordam-se os prncpas concetos relaconados com os cálculos de estatístcas, hstogramas e correlação entre magens dgtas. 4.1. VALOR MÉDIO, VARIÂNCIA,
Leia maisAnálise Descritiva com Dados Agrupados
Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia mais3 Cálculo Básico de Enlace Via Satélite
35 3 Cálculo Básco de Enlace Va Satélte Neste capítulo é tratado o cálculo básco de um enlace va-satélte, subentenddo em condções normas de propagação (espaço lvre) nos percursos de subda e descda e consderados
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisCQ110 : Princípios de FQ
CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisRoteiro-Relatório da Experiência N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR
PROF.: Joaqum Rangel Codeço Rotero-Relatóro da Experênca N o 4 CARACTERÍSTICAS DO TRANSISTOR BIPOLAR 1. COMPONENTES DA EQUIPE: ALUNOS 1 2 NOTA Prof.: Joaqum Rangel Codeço Data: / / : hs 2. OBJETIVOS: 2.1.
Leia mais4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES
4. MODELAMENTOS EM POLUIÇÃO DO AR: PREDITIVOS E RECEPTORES Para o Curso de Físca da Polução do Ar FAP346, º Semestre/006 Prof. Amérco Sansgolo Kerr Montora: Mara Emíla Rehder aver 4. INTRODUÇÃO No modelamento
Leia maisElementos de Estatística e Probabilidades II
Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros
Leia mais2 Principio do Trabalho Virtual (PTV)
Prncpo do Trabalho rtual (PT)..Contnuo com mcroestrutura Na teora que leva em consderação a mcroestrutura do materal, cada partícula anda é representada por um ponto P, conforme Fgura. Porém suas propredades
Leia maisEletromagnetismo Aplicado
letromagnetsmo Aplcado Undade 5 Propagação de Ondas letromagnétcas em Meos Ilmtados e Polaração Prof. Marcos V. T. Heckler Propagação de Ondas letromagnétcas e Polaração 1 Conteúdo Defnções e parâmetros
Leia maisANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de métodos
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia mais3. CIRCUITOS COM AMPOP S UTILIZADOS NOS SAPS
3 CICUITOS COM AMPOP S UTILIZADOS NOS SAPS 3. CICUITOS COM AMPOP S UTILIZADOS NOS SAPS - 3. - 3. Introdução Numa prmera fase, apresenta-se os crcutos somadores e subtractores utlzados nos blocos de entrada
Leia mais2 - Análise de circuitos em corrente contínua
- Análse de crcutos em corrente contínua.-corrente eléctrca.-le de Ohm.3-Sentdos da corrente: real e convenconal.4-fontes ndependentes e fontes dependentes.5-assocação de resstêncas; Dvsores de tensão;
Leia maisMÉTODOS MULTIVARIADOS. Rodrigo A. Scarpel
MÉTODOS MULTIVARIADOS Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo INTRODUÇÃO Semana Conteúdo Introdução aos métodos multvarados 1 Análse de componentes prncpas Aplcações de análse de componentes
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisCAPÍTULO 2 - Estatística Descritiva
INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia maisRobótica. Prof. Reinaldo Bianchi Centro Universitário FEI 2016
Robótca Prof. Renaldo Banch Centro Unverstáro FEI 2016 6 a Aula IECAT Objetvos desta aula Momentos Lneares, angulares e de Inérca. Estátca de manpuladores: Propagação de forças e torques. Dnâmca de manpuladores:
Leia maisCAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA
CAPÍTULO 3 CALIBRAÇÃO DE FASE INTERFEROMÉTRICA 3. Método Utlzando Ponto de Controle O uso de pontos de controle é o meo mas exato para a determnação do offset da fase nterferométrca. Normalmente utlza-se
Leia maisTABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS
TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe
Leia maisINTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).
INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia maisTeoria da Regressão Espacial Aplicada a. Sérgio Alberto Pires da Silva
Teora da Regressão Espacal Aplcada a Modelos Genércos Sérgo Alberto Pres da Slva ITENS DE RELACIONAMENTOS Tópcos Báscos da Regressão Espacal; Banco de Dados Geo-Referencados; Modelos Genércos Robustos;
Leia maisGabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisTransistores Bipolares de Junção Parte I Transistores Bipolares de Junção (TBJs) Parte I
Transstores Bpolares de Junção (TBJs) Parte I apítulo 4 de (SEDRA e SMITH, 1996). SUMÁRIO Introdução 4.1. Estrutura Físca e Modos de Operação 4.2. Operação do Transstor npn no Modo Atvo 4.3. O Transstor
Leia maisUTILIZAÇÃO DE TÉCNICAS DE PROCESSAMENTO DIGITAL DE SINAIS PARA A IDENTIFICAÇÃO AUTOMÁTICA DE PESSOAS PELA VOZ
UTILIZAÇÃO DE TÉCNICAS DE PROCESSAMENTO DIGITAL DE SINAIS PARA A IDENTIFICAÇÃO AUTOMÁTICA DE PESSOAS PELA VOZ Adrano Petry, Adrano Zanuz, Dante Augusto Co Barone Insttuto de Informátca Unversdade Federal
Leia mais2ª PARTE Estudo do choque elástico e inelástico.
2ª PARTE Estudo do choque elástco e nelástco. Introdução Consderemos dos corpos de massas m 1 e m 2, anmados de velocdades v 1 e v 2, respectvamente, movmentando-se em rota de colsão. Na colsão, os corpos
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisMedidas e resultados em um experimento.
Meddas e resultados em um expermento. I- Introdução O estudo de um fenômeno natural do ponto de vsta expermental envolve algumas etapas que, mutas vezes, necesstam de uma elaboração préva de uma seqüênca
Leia maisEXPANSÃO TÉRMICA DOS LÍQUIDOS
Físca II Protocolos das Aulas Prátcas 01 DF - Unversdade do Algarve EXPANSÃO ÉRMICA DOS ÍQUIDOS 1 Resumo Estuda-se a expansão térmca da água destlada e do glcerol utlzando um pcnómetro. Ao aquecer-se,
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisFUNDAMENTOS DE ROBÓTICA. Modelo Cinemático de Robôs Manipuladores
FUNDMENTOS DE ROBÓTIC Modelo Cnemátco de Robôs Manpuladores Modelo Cnemátco de Robôs Manpuladores Introdução Modelo Cnemátco Dreto Modelo Cnemátco de um Robô de GDL Representação de Denavt-Hartenberg Exemplos
Leia maisElectromagnetismo e Óptica
Electromagnetsmo e Óptca aboratóro - rcutos OBJETIOS Obter as curvas de resposta de crcutos do tpo sére Medr a capacdade de condensadores e o coefcente de auto-ndução de bobnas por métodos ndrectos Estudar
Leia maisAtividade em Soluções Eletrolíticas
Modelo de solução eletrolítca segundo Debye-Hückel. - A le lmte de Debye-Hückel (LLDH) tem o lmte que está em: I 0,01. log z.z A I 1/ valêncas do íons + e do eletrólto I 1 [ z b / b ] constante que depende
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisAnálise Dinâmica de uma Viga de Euler-Bernoulli Submetida a Impacto no Centro após Queda Livre Através do Método de Diferenças Finitas
Proceedng Seres of the Brazlan Socety of Appled and Computatonal Mathematcs, Vol. 4, N., 06. Trabalho apresentado no DINCON, Natal - RN, 05. Proceedng Seres of the Brazlan Socety of Computatonal and Appled
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia mais3.2 Modulações não-binárias (MPSK)
odulações dgtas 3 odulações dgtas lneares com detecção coerente 3. odulações não-bnáras (SK) QSK: formas de onda e componentes em fase e em quadratura E π s() t = cos π fct ( ) T 4 t T =,,3, 4 f c = nc,
Leia maisMatemática. Veículo A. Veículo B. Os gráficos das funções interceptam-se quando 50t = 80t
Matemátca 0 Dos veículos, A e B, partem de um ponto de uma estrada, em sentdos opostos e com velocdades constantes de 50km/h e 70km/h, respectvamente Após uma hora, o veículo B retorna e, medatamente,
Leia maisMecânica Estatística. - Leis da Física Macroscópica - Propriedades dos sistemas macroscópicos
Mecânca Estatístca Tal como a Termodnâmca Clássca, também a Mecânca Estatístca se dedca ao estudo das propredades físcas dos sstemas macroscópcos. Tratase de sstemas com um número muto elevado de partículas
Leia maisDinâmica do Movimento de Rotação
Dnâmca do Movmento de Rotação - ntrodução Neste Capítulo vamos defnr uma nova grandeza físca, o torque, que descreve a ação gratóra ou o efeto de rotação de uma força. Verfcaremos que o torque efetvo que
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisγ = C P C V = C V + R = q = 2 γ 1 = 2 S gas = dw = W isotermico
Q1 Um clndro feto de materal com alta condutvdade térmca e de capacdade térmca desprezível possu um êmbolo móvel de massa desprezível ncalmente fxo por um pno. O rao nterno do clndro é r = 10 cm, a altura
Leia maisCorrelação. Frases. Roteiro. 1. Coeficiente de Correlação 2. Interpretação de r 3. Análise de Correlação 4. Aplicação Computacional 5.
Correlação Frases Uma probabldade razoável é a únca certeza Samuel Howe A experênca não permte nunca atngr a certeza absoluta. Não devemos procurar obter mas que uma probabldade. Bertrand Russel Rotero
Leia mais2010 The McGraw-Hill Companies, Inc. All rights reserved. Prof.: Anastácio Pinto Gonçalves Filho
rof.: nastáco nto Gonçalves lho Introdução Nem sempre é possível tratar um corpo como uma únca partícula. Em geral, o tamanho do corpo e os pontos de aplcação específcos de cada uma das forças que nele
Leia maisCONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues
CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas
Leia mais2 Agregação Dinâmica de Modelos de Turbinas e Reguladores de Velocidade: Teoria
Agregação Dnâmca de Modelos de urbnas e Reguladores de elocdade: eora. Introdução O objetvo da agregação dnâmca de turbnas e reguladores de velocdade é a obtenção dos parâmetros do modelo equvalente, dados
Leia maisDISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL
DISTRIBUIÇÃO DA AÇÃO DO VENTO NOS ELEMENTOS DE CONTRAVENTAMENTO CONSIDERANDO O PAVIMENTO COMO DIAFRAGMA RÍGIDO: ANÁLISE SIMPLIFICADA E MATRICIAL Dstrbuton of the wnd acton n the bracng elements consderng
Leia maisCurso de Circuitos Elétricos 2 a. Edição, L.Q. Orsini D. Consonni, Editora Edgard Blücher Ltda. Volume I Errata
Curso de Crcutos Elétrcos a Edção, Q rsn D Consonn, Edtora Edgard Blücher tda Pág5 Equação (5): dw( t) v( t) = dq( t) Pág5 no parágrafo após equação (36): Volume I Errata, caso em que não há energa ncal
Leia maisCEL033 Circuitos Lineares I
// CEL Crcutos Lneares I NR- Prof.: Io Chaes da Sla Junor o.junor@ufjf.edu.br Métodos de Análses de Crcutos Análse Nodal Le de Krchhoff das Correntes Método de análse de crcutos elétrcos no qual se escolhe
Leia maisCapítulo 24: Potencial Elétrico
Capítulo 24: Potencal Energa Potencal Elétrca Potencal Superfíces Equpotencas Cálculo do Potencal a Partr do Campo Potencal Produzdo por uma Carga Pontual Potencal Produzdo por um Grupo de Cargas Pontuas
Leia maisÍndices de Concentração 1
Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco
Leia mais1 Objetivo da experiência: Medir o módulo da aceleração da gravidade g no nosso laboratório com ajuda de um pêndulo simples.
Departamento de Físca ICE/UFJF Laboratóro de Físca II Prátca : Medda da Aceleração da Gravdade Objetvo da experênca: Medr o módulo da aceleração da gravdade g no nosso laboratóro com ajuda de um pêndulo
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia mais3. Um protão move-se numa órbita circular de raio 14 cm quando se encontra. b) Qual o valor da velocidade linear e da frequência ciclotrónica do
Electromagnetsmo e Óptca Prmero Semestre 007 Sére. O campo magnétco numa dada regão do espaço é dado por B = 4 e x + e y (Tesla. Um electrão (q e =.6 0 9 C entra nesta regão com velocdade v = e x + 3 e
Leia mais