LPC, PARCOR, dan LSP/LSF

Raw speech bisa direpresentasikan sebagai suatu linear time-varying signal. Jika linear time-varying filter ini adalah suatu all pole LPC model, maka impulse respon filter tersebut H(z) untuk jumlah pole sebanyak p, adalah:

H(z) = G / (1 + sigma dari j=1 sampai p, aj z^(-j))

dimana G adalah gain factor dan aj adalah linear predictive coefficients (LPC)

Already forgotten about Fourier, Laplace, Z-transform? This pdf might help you 🙂

Lebih detail tentang cara menghitung LPC analysis (terutama PARCOR), ada di catatan dalam bentuk pdf berikut (SpeechProcessing)

Beberapa teknik analisis untuk mendapatkan LPC (Linear predictive coefficients):
– autocorrelation (Levinson Durbin)
– covariance
– lattice
– quantization Continue reading “LPC, PARCOR, dan LSP/LSF”

Applied Statistic

Pertama kali dapet statistik yang “neko2”, saya pikir “buat apa sih?”
Apalagi contohnya kartu dan dadu.. hehehe.. kan kepikirannya: saya ga ada rencana judi kok, atau ngitung peluang cuaca, misalnya.

Ternyata ngerjain speech dan banyak tipe data-processing lainnya (misal image processing untuk robot) butuh banget statistik jenis advanced begini. Kualitas suatu sistem dapat diperbaiki jika kita belajar dari data2 yang sudah kita peroleh sebelumnya.

Akhirnya hari ini iseng2 bikin pdf untuk applied statistic, lumayan buat pegangan klo lupa lagi..
Disusun dengan gaya bahasa yang bisa dimengerti diri sendiri..

Meliputi random variable, bayes, covariance, correlation, cross correlation, dsb.

monggo diklik di AppliedStatistics

Berapa jumlah hidden layer dan neuron yang dibutuhkan?

Based on [1]

Rule of thumb (ancer2) menurut beberapa buku dan artikel (tapi dianggap nonsense)

1. Ukuran hidden layer adalah di antara ukuran input layer dan output layer [Blum, 1992, p.60]
2. Jumlah hidden nodes = (number of input+output) *(2/3) [FAQ dari perusahaan software komersial ANN]
3. kurang dari dua kali di input layer [Swingler, 1996, p.53], [Berry and Linoff, 1997, p.323]
4. Jumalh hidden nodes = dimensi principal components yg dibutuhkan untuk menangkan 70-9-% variance dari input data set [Boger and Guterman, 1887]

Tapi kesemuanya tidak memperhitungkan jumlah training data, jumlah noise target, dan kompleksitas fungsi.

Rule of thumb yg lain: Continue reading “Berapa jumlah hidden layer dan neuron yang dibutuhkan?”

Instant scripts

Need to do redundant tasks? Let the shell/batch scripts do that for you!

BATCH SCRIPTS (.BAT), SHELL SCRIPTS (.SH), MATLAB SCRIPTS (.M), PERL SCRIPTS (.PL)

later: R SCRIPTS (.R)

click here

Regex (Matlab) : klik di sini

Perl (including regex): klik di sini

Matlab (generally, e.g., I/O, plot) klik di sini

[will be updated]

 

Link untuk “bantuan”, terutama untuk belajar bahasa baru (newbie)

– semua bahasa
http://rosettacode.org/wiki/Rosetta_Code

– matlab
http://www.mathworks.com/help/matlab/index.html
http://wiki.stdout.org/matlabcookbook/
http://www.phon.ucl.ac.uk/courses/spsci/matlab/

– perl
http://www.cs.tut.fi/~jkorpela/perl/regexp.html
http://perl101.org/regexes.html
http://wso.williams.edu/wiki/images/d/d7/Perl-crash-course.pdf
http://gravity.tbates.org/reg-101.html
http://docs.activestate.com/activeperl/5.10/lib/pods/perlrequick.html

i’m back!!!

hahahaha.. ternyata sudah persis dua tahun yg lalu saya terakhir menulis di sini.. 
i think i need to locate my random thinking into something more structural and useful..

i need to “reframe my tasks” (just got this words last night, haha!)

or my friend said: “Often we have to redefine  our goals and reevaluate our expectation.”
you are so damn right buddy. lets re-frame it and start to work!