Avkodning ASR prestanda
|
|
- Kjell Lindgren
- för 7 år sedan
- Visningar:
Transkript
1 Avkodning ASR prestanda Talteknologi, VT 2005 Rebecca Jonson Dagens Litteratur p Jurafsky & Martin. 3.5, 5.9, s. 271, 7.3, p Blomberg, M & Elenius, K. Automatisk igenkänning nning av tal. s p Steve Young,(1996). Large Vocabulary Continuous Speech Recognition: a review, kap 6,7,8,9 Översikt ASR En ordsekvens Ord antas och språkmodellen beräknar dess sannolikhet P(Ord). Varje ord konverteras i en sekvens av foner m h a ett uttalslexikon. För varje fon finns det en HMM. Den sekvens av HMMs som behövs för att representera ordsekvensen sätts ihop till en modell och sannolikheten att den modellen har genererat den observerade akustiska vektorsekvensen Akustik beräknas P(Akustik Ord). Vi kan därefter beräkna P(Ord Akustik). Avkodning Avkodningen är ett sökproblem för att hitta den bästa sekvensen av ord. Det finns två vanliga avkodningsmetoder för att hitta den mest sannolika ordssekvensen givet den akustiska informationen p Viterbisökning: Typ av dynamisk programmering Breadth-First p A* decoding /Stack decoding Depth -First Viterbiavkodning i ASR p Typ av dynamisk programmering (kan beskrivas i matrisform precis som minimum edit distance) p Beräknar P(Ord Akustik) med hjälp av HMMmodellerna P(Akustik Ord) och Språkmodellerna P(Ord). Dvs P(Akustik Ord) x P(Ord) p Viterbihittar den tillståndsekvens som ger bästa sannolikheten och som accepterar observationssekvensen (akustiska vektorer) p Output från Viterbiär den bästa strängen, d v s den mesta sannolika ordsekvensen En tillståndssekvens utav HMM:er + sannolikhetsvärde p Input är en sekvens med observationer, en HMMmodell och språkmodellen
2 Viterbiavkodning forts. p Kan ses som ett trädnätverk där start har grenar till alla ord och varje ord har grenar till alla ord som sedan ersätts av motsv. HMM-modelleroch vägens sannolikhet beräknas av de olika sannolikheterna (breadth-first) p Kan också ses som en sannolikhetsmatris där varje cell håller max av tidigare vägar och där y- axeln motsvarar tillstånden och x-axeln tid. p P(Akustik Ord)-sannolikheten är produkten av observationssannolikheterna och övergångssannolikheterna för en sträng i en HMM-modell. P(Ord ) fås från LM. Viterbi-Algorithm - Overview (cf. Jurafsky Ch.5) The Viterbi Algorithm finds an optimal sequence of states in continuous Speech Recognition, given an observation sequence of phones and a probabilistic (weighted) FA (state graph). The algorithm returns the path through the automaton which has maximum probability and accepts the observation sequence. a[s,s'] is the transition probability (in the phonetic word model) from current state s to next state s', and b[s',o t ] is the observation likelihood of s' given o t. b[s',o t ] is 1 if the observation symbol matches the state, and 0 otherwise. (A simplification of the observation likelihood!) Viterbi-Algorithm (Fig 5.19) function VITERBI (observations of len T, state-graph) returns best-path num-states NUM-OF-STATES (state-graph) Create a path probability matrix viterbi[num-states+2,t+2] viterbi[0,0] 1.0 word model for each time step tfrom 0 to T do for each state s from 0 to num-statesdo for each transition s' from s in state-graph new-score viterbi[s,t] * a[s,s'] * b[s',(o t )] if ((viterbi[s',t+1] = 0) (new-score > viterbi[s',t+1])) then viterbi[s',t+1] new-score back-pointer[s',t+1] s Backtrace from highest probability state in the final column of viterbi[] and return path observation (speech recognizer)
3 Viterbi-Algorithm Explanation (cf. Jurafsky Ch.5) The Viterbi Algorithm sets up a probability matrix, with one columnfor each time index t and one rowfor each state in the state graph. Each column has a cell for each state q i in the single combined automaton for the competing words (in the recognition process). The algorithm first creates N+2 state columns. The first columnis an initial pseudo-observation, the secondcorresponds to the first observation-phone, the third to the second observationand so on. The final columnrepresents again a pseudoobservation. In the first column, the probability of the Start-stateis initially set to1.0; the other probabilities are 0. Then we move to the next state. For every state in column 0, we compute the probability of moving into each state in column 1. The value viterbi [t, j] is computed by taking the maximum over the extensions of all the paths that lead to the cu rrent cell. An extension of a path at state i at time t-1 is computed by multiplying the three factors: the previous path probabilityfrom the previous cell forward[t-1,i] the transition probabilitya i,j from previous state i to current state j the observation likelihood b jt that current state j matches observation symbol t. b jt is 1 if the observation symbol matches the state; 0 otherwise. Beam Searching p Vi vill inte söka igenom alla möjliga vägar. Långsamt! p Vi behåller bara de vägar som verkar ha en god chans att matcha input. p Beräknar inte alla vägar utan behåller bara de bästa vägarna hittills och klipper av (pruning) de som har låg sannolikhet för att öka effektiviteten (beam searching). p Vi bestämmer ett tröskelvärde som de vägar vi ska behålla måste överstiga: beam width N-bästa N-bästa (N-best hypotheses) p Vid sökning efter b ästa ordsekvens nöjer man sig inte alltid med en hypotes utan hittar flera hypoteser med olika sannolikheter. p ASR-systemet (Viterbiavkodningen) levererar en lista med dessa hypoteser (N-bästa lista) där den översta meningen är den som ASR-systemet klassar som bäst (mest sannolik). p ASR-systemets val är inte alltid det bästa valet. Genom att få flera hypoteser kan man använda mer lingvistisk kunskap för att v älja ut den bästa meningen (t ex med Parsning, Kontext, Domängrammatik) p I SIRIDUS-projektet: 12% av ggr var den korrekta meningen med i N-best listan men inte top-choice.
4 N-best I Nuance p I Nuance kan n-best fås genom att skicka med parametrar till taligenkänningen rec.numnbest=nr (t ex 10) rec.donbest=true N-bästa Exempel: de 10 b ästa hypoteserna från Waxholmssystemet (KTH) när användaren sa den fetstilta meningen. NrAkustisk poäng Igenkänd Mening 1-716,914 hur åka till svartlöga 2-717,444 du åka till svartlöga 3-718,289 ju åka till svartlöga 4-719,614 hur åker man till svartlöga 5-719,730 hur åka av hamn till svartlöga 6-720,260 du åka av hamn till svartlöga 7-720,365 ut åka till svartlöga 8-720,554 hur båtarna till svartlöga 9-720,630 hur åker hamn till svartlöga ,699 nu åka till svartlöga Konfidensmätning (confidence scores) p Många taligenkänningssystem levererar förutom en hypotes om vad som sagts även ett poäng I konfidens över den hypotesen dvs hur säkert systemet är på det resultat den uppnått på en skala p I Nuance: rec.confidencerejectionthreshold= N N är default 50 ju lägre desto mer släpps igenom trots låg konfidens ASR- prestanda Beror på: p Igenkänningsuppgift (isolerade ord, kontinuerligt tal, keywordspotting) p Talarberoende/talaroberoende (SD/SI) Non-native speakers, children p Lexikon (vokabulär) storlek ord svårare än 10 Obs! Bokstäver (E vs B, C, D, G, P, T, V, W) p Språkmodell p Inspelningsmiljö (mikrofoner, omgivning, bandbredd) p Typ av talare p Talarstil (Uppläst tal, spontant tal) Mäts med: p Word accuracy p Perplexity (tillämpningens svårighet) Bra och dåliga talare Beror på: p Talhastigheten p Röstkarakteristika p Användarvana p Talstil (hyperartikulerar, slarvar) Exempel distribution smsdiktering: Medel: 49.0% Bästa : 70-90% Sämsta : 14-30% Ett ASR systems svårighet (1-10) Speaker Dependent Multi- Speaker Speaker Independen t Isolated Words Small Voc / Large Voc Continuous Speech SmallVoc/ LargeVoc
5 Kontinuerligt tal vs isolerat Ordnoggrannhet (Word accuracy) p Talare uttalar tydligare i isolerat tal och slarvigare i kontinuerligt p Talhastigheten varierar mer i kontinuerligt p Problemet med Ordgränser uppkommer i kontinuerligt tal p Mer variation i betoning och intonation i kontinuerligt tal p Mer koartikulation mellan och inom ord p Mer tvekningar, repetitioner p Kräver mer av tekniken (CPU/RAM) ON= ordnoggrannhet N= antal yttrade ord under mätningen F= antal förväxlingar (substitutions) B= antal bortfall (deletions) I = antal instoppade ord (insertions) ON=100 * (N F B I) N Exempel: SENTENCE RECOGNITION PERFORMANCE: sentences 668 correct 21.0% (140) with error(s) 79.0% (528) with substitution(s) 74.1% (495) with insertion(s) 10.2% ( 68) with deletion(s) 56.1% (375) WORD RECOGNITION PERFORMANCE: Correct = 50.7% ( 2387) Substitutions = 31.8% ( 1495) Deletions = 17.5% ( 823) Insertions = 1.7% ( 82) Errors = 51.0% ( 2400) Ref. words = 4705 Hyp. words = 3964 Aligned words = 4787 Splits = 0 Split candidates = 81 Merges = 0 Merge candidates = 591 WORD ACCURACY = 50.7% ( 2387) 49.0% Ordfel (Word error rate, WER) p I stället för ordnoggrannhet redovisar man ofta ordfel(of) i procent (WER) p OF= 100 ON p OF= 100*(F+B+I)/N p WER i dagens system Diktering 2-10% Speaker Independent Continuous ASR words voc 15% (with trigram) Ordfel med Dynamisk Programmering p Vi kan räkna ut hur många fel (insertions, deletions,substitution) som har begåtts med minimum edit distance p Vi tar den korrekta transkription och taligenkänningshypotes och beräknar distansen mellan dessa. p Distansen är lika med antal fel. På sätt kan vi sedan beräkna antalet ordfel. p Ex: ja uh vill åka till Farsta jag vill resa till Märsta Ordfel= 100*ANTALFEL/ANTALORD Exempel REF: YA ME DIRAS EL resultado de la revision HYP: ** LLAME TIRARTE ** resultado de la revision SENTENCE 2 Correct = 50.0% 4 ( 6) Errors = 50.0% 4 ( 5) MC YA ME ==> LLAME MC DIRAS EL ==> TIRARTE
6 Nackdelar med ordfelsutvärdering Tar ej hänsyn till fonetisk likhet mellan ord: i kvällikväll, jag-ja lika fel som bil-restaurang Tar inte heller hänsyn till om informationen är densamma: klockan tolv och tio klockan tolv tio Concept accuracy: beräknar istället hur bra ett taligenkänningssystem och ett talförståelsesystem är tillsammans. Jämför i stället om den semantiska tolkningen blir densamma Ordfelsutvärdering med Nuance Input är en ett taligenkänningspaket, en textfil med sökväg till ljudfiler samt en transkriptionsfil med transkriptioner av dessa ljudfiler. p batchrec package PAKET testset TESTFILER transcriptions TRANSKRIPTIONER p Vi kan skicka samma parametrar till batchrec som till taligenkänningen (N-best, confidence scores etc.) p Som output får vi word error rate (WER) för varje igenkänningsresultat för varje ljudfil mot dess transkription samt ett totalvärde för WER för alla ljudfilerna. p För att få ett representabelt värde bör ett större antal yttranden testas med flera olika personer (Nuance rekommenderar 500 yttranden av 20 pers) Lab 3: Nuancegrammatik p Skriva en NuanceGrammatik för någon av följande domäner (max två grupper per domän): Talande Video Talande MP3-spelare Talande filofax Steg i labben! 1. Fundera ut/samla in användaryttranden I domänen. Vad som skulle man vilja säga till Videon,MP3 och Filofax. Hur tror ni användare skulle formulera sig? Försök fånga varianter av formuleringar för samma koncept. 2. Fånga dessa I en NuanceGrammatik. 3. Kompilera grammatiken och testa. (med tal, med parsetool, genom att generera del av grammatiken) 4. Byt taligenkänningspaket med en annan grupp (annan domän) och utvärdera varandras paket. 1. Spela in 15 domänyttranden per gruppmedlem med transkription 2. Kör batchrec med paketet 5. Skriv en kort rapport om hur ni har gått tillväga. Vad ni tycker ni har lyckats fånga, vad som saknas I er grammatik. Redogör för utvärderingen av den andra gruppens taligenkänningspaket. Verkar deras grammatik täcka större delen av domänen?
NUANCE TUTORIAL TALTEKNOLOGI KURSEN VT2006. Labkonstruktör: Rebecca Jonson Labhandledare: Håkan Burden
NUANCE TUTORIAL TALTEKNOLOGI KURSEN VT2006 Labkonstruktör: Rebecca Jonson Labhandledare: Håkan Burden Laboration 3 börjar med en Nuance-tutorial som först och främst går ut på att lära sig lite hur Nuance
Läs merNUANCE TUTORIAL TALTEKNOLOGI KURSEN VT2006. Labkonstruktör: Rebecca Jonson Labhandledare: Håkan Burden
NUANCE TUTORIAL TALTEKNOLOGI KURSEN VT2006 Labkonstruktör: Rebecca Jonson Labhandledare: Håkan Burden Laboration 3 börjar med en Nuance-tutorial som först och främst går ut på att lära sig lite hur Nuance
Läs merArtificiell intelligens II, 729g11 Projekt HT-11. Taligenkänning. Nina Knez
Taligenkänning 1 Sammanfattning Taligenkänning är i dagens samhälle en nödvändig teknik för många människor för att lättare ta sig fram genom vardagen. Man hittar tekniken i olika sammanhang som telefonupplysning,
Läs merDagens lektion. Dagens Litteratur. WER: Human vs machines. Taligenkänning mskiner/mskor. Mänsklig igenkänning Talteknologi och DialogSystem
Dagens lektion Mänsklig igenkänning Talteknologi och DialogSystem Talteknologi, VT 2006 Rebecca Jonson Mänsklig taligenkännning Talteknologi och Dialogsystem Demos! Kurssammandrag Labgenomgång Frågestund
Läs merDoctoral Course in Speech Recognition
Doctoral Course in Speech Recognition September - November 2003 Part 3 Kjell Elenius Nov 28 2003 Speech recognition course 1 CHAPTER 12 BASIC SEARCH ALGORITHMS Nov 28 2003 Speech recognition course 2 1
Läs merLitteratur ASR. Taligenkänning Introduktion till taligenkänning. Upplägg taligenkänningsdelen. Dagens litteratur. Varför taligenkänning?
Litteratur ASR Taligenkänning Introduktion till taligenkänning Talteknologi, VT 2006 Rebecca Jonson Jurafsky & Martin. Kap 5,6,7 + delar fr. andra kapitel (t ex kap 19) Blomberg, M & Elenius, K. Automatisk
Läs merKurskod: TAMS28 MATEMATISK STATISTIK Provkod: TEN1 05 June 2017, 14:00-18:00. English Version
Kurskod: TAMS28 MATEMATISK STATISTIK Provkod: TEN1 5 June 217, 14:-18: Examiner: Zhenxia Liu (Tel: 7 89528). Please answer in ENGLISH if you can. a. You are allowed to use a calculator, the formula and
Läs merKurskod: TAMS11 Provkod: TENB 28 August 2014, 08:00-12:00. English Version
Kurskod: TAMS11 Provkod: TENB 28 August 2014, 08:00-12:00 Examinator/Examiner: Xiangfeng Yang (Tel: 070 2234765) a. You are permitted to bring: a calculator; formel -och tabellsamling i matematisk statistik
Läs merGraphs (chapter 14) 1
Graphs (chapter ) Terminologi En graf är en datastruktur som består av en mängd noder (vertices) och en mängd bågar (edges) en båge är ett par (a, b) av två noder en båge kan vara cyklisk peka på sig själv
Läs merTaligenkänning. Sanna Aronsson sanar429 Artificiell Intelligens, HKGBB0
Taligenkänning, HKGBB0 Abstract Ett taligenkänningssystem är att ett system som har som uppgift att identifiera enstaka ord eller hela sekvenser av ord. Detta gör den genom att jämföra denna ordsekvens
Läs merAI-rapport Speech recognition
AI-rapport Speech recognition The process of analyzing an acoustic speech signal to identify the linguistic message that was intended, so that a machine can correctly respond to spoken commands. Anntu228
Läs merKurskod: TAIU06 MATEMATISK STATISTIK Provkod: TENA 17 August 2015, 8:00-12:00. English Version
Kurskod: TAIU06 MATEMATISK STATISTIK Provkod: TENA 17 August 2015, 8:00-12:00 Examiner: Xiangfeng Yang (Tel: 070 2234765). Please answer in ENGLISH if you can. a. Allowed to use: a calculator, Formelsamling
Läs mer12.6 Heat equation, Wave equation
12.6 Heat equation, 12.2-3 Wave equation Eugenia Malinnikova, NTNU September 26, 2017 1 Heat equation in higher dimensions The heat equation in higher dimensions (two or three) is u t ( = c 2 2 ) u x 2
Läs merAutomatisk taligenkänning som hjälpmedel för att bedöma muntliga språkfärdigheter
Automatisk taligenkänning som hjälpmedel för att bedöma muntliga språkfärdigheter Mikko Kurimo Institutionen för signalbehandling och akustik Aalto-universitetet Innehåll 1. Hur automatisk taligenkänning
Läs merChapter 2: Random Variables
Chapter 2: Random Variables Experiment: Procedure + Observations Observation is an outcome Assign a number to each outcome: Random variable 1 Three ways to get an rv: Random Variables The rv is the observation
Läs merTentamen del 2 SF1511, , kl , Numeriska metoder och grundläggande programmering
KTH Matematik Tentamen del 2 SF1511, 2018-03-16, kl 8.00-11.00, Numeriska metoder och grundläggande programmering Del 2, Max 50p + bonuspoäng (max 4p). Rättas ast om del 1 är godkänd. Betygsgränser inkl
Läs merNiklas Lindvall Artificiell intelligens II Ht
Taligenkänning Hidden Markov Model Niklas Lindvall nikli368@student.liu.se Artificiell intelligens II Ht 2011 2011-09-19 0 Innehåll Inledning... 2 Taligenkänning språk... 3 Taligenkänning... 4 Oberoende/Beroende...
Läs merTaligenkänning med fördjupning på Hidden Markov Models
IDA, Linköpings Universitet Artificiell Intelligens II, 729G11 HT 2008 Taligenkänning med fördjupning på Hidden Markov Models 870524-0045 jearu017@student.liu.se Sammanfattning Taligenkänning är en teknik
Läs mer1. Compute the following matrix: (2 p) 2. Compute the determinant of the following matrix: (2 p)
UMEÅ UNIVERSITY Department of Mathematics and Mathematical Statistics Pre-exam in mathematics Linear algebra 2012-02-07 1. Compute the following matrix: (2 p 3 1 2 3 2 2 7 ( 4 3 5 2 2. Compute the determinant
Läs merHidden Markov Model. Definition: V, X,{T k },π. hidden Markov model. X is an output alphabet. V is a finite set of states
Hidden Markov Model Definition: hidden Markov model V, X,{T k },π X is an output alphabet V is a finite set of states {T k }={T k k X} are transition matrices T k is an V V matrix, T k j [,], j,k Tk j
Läs merQuicksort. Koffman & Wolfgang kapitel 8, avsnitt 9
Quicksort Koffman & Wolfgang kapitel 8, avsnitt 9 1 Quicksort Quicksort väljer ett spcifikt värde (kallat pivot), och delar upp resten av fältet i två delar: alla element som är pivot läggs i vänstra delen
Läs merDP - Dynamisk programmering. Exempel på DP - textjämförelse. För- och nackdelar med ordmönsterigenkänning. Dolda Markovmodeller
GSLT Tal- och talarigenkänning M Blomberg 2002-9-9 [ 31 ] DP - Dynamisk programmering snabb, optimal kombinering av delbeslut $QDORJL Sök bästa väg mellan två adresser i en stad. Ett mycket stort antal
Läs merLUNDS TEKNISKA HÖGSKOLA Institutionen för Elektro- och Informationsteknik
LUNDS TEKNISKA HÖGSKOLA Institutionen för Elektro- och Informationsteknik SIGNALBEHANDLING I MULTIMEDIA, EITA50, LP4, 209 Inlämningsuppgift av 2, Assignment out of 2 Inlämningstid: Lämnas in senast kl
Läs merSolutions to exam in SF1811 Optimization, June 3, 2014
Solutions to exam in SF1811 Optimization, June 3, 14 1.(a) The considered problem may be modelled as a minimum-cost network flow problem with six nodes F1, F, K1, K, K3, K4, here called 1,,3,4,5,6, and
Läs merGrafisk produktion och tryckkvalitet TNM015
Grafisk produktion och tryckkvalitet TNM015 Laboration: Processautomation och kvalitetssäkring vt 2005 Claes Buckwalter clabu@itn.liu.se 1 Introduktion Den här laborationen handlar om processautomation
Läs merTDDD02 Språkteknologi för informationssökning (2016) Ordpredicering. Marco Kuhlmann Institutionen för datavetenskap
TDDD02 Språkteknologi för informationssökning (2016) Ordpredicering Marco Kuhlmann Institutionen för datavetenskap Ordpredicering Ordpredicering innebär att föreslå eller välja ord i en given kontext.
Läs merSchenker Privpak AB Telefon VAT Nr. SE Schenker ABs ansvarsbestämmelser, identiska med Box 905 Faxnr Säte: Borås
Schenker Privpak AB Interface documentation for web service packageservices.asmx 2012-09-01 Version: 1.0.0 Doc. no.: I04304b Sida 2 av 7 Revision history Datum Version Sign. Kommentar 2012-09-01 1.0.0
Läs merTentamen i Matematik 2: M0030M.
Tentamen i Matematik 2: M0030M. Datum: 203-0-5 Skrivtid: 09:00 4:00 Antal uppgifter: 2 ( 30 poäng ). Examinator: Norbert Euler Tel: 0920-492878 Tillåtna hjälpmedel: Inga Betygsgränser: 4p 9p = 3; 20p 24p
Läs merKurskod: TAIU06 MATEMATISK STATISTIK Provkod: TENA 31 May 2016, 8:00-12:00. English Version
Kurskod: TAIU06 MATEMATISK STATISTIK Provkod: TENA 31 May 2016, 8:00-12:00 Examiner: Xiangfeng Yang (Tel: 070 0896661). Please answer in ENGLISH if you can. a. Allowed to use: a calculator, Formelsamling
Läs merKurskod: TAMS11 Provkod: TENB 07 April 2015, 14:00-18:00. English Version
Kurskod: TAMS11 Provkod: TENB 07 April 2015, 14:00-18:00 Examiner: Xiangfeng Yang (Tel: 070 2234765). Please answer in ENGLISH if you can. a. You are allowed to use: a calculator; formel -och tabellsamling
Läs merKungl. Tekniska högskolan NADA Grundformer med Stava
Kungl. Tekniska högskolan NADA Grundformer med Stava Språkteknologi 2D1418 Höstterminen 2004 Författare: Andreas Pettersson az@kth.se 1. Bakgrund Om man automatiskt ska plocka ut de informationsbärande
Läs merThis exam consists of four problems. The maximum sum of points is 20. The marks 3, 4 and 5 require a minimum
Examiner Linus Carlsson 016-01-07 3 hours In English Exam (TEN) Probability theory and statistical inference MAA137 Aids: Collection of Formulas, Concepts and Tables Pocket calculator This exam consists
Läs merKurskod: TAIU06 MATEMATISK STATISTIK Provkod: TENA 15 August 2016, 8:00-12:00. English Version
Kurskod: TAIU06 MATEMATISK STATISTIK Provkod: TENA 15 August 2016, 8:00-12:00 Examiner: Xiangfeng Yang (Tel: 070 0896661). Please answer in ENGLISH if you can. a. Allowed to use: a calculator, Formelsamling
Läs mer2. Lära sig beskriva en variabel numeriskt med "proc univariate" 4. Lära sig rita diagram med avseende på en annan variabel
Datorövning 1 Statistikens Grunder 2 Syfte 1. Lära sig göra betingade frekvenstabeller 2. Lära sig beskriva en variabel numeriskt med "proc univariate" 3. Lära sig rita histogram 4. Lära sig rita diagram
Läs merGrafer, traversering. Koffman & Wolfgang kapitel 10, avsnitt 4
Grafer, traversering Koffman & Wolfgang kapitel 1, avsnitt 4 1 Traversering av grafer De flesta grafalgoritmer innebär att besöka varje nod i någon systematisk ordning precis som med träd så finns det
Läs merSupport Manual HoistLocatel Electronic Locks
Support Manual HoistLocatel Electronic Locks 1. S70, Create a Terminating Card for Cards Terminating Card 2. Select the card you want to block, look among Card No. Then click on the single arrow pointing
Läs mer7.5 Experiment with a single factor having more than two levels
7.5 Experiment with a single factor having more than two levels Exempel: Antag att vi vill jämföra dragstyrkan i en syntetisk fiber som blandats ut med bomull. Man vet att inblandningen påverkar dragstyrkan
Läs merBetrakta kopparutbytet från malm från en viss gruva. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten i dessa.
Betrakta kopparutbytet från malm från en viss gruva. Anta att budgeten för utbytet är beräknad på att kopparhalten ligger på 70 %. För att kontrollera detta tar man ut n =16 prover och mäter kopparhalten
Läs merFöreläsning 10. Grafer, Dijkstra och Prim
Föreläsning 10 Grafer, Dijkstra och Prim Föreläsning 10 Grafer Representation av grafer Dijkstras algoritm Implementation av Dijkstras algoritm Minimium spanning tree Läsanvisning och uppgifter Broarna
Läs merFöreläsning 10. Grafer, Dijkstra och Prim
Föreläsning 10 Grafer, Dijkstra och Prim Föreläsning 10 Grafer Representation av grafer Dijkstras algoritm Implementation av Dijkstras algoritm Minimium spanning tree Läsanvisning och uppgifter Broarna
Läs merStatistikens grunder 1 och 2, GN, 15 hp, deltid, kvällskurs
Statistikens grunder och 2, GN, hp, deltid, kvällskurs TE/RC Datorövning 3 Syfte:. Lära sig göra betingade frekvenstabeller 2. Lära sig beskriva en variabel numeriskt med proc univariate 3. Lära sig rita
Läs merS 1 11, S 2 9 and S 1 + 2S 2 32 E S 1 11, S 2 9 and 33 S 1 + 2S 2 41 D S 1 11, S 2 9 and 42 S 1 + 2S 2 51 C 52 S 1 + 2S 2 60 B 61 S 1 + 2S 2 A
MÄLARDALEN UNIVERSITY School of Education, Culture and Communication Department of Applied Mathematics Examiner: Lars-Göran Larsson EXAMINATION IN MATHEMATICS MAA151 Single Variable Calculus, TEN1 Date:
Läs merStyrteknik: Binära tal, talsystem och koder D3:1
Styrteknik: Binära tal, talsystem och koder D3:1 Digitala kursmoment D1 Boolesk algebra D2 Grundläggande logiska funktioner D3 Binära tal, talsystem och koder Styrteknik :Binära tal, talsystem och koder
Läs merWebbregistrering pa kurs och termin
Webbregistrering pa kurs och termin 1. Du loggar in på www.kth.se via den personliga menyn Under fliken Kurser och under fliken Program finns på höger sida en länk till Studieöversiktssidan. På den sidan
Läs merSyntaktisk parsning (Jurafsky & Martin kapitel 13)
Syntaktisk parsning (Jurafsky & Martin kapitel 13) Mats Wirén Institutionen för lingvistik Stockholms universitet mats.wiren@ling.su.se DH2418 Språkteknologi DA3010 Språkteknologi för datorlingvister Föreläsning
Läs merDatasäkerhet och integritet
Chapter 4 module A Networking Concepts OSI-modellen TCP/IP This module is a refresher on networking concepts, which are important in information security A Simple Home Network 2 Unshielded Twisted Pair
Läs mer1. Varje bevissteg ska motiveras formellt (informella bevis ger 0 poang)
Tentamen i Programmeringsteori Institutionen for datorteknik Uppsala universitet 1996{08{14 Larare: Parosh A. A., M. Kindahl Plats: Polacksbacken Skrivtid: 9 15 Hjalpmedel: Inga Anvisningar: 1. Varje bevissteg
Läs merFöreläsning 7 Datastrukturer (DAT037)
Föreläsning 7 Datastrukturer (DAT037) Fredrik Lindblad 1 2016-11-21 1 Slides skapade av Nils Anders Danielsson har använts som utgångspunkt. Se http://www.cse.chalmers.se/edu/year/2015/course/dat037 Förra
Läs merGrundläggande datalogi - Övning 3
Grundläggande datalogi - Övning 3 Björn Terelius November 14, 2008 Utskrift av stackar Tornen i Hanoi Principerna för rekursion: Hitta ett enkelt basfall (som har en känd lösning). Reducera varje annat
Läs merand u = och x + y z 2w = 3 (a) Finn alla lösningar till ekvationssystemet
Kursen bedöms med betyg,, 5 eller underkänd, där 5 är högsta betyg. För godkänt betyg krävs minst poäng från uppgifterna -7. Var och en av dessa sju uppgifter kan ge maximalt poäng. För var och en av uppgifterna
Läs merModule 1: Functions, Limits, Continuity
Department of mathematics SF1625 Calculus 1 Year 2015/2016 Module 1: Functions, Limits, Continuity This module includes Chapter P and 1 from Calculus by Adams and Essex and is taught in three lectures,
Läs merFöreläsning 10. Grafer, Dijkstra och Prim
Föreläsning 10 Grafer, Dijkstra och Prim Föreläsning 10 Grafer Representation av grafer Dijkstras algoritm Implementation av Dijkstras algoritm Minimium spanning tree Broarna i Königsberg, Euler, 17 Grafer
Läs merDiscovering!!!!! Swedish ÅÄÖ. EPISODE 6 Norrlänningar and numbers 12-24. Misi.se 2011 1
Discovering!!!!! ÅÄÖ EPISODE 6 Norrlänningar and numbers 12-24 Misi.se 2011 1 Dialogue SJs X2000* från Stockholm är försenat. Beräknad ankoms?d är nu 16:00. Försenat! Igen? Vad är klockan? Jag vet inte.
Läs mer4 grundregler. Minneshantering. Problemet. Windows minkrav
4 grundregler 1. Man kan aldrig få för mycket minne 2. Minnet kan aldrig bli för snabbt Minneshantering 3. Minne kan aldrig bli för billigt 4. Programmens storlek ökar fortare än minnet i datorerna (känns
Läs merNätverksteknik A - Introduktion till Routing
Föreläsning 10 - Dynamisk Routing Nätverksteknik A - Introduktion till Routing Lennart Franked Information och Kommunikationssystem (IKS) Mittuniversitetet 2014-12-19 Lennart Franked (MIUN IKS) Nätverksteknik
Läs merf(x) =, x 1 by utilizing the guidance given by asymptotes and stationary points. cos(x) sin 3 (x) e sin2 (x) dx,
MÄLARDALEN UNIVERSITY School of Education, Culture and Communication Department of Applied Mathematics Examiner: Lars-Göran Larsson EXAMINATION IN MATHEMATICS MAA151 Single Variable Calculus, TEN2 Date:
Läs merTentamen MMG610 Diskret Matematik, GU
Tentamen MMG610 Diskret Matematik, GU 2017-01-04 kl. 08.30 12.30 Examinator: Peter Hegarty, Matematiska vetenskaper, Chalmers/GU Telefonvakt: Peter Hegarty, telefon: 0766 377 873 Hjälpmedel: Inga hjälpmedel,
Läs merDatastrukturer. föreläsning 8. Lecture 6 1
atastrukturer föreläsning 8 Lecture 6 1 jupet-först sökning (S) och bredden-först sökning (S) Två metoder att genomsöka en graf; två grafiteratorer! Kan även användas för att avgöra om två noder är sammanbundna.
Läs merGU / Chalmers Campus Lindholmen Tentamen Programutveckling LEU 482 / TIG167
GU / Chalmers Campus Lindholmen Tentamen Programutveckling 2016-01-13 LEU 482 / TIG167 Examinator: Henrik Sandklef (0700-909363) Tid för tentamen: 2016-01-13, 08.30 12.30 Ansvarig lärare: Henrik Sandklef,
Läs merPROGRAMFÖRKLARING I. Statistik för modellval och prediktion. Ett exempel: vågriktning och våghöjd
Statistik för modellval och prediktion att beskriva, förklara och förutsäga Georg Lindgren PROGRAMFÖRKLARING I Matematisk statistik, Lunds universitet stik för modellval och prediktion p.1/4 Statistik
Läs merMid-Semester Evals. CS 188: Artificial Intelligence Spring Outline. Contest. Conditional Independence. Recap: Reasoning Over Time
CS 88: Artificial Intelligence Spring 2 Lecture 2: HMMs and Particle Filtering 4/5/2 Pieter Abbeel --- UC Berkeley Many slides over this course adapted from Dan Klein, Stuart Russell, Andrew Moore Mid-Semester
Läs merTentamen PC-teknik 5 p
Tentamen PC-teknik 5 p Namn:. Klass:... Program: Di2, Em3, Et3 Datum: 03-08-15 Tid: 13:30-18:30 Lokal: E171 Hjälpmedel: Linjal, miniräknare, Instruktionsrepertoar för 8086 (utdelas), Lathund, Pacific C
Läs merTDDD02 Språkteknologi för informationssökning / Ordpredicering. Marco Kuhlmann Institutionen för datavetenskap
TDDD02 Språkteknologi för informationssökning / 2015 Ordpredicering Marco Kuhlmann Institutionen för datavetenskap Ordpredicering Ordpredicering innebär att föreslå eller välja ord i en given kontext.
Läs merPragmatik. Olika nivåer. Tumregler. Grice s samarbetsprinciper. Pragmatik och diskurs
Pragmatik och diskurs Hercules Dalianis NADA-KTH Email: hercules@nada.kth.se Tel: 08-790 91 05 http://www.nada.kth.se/~hercules Pragmatik Studerar vilken mening yttranden har i situationer (Leech, 1983)
Läs merÖverblick. Dialogsystem. En dialogsystemsarkitektur. Dialogsystemsarkitektur. Talförståelse. Dialoghantering
Överblick Dialogsystem Del I Dialogsystemsarkitektur Människa-maskin-dialog jämfört med människa-människa-dialog Dialog-initiativ, barge-in, verifiering Dialogspecifikation Några svenska röststyrda tjänster
Läs merCS - Computer science. Datateknik Informationsbehandling Datalogi Datavetenskap (ÅA 2008)
CS - Computer science Datateknik Informationsbehandling Datalogi Datavetenskap (ÅA 2008) Vad datateknik INTE är: Att studera datorer Att studera hur man skriver datorprogram Att studera hur man använder
Läs mer7.1 Hypotesprövning. Nollhypotes: H 0 : µ = 3.9, Alternativ hypotes: H 1 : µ < 3.9.
Betrakta motstånden märkta 3.9 kohm med tolerans 1%. Anta att vi innan mätningarna gjordes misstänkte att motståndens förväntade värde µ är mindre än det utlovade 3.9 kohm. Med observationernas hjälp vill
Läs merTentamen i Matematik 3: M0031M.
Tentamen i Matematik 3: M0031M. Datum: 2009-10-26 Skrivtid: 09:00 14:00 Antal uppgifter: 6 ( 30 poäng ). Jourhavande lärare: Norbert Euler Telefon: 0920-492878 Tillåtna hjälpmedel: Inga Till alla uppgifterna
Läs merLitteratur ASR. Taligenkänning Introduktion till tal- och talarigenkänning. Vad är taligenkänning? Varför taligenkänning? Användningsområden
Taligenkänning Introduktion till tal- och talarigenkänning Talteknologi, HT 2007 Litteratur ASR Kap 9 påp nätet Jurafsky & Martin. Kap 5,6,7 + delar fr. andra kapitel (t ex kap 19) Blomberg, M & Elenius,
Läs merAlgoritmer och datastrukturer TDA Fredrik Johansson
Algoritmer och datastrukturer TDA143 2015-02- 18 Fredrik Johansson Algoritmer Informell beskrivning E" antal steg som beskriver hur en uppgi5 görs. A set of steps that defines how a task is performed.
Läs merMonteringsanvisning Nödutrymningsbeslag ASSA 179E
Monteringsanvisning Nödutrymningsbeslag ASSA 179E Denna monteringsanvisning avser nödutrymningsbeslag ASSA 179E med artikelnummer 364371 i kombination med låshus Abloy EL580 med artikelnummer EL580100011.
Läs merIsometries of the plane
Isometries of the plane Mikael Forsberg August 23, 2011 Abstract Här följer del av ett dokument om Tesselering som jag skrivit för en annan kurs. Denna del handlar om isometrier och innehåller bevis för
Läs merWebbreg öppen: 26/ /
Webbregistrering pa kurs, period 2 HT 2015. Webbreg öppen: 26/10 2015 5/11 2015 1. Du loggar in på www.kth.se via den personliga menyn Under fliken Kurser och under fliken Program finns på höger sida en
Läs merHörStöd. Taligenkänningsteknik som hjälpmedel för hörselskadade vid telefonsamtal. Mikael Salin. Handledare: Mats Blomberg och Kjell Elenius
HörStöd Taligenkänningsteknik som hjälpmedel för hörselskadade vid telefonsamtal Mikael Salin Handledare: Mats Blomberg och Kjell Elenius Godkänt den... Examinator:... Mats Blomberg Examensarbete i Talteknologi
Läs merSecond handbook of research on mathematics teaching and learning (NCTM)
Second handbook of research on mathematics teaching and learning (NCTM) The effects of classroom mathematics teaching on students learning. (Hiebert & Grouws, 2007) Inledande observationer Undervisningens
Läs merPre-Test 1: M0030M - Linear Algebra.
Pre-Test : M3M - Linear Algebra. Test your knowledge on Linear Algebra for the course M3M by solving the problems in this test. It should not take you longer than 9 minutes. M3M Problem : Betrakta fyra
Läs mer2(x + 1) x f(x) = 3. Find the area of the surface generated by rotating the curve. y = x 3, 0 x 1,
MÄLARDALEN UNIVERSITY School of Education, Culture and Communication Department of Applied Mathematics Examiner: Lars-Göran Larsson EXAMINATION IN MATHEMATICS MAA5 Single Variable Calculus, TEN Date: 06--0
Läs merPreschool Kindergarten
Preschool Kindergarten Objectives CCSS Reading: Foundational Skills RF.K.1.D: Recognize and name all upper- and lowercase letters of the alphabet. RF.K.3.A: Demonstrate basic knowledge of one-toone letter-sound
Läs merDatorövning 5. Statistisk teori med tillämpningar. Lära sig beräkna konfidensintervall och utföra hypotestest för:
Datorövning 5 Statistisk teori med tillämpningar Hypotestest i SAS Syfte Lära sig beräkna konfidensintervall och utföra hypotestest för: 1. Populationsmedelvärdet, µ. 2. Skillnaden mellan två populationsmedelvärden,
Läs merKurskod: TAMS11 Provkod: TENB 12 January 2015, 08:00-12:00. English Version
Kurskod: TAMS Provkod: TENB 2 January 205, 08:00-2:00 Examiner: Xiangfeng Yang (Tel: 070 2234765). Please answer in ENGLISH if you can. a. You are allowed to use: a calculator; formel -och tabellsamling
Läs merProduct configurations Produire configuration Produkt konfigurationen Producto configuraciones Produkt konfigurationerna
Product configurations Produire configuration Produkt konfigurationen Producto configuraciones Produkt konfigurationerna 1 2 3 Ref. 3800 2360, Ver 2005-09 2 1. Keypad K900; includes TOM-Net terminators.
Läs mer8.1 General factorial experiments
Exempel: Vid ett tillfälle ville man på ett laboratorium jämföra fyra olika metoder att bestämma kopparhalten i malmprover. Man är även intresserad av hur laboratoriets tre laboranter genomför sina uppgifter.
Läs merInvesteringsbedömning
Investeringsbedömning 27/2 2013 Martin Abrahamson Doktorand UU Föreläsningen avhandlar Genomgång av Grundläggande begrepp och metoder NPV och jämförbara tekniker Payback Internränta/Internal Rate of Return
Läs merReady for Academic Vocabulary?
Ready for Academic Vocabulary? Forskningsfrågor To what extent do students express that they are prepared for university studies? To what degree can students, at the end of English step 7, recognize vocabulary
Läs merMapping sequence reads & Calling variants
Universitair Medisch Centrum Utrecht Mapping sequence reads & Calling variants Laurent Francioli 2014-10-28 l.francioli@umcutrecht.nl Next Generation Sequencing Data processing pipeline Mapping to reference
Läs mer729G74 IT och programmering, grundkurs. Tema 1, Föreläsning 2 Jody Foo,
729G74 IT och programmering, grundkurs Tema 1, Föreläsning 2 Jody Foo, jody.foo@liu.se Föreläsningsöversikt Kurslogistik Begreppspresentationer Uppgifter i diskret matematik Uppgifter i Python Tema 1:
Läs merTalteknologi introduktion. Hur realistisk var HAL? Dagens situation? Kursupplägg Talteknologikursen. Kurskrav
Talteknologi introduktion Rebecca Jonson Doktorand i Språkteknologi (GSLT, Lingvistik Gbg) AAST-kursen VT 2007 Computers are getting smarter all the time; scientists tell us that soon they will be able
Läs merFöreläsning 3. Programmering, C och programmeringsmiljö
Föreläsning 3 Programmering, C och programmeringsmiljö Vad är programmering? Ett väldigt kraftfullt, effektivt och roligt sätt att kommunicera med en dator Att skapa program / applikationer till en dator
Läs merReguljära uttryck Grammatiker Rekursiv nedåkning Allmänna kontextfria grammatiker. Syntaxanalys. Douglas Wikström KTH Stockholm
Syntaxanalys Douglas Wikström KTH Stockholm popup-help@csc.kth.se Reguljära uttryck Reguljära uttryck förutsätter att en mängd bokstäver är givna, ett så kallat alfabet, som oftast betecknas med Σ. Uttryck
Läs merFöreläsning Datastrukturer (DAT037)
Föreläsning Datastrukturer (DAT037) Nils Anders Danielsson 2015-11-20 Idag Grafer: Terminologi. Datastrukturer. Topologisk sortering. Kortaste vägen. Bredden först-sökning. Dijkstras algoritm. (Vi får
Läs merSvårigheter - stor variabilitet. Översikt - taligenkänning Automatisk igenkänning av tal Del 1. Varför taligenkänning?
Talteknologi 25-2-3 [ ] Översikt - taligenkänning Automatisk igenkänning av tal Del Mats Blomberg Tal, musik och hörsel KTH Inledning Problem Akustiska analysmetoder Igenkänningstekniker mönstermatchning
Läs merSwema 05. Bruksanvisning vers 1.01 MB20130530
Swema 05 Bruksanvisning vers 1.01 MB20130530 SWEMA AB Pepparv. 27 SE-123 56 FARSTA Tel: +46 8 94 00 90 Fax: +46 8 93 44 93 E-mail: swema@swema.se Hemsida: www.swema.se Innehållsförteckning: 1. Introduktion...
Läs merFöreläsning 2. Kap 3,7-3,8 4,1-4,6 5,2 5,3
Föreläsning Kap 3,7-3,8 4,1-4,6 5, 5,3 1 Kap 3,7 och 3,8 Hur bra är modellen som vi har anpassat? Vi bedömer modellen med hjälp av ett antal kriterier: visuell bedömning, om möjligt F-test, signifikanstest
Läs mer- den bredaste guiden om Mallorca på svenska! -
- den bredaste guiden om Mallorca på svenska! - Driver du företag, har en affärsrörelse på Mallorca eller relaterad till Mallorca och vill nå ut till våra läsare? Då har du möjlighet att annonsera på Mallorcaguide.se
Läs merBruksanvisning Konvektorelement 99106
Bruksanvisning Konvektorelement 99106 Endast för isolerade utrymmen eller tillfälliganvändning 1 Läs denna bruksanvisning noga innan användning Spara den för framtida användning. Viktigt! Vissa delar av
Läs merExamples on Analog Transmission
Examples on Analog Transmission Figure 5.25 Types of analog-to-analog modulation Figure 5.26 Amplitude modulation Figure 5.29 Frequency modulation Modulation och demodulation Baudrate = antal symboler
Läs merTentamen Grundläggande programmering
Akademin för Innovation Design och Teknik Tentamen Grundläggande programmering Kurskod: DVA103 Datum 2012-06-11 Tid 14.10 16.30 Examinator: Lars Asplund Maxpoäng: 48 Betygsgränser: Betyg 3: 20 Betyg 4:
Läs merDu skall naturligtvis visa körexempel med output där det behövs i din rapport!
och databprogrammering Christilinda Göstson - PL/SQL, paket och ref cursor Du skall naturligtvis visa körexempel med output där det behövs i din rapport! OBS! Denna labb redovis i labbrapport via mail
Läs merGPS GPS. Classical navigation. A. Einstein. Global Positioning System Started in 1978 Operational in ETI Föreläsning 1
GPS GPS Global Positioning System Started in 1978 Operational in 1993 2011-02-22 ETI 125 - Föreläsning 1 2011-02-22 ETI 125 - Föreläsning 2 A. Einstein Classical navigation 2011-02-22 ETI 125 - Föreläsning
Läs merF ξ (x) = f(y, x)dydx = 1. We say that a random variable ξ has a distribution F (x), if. F (x) =
Problems for the Basic Course in Probability (Fall 00) Discrete Probability. Die A has 4 red and white faces, whereas die B has red and 4 white faces. A fair coin is flipped once. If it lands on heads,
Läs mer