Äänen koodaus automaattisessa puheentunnistuksessa

Koko: px
Aloita esitys sivulta:

Download "Äänen koodaus automaattisessa puheentunnistuksessa"

Transkriptio

1 Äänen koodaus automaattisessa puheentunnistuksessa Roman Kossarev LuK-tutkielma Kuopion yliopisto Tieojenkäsittelytieteen laitos Toukokuu 2003

2 1 Tiivistelmä KUOPION YLIOPISTO, Informaatioteknologian ja kauppatieteiden tiedekunta Tietojenkäsittelytieteen koulutusohjelma Tietojenkäsittelytiede ROMAN KOSSAREV: Äänen koodaus automaattisessa puheentunnistuksessa LuK-tutkielma, 27 s. LuK-tutkielman ohjaaja: assistentti, FM Tarja Lohioja Toukokuu 2003 Avainsanat: puheentunnistus, neuroverkot, SOM Tarkastelun kohteena on puheesta syntyvän ääniaallon koodaus käytetyn kielen foneemeiksi neuroverkkoja, etenkin Kohosen itsejärjestyviä piirrekarttoja (SOM-verkkoja), käyttäen. Foneettinen koodaus on puheentunnistuksen ensimmäisiä vaiheita ja askel kohti puheen automaattista ymmärtämistä. Puheesta on tulossa uusi käyttöliittymä ihmisen ja tietokoneen välille, mutta puheen tunnistus on osoittautunut epätriviaaliksi tehtäväksi, jonka ratkaisu vaatii ei-algoritmisia menetelmiä. Tunnistettava tieto välittyy puheessa jossakin määrin rinnakkain, sen tiedon ominaisuudet eivät ole invariantteja vaan puhuja- ja tilannekohtaisia, ja jokainen puhesegmentti voi saada lukuisat toisistaan hieman poikkeavat ääntämismuodot. SOM-verkot kykenevät ryhmittelemään puhesegmentit luokiksi, jotta puheentunnistusjärjestelmän käyttövaiheessa jokaiselle puhesegmentille löydetään sen äänneluokka eli foneemi. Puheentunnistuksen keskeinen työkalu on spektrogrammi, joka muodostetaan puheen ääniaallosta. Spektrogrammin lyhytkestoiset segmentit eli spektrikehykset toimivat neuroverkon syötteinä, ja tulosteena on spektrikehyksen äänneluokka. Tällä tavalla neuroverkosta tulee äännekartta ja foneettinen kirjoituskone, joka tunnistaa jokaisen lausutun äänteen. SOM-verkot kykenevät tunnistamaan äänteitä hyvällä tarkkuudella ja siksi ovat sopivia täysiveroisen puheentunnistusjärjestelmän rakentamiseen.

3 2 Sisällys 1 JOHDANTO PUHESIGNAALIN OMINAISUUKSIA Akustiikkaa ja signaalikäsittelyä Äänen tuotto Ihmisen puheentunnistusmekanismeista Koartikulaatio, segmentoinnin vaikeus ja invarianttius Äänne ja foneemi Redundanssi Ominaisuuksien tuntemisesta puheen tunnistukseen ITSEJÄRJESTYVÄT PIIRREKARTAT Osa neurolaskentaa Yleinen kuvaus Rakenne ja toimintaperiaate Alustaminen Opettaminen Klusterointi ja vektorikvanttisointi Käytettävyyden arvioiminen ja käyttö FONEETTINEN ÄÄNENKOODAUS Uusi puheentunnistusmenetelmä Äänenkoodausprosessi Foneettinen piirrekartta Segmentointi Foneettinen kirjoituskone Jälkikäsittely ja tunnistustarkkuus POHDINTA...25 LÄHTEET...26

4 3 1 JOHDANTO Sitä mukaa kun tietokoneiden käyttö leviää yhä uusille toiminta-aloille, käyttöliittymän helppokäyttöisyys nousee tärkeäksi tekijäksi tietokonejärjestelmien ja laitteiden arvioimisessa. Puhe on ihmisille luontainen ja helppo viestintätapa. Siksi on pyritty kehittämään menetelmiä, joiden avulla tietokoneet ja muut laitteet tunnistaisivat ja ymmärtäisivät puhetta, eli pystyisivät puheen ohjaamina suorittamaan erilaisia toimintoja. Näitä toimintoja ovat esim. puhelun soittaminen puhelimessa, puhelinlangan toisessa päässä tapahtuva puheen automaattinen ohjaus ja käsittely, lomakkeiden täyttö ja tekstien luonti tietokoneessa sanelemalla. Puhe on ihmisessä kehittynyt viestintäväline ja sen tuotto ja ymmärtäminen on sille luonnollisen helppoa. Ihmisen suuri etu tietokoneeseen nähden on se, että ihminen tuntee paremmin puhumistilanteen, puhujan ja kielen ominaisuudet sekä ymmärtää sanojen ja lauseiden merkityksen. Puheeseen vaikuttavat sellaiset seikat kuin asiayhteys, puhujan tila, henkilökohtaiset puhumistottumukset, puheviat jne. Nämä lisäävät puhesignaaliin tunnistuksen kannalta merkityksetöntä vaihtelua. Tietokoneen pitäisi pystyä päättelemään, mikä on luonnollista ja merkityksetöntä vaihtelua ja mikä taas on oleellista vaihtelua, joka erottaa puhutut sanat toisistaan [Vuo01]. Siksi on tarpeellista tuntea puheen ominaisuudet, joita käsitellään kielitieteissä; myös puhesignaali pitää pystyä tuomaan tietokoneeseen - tämä tutkitaan akustiikan ja signaalikäsittelyn avulla. Vaihteluja on mahdollista tutkia hahmotunnistuksen ja tekoälyn, erityisesti neurolaskennan, keinoin. Tarvitaan siis monen eri tieteenalan tuntemusta. Ensimmäistä puheen ymmärtämisen osaongelmaa kutsutaan puheen tunnistukseksi: tarkoituksena ei ole ymmärtää puheen sisältämää perimmäistä viestiä vaan ainoastaan tunnistaa puhutut sanat [Vuo01]. Automaattiseen puheentunnistukseen (AP) kuuluu viisi vaihetta: puhesignaalin akustinen esikäsittely, puhesignaalin segmentointi äänteiksi, äänteiden tunnistus foneemeiksi, foneemien yhdistelmien tunnistus sanoiksi ja mahdollisesti sanojen yhdistely kieliopillisiksi rakenteiksi kuten lauseiksi. Viimeinen vaihe saatetaan jättää puheen ymmärtämisen tehtäväpiiriin. Puheen ymmärtäminen muodostuu seuraavista tehtävistä: syntaktinen ja kieliopillinen analysointi lauseiden jäsentämiseksi ja tunnistusvirheiden korjaamiseksi, semanttinen tulkinta ja monimerkityksellisten osien selvittäminen, sekä puhutun viestin pragmaattinen tulkinta. Toisin sanoen, sanajonolle on määriteltävä järkevä, tilanteeseen ja asiayhteyteen sopiva, kieliopillinen ja semanttinen tulkinta [Vuo01].

5 4 Äänen koodauksella automaattisessa puheentunnistuksessa tarkoitetaan tässä tutkielmassa äänteiden koodausta foneemeiksi neuroverkkojen, ja tarkemmin Kohosen itsejärjestyvien piirrekarttojen (SOM eli self-organizing map -neuroverkkojen) avulla. Itsejärjestyvä piirrekartta on sellainen neuroverkko, joka pystyy jakamaan syötteet luokkiin ilman ulkopuolista apua (ns. ohjaamattoman opetuksen periaate), siksi nimitys itsejärjestyvä. SOM-verkkoihin johdatetaan luvussa 3. Luvun ymmärtäminen helpottuu, jos neurolaskennan perusteet ovat lukijalle ennestään tutut. Teuvo Kohonen on käyttänyt SOM-verkkoja foneettisessa kirjoituskoneessaan erottamaan suomen kielen foneemeja katkeamattomasta puhevirrasta [Koh88]. Kohosen menetelmä tarkastellaan luvussa 4. Huomio kiinnitetään siihen, miten puhevirrassa esiintyvät äänteet kuvautuvat foneemeiksi. Vaikka sanastolla, esim. homonyymien tunnistuksessa (homonyymit ovat sanoja, joilla on sama kieliasu ja ääntämistapa, mutta eri merkitys), ja myös kieliopilla yleisemmin on tärkeä rooli puheviestissä välitettävän viestin oikein ymmärtämisessä, tässä tutkielmassa tarkastellaan ainoastaan foneemien tunnistusta. Sanojen tunnistus ja muut korkeamman tason tarkastelut jätetään työn ulkopuolelle. Akustiikasta ja signaalikäsittelystä esitetään vain tarvittava peruskäsitteistö.

6 5 2 PUHESIGNAALIN OMINAISUUKSIA 2.1 Akustiikkaa ja signaalikäsittelyä Korva havaitsee äänenä paineenvaihtelut väliaineessa. Äänen korkeutta mittaa värähtelyn taajuus (hertsi Hz = 1/s), äänen voimakkuutta värähtelyn laajuus (amplitudi) tai suhteellinen intensiteetti (desibeli db) ja kestoa aika. Fourier-muunnoksen nojalla mikä tahansa käyrä on ääretön summa sinikäyriä. Äänivärähtelykin on purettavissa summaksi osavärähtelyjä, ääneksiä (ylä-ääniä) [Car01]. Äänesten voimakkuuden eli intensiteetin esitystä ajan funktiona kutsutaan spektrogrammiksi. Sana spektri tarkoittaa värähtelyn taajuusjakaumaa tiettynä ajanhetkenä. taajuudellaan. Näin spektrogrammissa kaikki osavärähtelyt näkyvät selkeästi kukin omalla Kuva 1. Sanan kaksi synkronisoidut taajuustason (spektrogrammi - ylempi kuva) ja aikatason (ääniaalto - alempi kuva) esitykset. [Kar99]

7 6 Kuvassa 1 on kuvattu äänivärähtely, joka syntyy sanaa kaksi lausuttaessa. Äänteet, joista sana kaksi koostuu, ovat pituudeltaan sekuntia. Jokainen äänne koostuu erilaisista osavärähtelyistä, jotka erottuvat paremmin ylemmästä spektrogrammista. Toinen havainto, mikä voidaan tehdä, on se, että osavärähtelyt (äänekset) voimistuvat tietyillä taajuuksilla. Tätä ilmiötä kutsutaan resonanssiksi ja resonanssialuetta formantiksi [Car01]. Formantit näkyvät spektrogrammissa tummina ympäristöstä erotettavina raitoina ja ne numeroidaan alhaalta ylöspäin. Mitä tummempi formantin väri on, sitä voimakkaampi äänisignaali sillä taajuudella on. Puheäänteet erottuvat akustisesti jo muutaman ensimmäisen formantin perusteella. Esim. kuvan 1 spektrogrammin /i/-vokaalia vastaavassa osassa on helposti erotettavissa kolme formanttia. Kuva 2. a) /su/ -tavun ja b) /šu/ -tavun spektrogrammit. [LHM90] Kuvassa 2 englanninkielistä puhujaa pyydettiin ääntämään tavut /su/ ja /šu/, jotka esiintyvät englannin kielen sanoissa soon ja shoe. Kuvasta havaitaan erot äänteiden kestossa ja spektriominaisuuksissa. Esim. /u/- äänteen kolme ylempää formanttia poikkeavat toisistaan kuvissa 2a ja 2b. Äänenkorkeutta kuvaa perustaajuus F0. Karkeasti sanoen ihmisäänen F0 on miehillä 100 Hz, naisilla 200 Hz ja lapsilla 300 Hz. Perustaajuus F0 sijoittaa muut formantit korkeammalle tai matalammalle spektrogrammiin. Perustaajuuden vaihtelevuus puhujasta puhujaan on ihmispuheen perusominaisuuksia. Ihmisen korvan erottelukyky liikkuu hertsiin ja on parhaimmillaan puheäänen alueella ( Hz). Suurin osa

8 7 puheen informaatiosta välittyy jo ensimmäisen 300 hertsin alueella (tätä käytetään hyväksi puhelimessa). [Car01] 2.2 Äänen tuotto Ihmisellä on käytössä monipuolinen puhe-elimistö, joka mahdollistaa kaikkien kielessä käytettyjen äänteiden tuottamisen (kuva 3). Suurin osa puheäänteistä tuotetaan uloshengityksen voimalla. Soinnillisissa äänteissä ilmanpaine saa kurkunpäässä äänihuulet pörisemään. Puheen perustaajuus riippuu äänihuulten koosta ja jännityksestä. [Car01] Ääniväylä (kurkunpää, nielu ja suuontelo) ja nenäväylä (nenäontelo) muokkaavat merkittävästi äänihuulien tuottamaa signaalia ja niiden voidaankin ajatella olevan säätyviä akustisia signaalin suodattimia. Syntyviä ääniä voidaan siis säädellä myös muuttamalla äänikanavan muotoa liikuttelemalla kieltä, hampaita ja huulia (ääntöelimiä). Näiden väylien säätövaikutuksia kutsutaan artikulaatioksi. Kuva 3. Poikkileikkauskuva ihmisen puhe-elimistä. [Kar99]

9 8 Puheentunnistuksen kannalta erotetaan kolme erilaista äänneluokkaa [Koh88]: 1. Soinnilliset (pyörteettömät) äänteet, joihin kuuluvat vokaalit /a/, /o/, /u/, /i/, /e/, /ö/, /ä/, /y/: melko hyvin ihmisen tunnistettavissa spektrogrammeista kahden alimman formantin perusteella [Vuo01]. puolivokaalit /j/, /v/, /w/: tuotettu ääntöelinten lähentymällä [IHH00]. Puolivokaaleissa syntyy resonansseja, mutta ei sanottavasti hälyä [Vuo01]. nasaalit eli nenä-äänteet /m/, /n/, /η/: syntyvät kitapurjeen laskeutuessa alas ja ilmavirran päästessä tällöin ulos nenäväylän kautta suuväylän ollessa samalla suljettuna jostakin kohdasta. Äänteet esiintyvät suomen sanoissa "ramman", "sannan", "rangan" /raηan/ [IHH00]. ja likviidit /l/, /r/: kielen kärki sulkee ääntöväylän keskikohdan hammasvallin kohdalla ilmavirran päästessä ulos laidoilta [IHH00]. 2. Frikatiivit eli hankausäänteet /s/, /š/, /z/ yms. : syntyvät ääntöväylän supistumakohdalla ilmavirran aiheuttamasta hankaushälystä [IHH00]. 3. Eksplosioäänteet /k/, /p/, /t/, /b/, /d/, /g/ yms.: syntyvät, kun täydellisesti sulkeutunut ääniväylä avautuu nopeasti ja ilmavirtauksen paine purkautuu räjähdyksenomaisesti [Vuo01]. Kahden ensimmäisen luokan foneemeilla on melko hyvin spektrogrammeista erottuvat spektrit, sen sijaan eksplosioäänteet ovat tunnistettavissa vain transienttiominaisuuksien perusteella eli ympäröivien äänteiden avulla, joilla on suhteellisen stabiili spektrimuoto. Kuvasta 1 näkyy, että molempien /k/-äänteiden kohdalla spektri on hyvin heikko. 2.3 Ihmisen puheentunnistusmekanismeista Ihmiset eivät kuule foneemeja yms. matalan tason puhe-elementtejä: tämä voidaan todeta kun pyydetään henkilöä kirjoittamaan vieraan kielen äänteet vain puolet äänteistä tunnistetaan oikein [SNP86, s. 24]. Sen sijaan ihminen vertailee aivoihin saapuvaa ärsykettä muistissa oleviin ääntämis- ja muihin tietoihin,

10 9 asiayhteyksiin. Tämä vertailu tapahtuu aivojen monella tasolla rinnakkain, ja ihminen rakentaa ärsykkeen merkityksen käyttäen ärsykkeessä saapuneita tietopalasia. Tätä lähestymistapaa on yritetty soveltaa myös automaattisessa puheentunnistuksessa, esim. sanelukoneissa, jotka tunnistavat tietyn rajoitetun sanaston sanoja, kun niitä lausutaan ääneen mikrofoniin pitäen lyhyet tauot sanojen välissä [Koh88]. Nopeus, jolla foneemit ovat tunnistettavissa jatkuvasta puheesta, on paljon korkeampi kuin korvan kyky tunnistaa kuulijalle erikseen lausuttuja äänipätkiä, jotka ovat yksi yhteen suhteessa foneemeihin (äänipätkät eivät välttämättä muodosta kielen sanoja, vaan ovat mielivaltaisia äänneyhdistelmiä) [SNP86]. Ihminen käyttää tuntemaansa kielen semantiikkaa ja syntaksia, eli foneemeja korkeamman abstraktitason asioita hyväksi tunnistuksessa, ja myös visuaalisella tiedolla on merkitystä, jopa vauvoille [LHM90]. Kuitenkin nykyään tietokoneilta puuttuu maailmankäsitys ja sen tarjoama korkeiden abstraktioiden täydellinen hyväksikäyttö puheentunnistuksessa, vaikka jonkinasteiset semanttisen käsittelyn mahdollisuudet ovat jo olemassa (näissä menetelmissä käytetään myös SOM-verkkoja), ks. [Hon97]. 2.4 Koartikulaatio, segmentoinnin vaikeus ja invarianttius Koartikulaatio on puhetta helpottava ilmiö, jossa samankaltaistumista tapahtuu etenkin peräkkäin esiintyvien äänteiden kesken [IHH00]. Tämä tarkoittaa sitä, että sanassa susi ensimmäisen /s/-äänteen spektrogrammi eroaa toisesta /s/-spektrogrammista sen vuoksi, että ääntöelimet valmistautuvat ääntämään seuraavaa äännettä jo edellistä (/s/-äänettä) ääntäessään. Koartikulaatio on erittäin näkyvä konsonanteissa /b/, /d/, /g/, /p/, /t/ ja /k/ [LHM90, s.7], mikä vastaa Kohosen käsitystä eksplosioäänteiden invarianttien spektriominaisuuksien puuttumisesta [Koh88]. Tietoa foneemista välittyy puheessa siis jossain määrin rinnakkain. Mikä tahansa ääniaallon pätkä sisältää tietoa useasta foneemista, mikä tekee sen segmentoinnin vaikeaksi. Koska akustiset segmentit eivät ole yksi - yhteen lineaarisessa kuvaussuhteessa, tapahtuu ihmisessä monimutkainen uudelleenjärjestämisprosessi puheen tuottovaiheessa ja samoin monimutkainen koodin purkamisprosessi puheen tunnistusvaiheessa [SNP86]. Ääniaallon ominaisuudet, foneemit ja tavut ovat olleet ehdokkaina tunnistusyksiköiksi, mutta yksikön valinta ei poista segmentointi- ja invarianssiongelmaa. Ongelmana ei ole yksikön valinta, vaan sen valinnan vaikutus tunnistusprosessiin [SNP86].

11 10 Koartikulaation olemassaolo ja muut puheen muuttuvat ominaisuudet johtavat tähän johtopäätökseen: ei ole olemassa erillistä invarianttia (muuttumatonta) puhesignaalin ominaispiirrettä, joka vastaisi yksikäsitteisesti annettua kielen foneemia [LHM90, s.73]. Formanteilla ei esim. ole vakioisia taajuuksia, vaan ne riippuvat puheen perustaajuudesta F0 ja ympäröivistä äänteistä. Äänteiden kesto ei ole vakio vaan riippuu puhujan puhumisnopeudesta. Variaatioita syntyy myös painotus- ja murre-eroista, puhujan äänen voimakkuudesta, henkilöllisyydestä, sukupuolesta ja tunnetilasta riippuen. Invarianssit ovat luonteeltaan suhteellisia ja invarianttius on havaittavissa puheessa vain suhteellisina arvoina eli keskinäisten riippuvuuksien vakioarvoina [LHM90, s.10]. 2.5 Äänne ja foneemi Äänne (fooni, engl. phone) on pienin mahdollinen laadullinen puhesegmentti, joka kuulon avulla voidaan erottaa muista segmenteistä. Foneemi (engl. phoneme) on äänteen abstraktio, jolla on erotettavat piirteet muiden foneemien nähden [IHH00]. Variaatioista johtuen tietty kielen foneemi saa eri puhujilla eri akustisen ulkoasun eli äänteen. Toisin sanoen, jokainen ihminen ääntää esimerkiksi /k/-foneemin omalla tavallaan. Näin syntyy foneemien variantteja eli allofooneja (engl. allophone). Puhujaerojen lisäksi koartikulaatio aikaansaa allofooneja, esim. suomen /k/-äänteet sanoissa kili, kala, kylä, kolo, kuli, keli, köli, käly [IHH00]. Näin olleen foneemi on allofoonien muodostama joukko [Vai01]. Foneemi-äänne suhde on verrattavissa luokka-olio suhteeseen: samoin kuin olio on luokan esiintymä, äänne on foneemin toteutus. Ihmiskielessä on kaiken kaikkiaan foneemia. Foneemeja käytetään suoraan tarkekirjoituksessa (transkriptiossa). Tarkekirjoitus on ääntämisohje, jonka useimmiten näkee sanakirjoissa. Suomen kieli on ns. foneemipohjainen kieli [Ful95], jossa foneemin ja sanan kirjaimen (aakkosen) suhde on lähes yksikäsitteinen. 2.6 Redundanssi Puheentunnistus on ihmiselle helppoa, koska puheessa on olemassa paljon redundanssia (liiallisuutta), jota ihminen osaa käyttää hyväksi. Äänteiden ja etenkin isompien syntaksiyksiköiden loppumisesta kertoo yleensä joukko vihjeitä (cues), jotka ovat ääniaallossa havaittavia äänteet toisistaan erottavia muutoksia. Vihjeitä esiintyy spektrissä ja ajassa, esim. äänteen kestossa. Painotetun tavun äänteiden kesto on pidempi painottomien tavujen kestoon nähden. Kuulija käyttää hyväksi myös puheen prosodisia ominaisuuksia -

12 11 intonaatiota, rytmiä, taukoja jotka kertovat puhujan tunnetilasta [SNP86]. Intonaation muutoksia voi havaita spektrogrammista perustaajuuden F0 avulla. Perustaajuus laskee jokaisen ison syntaksiyksikön lopussa ja nousee sen alussa. Redundanssi auttaa ymmärtämistä tilanteissa, jossa puheeseen on sotkeutunut paljon melua, tai puhesignaali on rajoitettu ja vääristynyt (kuten puhelimessa). Silloin yhden vihjeen kadotessa toinen ääniaallosta löytyvä vihje muuttuu dominoivaksi. 2.7 Ominaisuuksien tuntemisesta puheen tunnistukseen Puhesignaali esitetään puheentunnistusjärjestelmissä yleensä aikasarjana, jossa eri ajanjaksoja, aikaikkunoita, kuvataan piirrevektoreiden avulla. Piirteet pyritään valitsemaan siten, että niiden avulla pystytään tunnistamaan hyvin erilaiset foneemit ja huomioimaan niiden ajalliset riippuvuussuhteet. Esitystavan tulisi lisäksi olla invariantti erilaisten puheen variaatioiden suhteen, joilla ei ole oleellista merkitystä tunnistuksen kannalta [Vuo01]. Spektrogrammien lukututkimusten tulokset osoittavat, että on mahdollista oppia äänteiden visuaalisista korrelaatioista niin paljon, että spektrogrammeja lukemalla voi tunnistaa tuntemattomia lauselmia hyvällä tarkkuudella. Spektrogrammien lukemisen asiantuntija Victor Zue pystyy tunnistamaan oikein 90 % foneemeja annetuista spektrogrammeista [SNP86, s.26]. Näin olleen puheen spektriominaisuudet ja niiden ajalliset muutokset toimivat hyvänä tietolähteenä piirrevektoreiden muodostamiselle. Toisin sanoen, piirrevektorit voidaan muodostaa spektrogrammeista.

13 12 3 ITSEJÄRJESTYVÄT PIIRREKARTAT 3.1 Osa neurolaskentaa Neurolaskenta on vaihtoehtoinen tapa ratkaista tietojenkäsittelytieteen ongelmat. Neurolaskennassa tehtävänä on algoritmin keksimisen sijasta sellaisen neuroverkkotyypin löytäminen, joka olisi sopiva ongelmaa kuvaavien tietojen analysointiin. Tällainen tietokeskeinen lähestymistapa mahdollistaa sellaisten ongelmien käsittelyn, joihin ei tunneta algoritmeja tai sääntöjä, ja joihin näiden kehittäminen olisi erittäin työlästä. Tällaisia tehtäviä ovat esimerkiksi erilaiset hahmontunnistukseen liittyvät ongelmat (havaintojen luokittelu ja tunnistus), kuten kuvana tallennetun tekstin tai käsialan tunnistus, (käytös)mallien ja reaalimaailman prosessien mallintaminen ja ennakointi (sääennusteet), aivojen toiminnan (muistin) mallintaminen, tiedon pakkaaminen, päätöksenteko (diagnoosien tekeminen, laadunvalvonta). Eri tehtäville on olemassa eri neuroverkkotyypit, ja lähes kaikki ottavat mallia aivojen toiminnasta. Yksinkertaistettuna aivot koostuvat neuroneista, joista jokainen vastaanottaa tietoa sähköisenä signaalina aistinelimeltä tai toisilta neuroneilta. Se lähettää muunnetun signaalin eteenpäin niille neuroneille, jotka ovat yhteydessä tämän neuronin vievään haarakkeeseen. Tietojenkäsittely tapahtuu eri neuroneissa rinnakkain. Yhteydet neuronien välillä voivat vahvistua tai heikentyä, ja juuri näihin yhteyksiin varastoidaan vastaanotettu ja käsitelty tieto. Neuronit yhteyksineen muodostavat neuroverkon ja neurolaskennassa tarkastellaan erilaisia yhdistelmätyyppejä (neuroverkkotyyppejä), niiden käyttöön liittyvää problematiikkaa ja sovellettavia ongelmia. 3.2 Yleinen kuvaus Helsingin teknillisen korkeakoulun professori Teuvo Kohonen 1980-luvun alkupuolella kehitti itsejärjestyvä piirrekartta eli self-organizing map (SOM) -nimellä tunnetun neuroverkkomallin, joka mahdollistaa epälineaaristen kuvausten luomisen syöte- ja tulostedatan välille. SOM-verkkoa voi pitää ihmisaivojen toiminnan keinotekoisena mallina. SOM-verkko seuraa joitakin perusteellisimpia aivojen toimintaperiaatteita, esim. se kykenee luomaan järjestettyjä piirrekarttoja, joita on kokeellisesti löydetty aivokuoresta [Hon97]. SOM-verkkoa voi myös pitää ohjaamattoman koneoppimisen mallina ja adoptoivana tiedonesityskaaviona [Hon97]. Adoptoiva tarkoittaa kykyä muokkautua verkkoon saapuvan uuden syötetiedon mukaan. Tiedonesityskaavio tarkoittaa samankaltaisten syötteiden ryhmittelyä yhteen järjestämällä neuronien painokertoimet itsenäisesti uudestaan kuvaamaan syötteiden lainalaisuudet.

14 13 SOM-verkko koostuu neuroneista (laskenta-alkioista), jotka on topologisesti järjestetty neliöksi tai suorakulmioksi (kuva 4). Verkon neuronit muodostavat siis yhden ja ainoan neuronikerroksen. Verkko vastaanottaa n-ulotteiset syötevektorit yksi kerrallaan. Sen perusteella, onko verkko oppimis- vai käyttövaiheessa, se joko muokkaa omaa tilaansa juuri syötetyn vektorin huomioon ottamiseksi tai luokittelee syötevektorin johonkin luokkaan kuuluvaksi. Kuva 4. SOM-verkon kaavamainen esitys. Syötevektori kuvaa yhtä tutkimusdatan yksikköä, joka on yleensä luokiteltava tosimaailman kohde. Yksikkönä voi esim. olla yhden potilaan tiedot, jolloin tutkimuksen kohteena on joukko potilaita, jotka halutaan ryhmitellä oireiden perustella eri luokkiin ja tällä tavalla edesauttaa diagnoosin tekemistä. Äänteiden tunnistuksessa esim. etuvokaalit muodostavat yhden ryhmän (ks. kuva 15). Jokainen vektorin ulottuvuus on jokin yksikön ominaisuus tai piirre, esim. potilaan kehon lämpötila. Näin syötevektoria voidaan kutsua myös piirrevektoriksi. Vektorin anto opetusvaiheessa on voittajaneuronin koordinaatit (x,y). Verkko kilpailuttaa neuroninsa syötevektoria vastaan ja etsii tälle parhaiten vastaavan neuronin. Vastaavuus tai yhtäläisyys syötevektorin ja neuronin sekä kahden neuronin välillä määritellään euklidisen etäisyyden avulla. Lisää kilpailutilanteesta ja etäisyyden laskemisesta luvuissa 3.3 ja 3.5. SOM-verkkojen etu on niiden kyky analysoida moniulotteista dataa ja ryhmitellä tutkimusdatan yksiköt luokkiin niin, että erot ja yhtäläisyydet ovat visuaalisesti tarkasteltavissa kaksiulotteisessa tasossa. Tällaista analyysia tarvitaan siksi, että moniulotteinen keskinäisten riippuvuuksien suora tarkastelu on ihmiselle hankala ja työläs tehtävä. Jatkaen potilasesimerkkiä, SOM-verkko pystyy löytämään ryhmän sellaisia potilaita, joilla on epäilty tauti, ja sellaisia potilaita, joiden oireet liittyvät muihin kuin kiinnostuksen kohteena olevaan tautiin. Potilastietoa on helpompi tarkastella piirrekartan avulla kuin 15 parametrin potilastietotaulukkona.

15 14 Huomattakoon, että piirrekartta säilyttää verrannolliset ryhmien koot, ts. jos 1/3 osalla potilaita on epäilty tauti, niin piirrekartan keskittymä, joka kuvaa kyseisiä potilaita, koostuu myös 1/3 osasta kaikkia piirrekartan neuroneja. Foneettisen piirrekartan tapauksessa laskemalla vokaaleille reagoivien neuronien määrä voi päätellä vokaalien osuuden syötetyissä sanoissa ja jopa koko kielessä (otannan ollessa tarpeeksi laaja ja jakauman tasainen). 3.3 Rakenne ja toimintaperiaate a) b) Kuva 5. SOM-verkon a) i:s neuroni ja b) ja neuronikerros katsottuna sivulta. [Koh88] SOM-verkon jokainen neuroni on kuvassa 5a esitettyä muotoa. Neuronit vastaanottavat n-ulotteisen syötteen [ ξ.. ] T x = 1 ξ n, jonka ne näkevät kaikki yhtä aikaa. Neuroni muuttaa tilaansa muokkaamalla painokerroinvektoriaan [ ] T m = µ 1.. µ n. Huomattakoon, että syötevektorin ja painokerroinvektorin ulottuvuuksien määrä on sama. Näin syötevektori ja kukin SOM-verkon neuroni voidaan kuvata pisteeksi n- ulotteisessa euklidisessa avaruudessa. Mitä lähempänä pisteet ovat toisiaan, sitä yhtäläisempiä kohteita niitä vastaavat neuronit/syötevektorit kuvaavat. Euklidinen etäisyys i:nnen ja k:nnen neuronin välille lasketaan kaavan n j= 1 T [( m m ) ( m m )] 2 d ( i, k) = ( µ i1 µ kn) = i k i k, (1) mukaisesti [Räs96], jossam on verkon i:s neuroni, joka koostuu painokertoimista µ.. i m = µ.. µ on verkon k:s neuroni. Vastaavasti [ ] T k k1 kn 1, ts. m [ µ.. µ ] T i µ i n i =. i1 in Jokaiselle syötevektorille SOM-verkko etsii neuroneista voittajan, joka on euklidisessa avaruudessa lähinnä syötevektoria oleva neuroni. Voittajan etsimistä kutsutaan kilpailutilanteeksi neuronien välillä. Voittajaneuroni lasketaan kaavasta

16 15 jossa x on syötevektori, joko 1 (voittajaneuronilla), tai 0. d x, m ) = min{ d( x, m )}, (2) ( c i mc on etsitty voittajaneuroni ja m i on SOM-verkon i:s neuroni. Neuronin anto η on Neuronien välillä on yhteyksiä, ns. takaisinsyöttölinjoja, joiden avulla voittaneen neuronin naapureilla on mahdollisuus päivittyä lähemmäs voittajaneuronia. Kuvassa 5b näkyy takaisinsyöttölinja i:nnen ja k:nnen neuronin välillä w ki. Sädettä, jolla on olemassa yhteydet neuronista ympäröiviin neuroneihin, kutsutaan neuronin naapurustoksi. Yleensä naapurusto pienentyy suurimmasta mahdollisesta arvosta nollaan. Kuvassa 6 naapuruston koko on Alustaminen Kuva 6. Neuronin naapurusto. Musta v oittajaneuroni on kuvattu mustalla ja sen naapurusto harmaalla värillä. SOM-verkon neuronien alustamiseen on olemassa kaksi menetelmää. Neuronien painokerroinvektorit alustetaan pienillä satunnaisarvoilla siten, että vektorialkiot ovat lähellä n-ulotteisen avaruuden 0-pistettä. Vaihtoehtoisesti alkuarvoiksi asetetaan syötevektorijoukosta satunnaisesti poimittuja vektoreita [Räs96]. Opetusvaiheessa verkon neuronit alkavat vähitellen kattaa koko syötevektorijoukon käyttämää n-ulotteista avaruutta (kuva 7). a) b) c) d) Kuva 7. Verkon alustus ja opetuksen aloitus. a) Satunnaisvektorit ovat keskittyneet 0-pisteen lähelle; b) Muutaman syöttökerroksen jälkeen neuronit etääntyvät keskustasta (tai alustettu satunnaisotannalla); c) ja d) neuronit muodostavat tasaisen verkon syötevektoriavaruuden yli.

17 Opettaminen Opetusvaiheessa SOM-verkon neuronit ryhmittyvät keskittymiin. Verkko oppii syöteavaruuden lainalaisuudet täysin itsenäisesti, mikä on ohjaamattoman oppimisen pääpiirre. Verkolle ei siis anneta jokaisen syötteen yhteydessä haettua vastausta (syötteen luokkaa), mikä olisi ohjattua oppimista. Päinvastoin, verkko löytää luokat itse, ja käyttäjän tehtäväksi jää luokkien nimeäminen. Opetuksessa jokaiselle syötevektorille etsitään voittajaneuroni (luvut ). Voittajaneuroni sijaitsee lähempänä syötevektoria kuin mikään muu verkon neuroni, ja sellainen neuroni löytyy aina, myös heti alustuksen jälkeen, kun kaikki neuronit ovat isossa kasassa lähellä nollapistettä. Kun voittajaneuroni on laskettu (kaavat (1)-(2)), käynnistyy sen painokerroinvektorin [ ] T x ξ..ξ 1 2 syötevektoria [ ] T m = µ 1.. µ n päivitys lähemmäksi =. Myös naapuruston neuronit päivitetään lähemmäksi syötevektoria. Tätä painokertoimen adaptiivista muokkausta sanotaan neuroverkon oppimiseksi ja kaavaa m ( t + 1) = m ( t) + α( t) i m ( t + 1) = m ( t), i i i [ x( t) m ( t) ], i jos jos i N ( t); i N ( t); c c (3) Kohosen opetussäännöksi [Räs96]. Tässä kaavassa t ja t+1 ovat peräkkäisiä ajanhetkiä (kaikki kaavan suureet ovat riippuvaisia ajasta), mi on verkon i:nnen neuronin painokerroinvektori,x on syötevektori, Nc on voittajaneuronin naapurusto, ja α on opetuskerroinsarja. Sekä naapurusto että opetuskerroin pienenevät opetuksen edistyessä. Opetus voidaan jakaa kahteen vaiheeseen: karkea ja tarkentava. Karkeassa opettamisessa käytetään suhteellisen vähän opetuskertoja, mutta naapurusto ja opetuskerroin asetetaan suuriksi, jotta muutokset neuronien tiloihin ovat myös suuria. Ensimmäisen vaiheen tarkoituksena on saada karkea klusterointi aikaan. Tarkentavassa opettamisessa opetuskertoja lisätään huomattavasti, mutta samalla opetuskerrointa ja naapuruston suuruutta pienennetään. Tämän vaiheen tavoite on saavuttaa ja selvittää selkeät keskittymien keskipisteinä toimivat neuronit. Teuvo Kohosen mukaan opetussyötteitä tulisi tässä vaiheessa käyttää vähintään 500 kertaa verkon neuronien lukumäärää [Räs96]. Syötevektoreiden syöttöjärjestyksellä ei Kohosen menetelmässä ole merkitystä, sillä neuroverkon rakenne tekee syöttöjärjestyksen vahingossa oppimisen mahdottomaksi.

18 Klusterointi ja vektorikvanttisointi Syötedatan saapuessa verkkoon tietyt neuronit alkavat herkistyä tietyntyyppiselle syötölle. Samanlaisiin syöttöihin reagoivat neuronit alkavat siis ryhmittyä keskittymiin. Keskittymien rajoille syntyy ominaisuuskuiluja ja vierekkäisen keskittymän neuronit kuvaavat jo toisia ominaisuuksia omaavan syötedataosioon. Keskittymien rajat löydetään Voronoi-jaotuksen avulla (kuva 8): jokaisella keskittymällä on olemassa viitevektori, joka on läheisin naapuri saman keskittymän jokaiselle vektorille [Koh88, s.14]. Tällä tavalla tehty vektoriavaruuden ositus (vektorikvanttisointi) läheisesti vastaa Bayesin päätöstasojen muodostusta, joita käytetään virhetodennäköisyyden (engl. probability for misclassification) minimointiin. Kuva 8. Vektoriavaruuden Voronoi-jaotus. Vektoriavaruus jaettiin kahteen luokkaan: ensimmäisen luokan vektorit on merkitty umpinaisilla ja toisen luokan vektorit avonaisilla ympyröillä. 3.7 Käytettävyyden arvioiminen ja käyttö Molemmat edellä kuvatut alustusmenetelmät tuottavat ainutlaatuisia verkkoyksilöitä. Opetuksen onnistuessa verkkoon muodostuu useampi selkeä osumakeskittymä, mutta huonossa tapauksessa verkkoon voi muodostua vain yksi iso keskittymä, ja kaikki syötevektorit kuvautuvat muutamiin lähekkäin sijaitseviin neuroneihin. Tällaisen virheellisen käytöksen aiheuttaa verkon ylioppiminen, kun liiasta opetuskierrosmäärästä johtuen verkko menettää yleistämiskykyä. Toisaalta keskittymät saattavat puuttua kokonaan, jolloin syötevektorit kuvautuvat tasaisesti koko verkon alueelle. Tästä johtuen todellisessa käyttötilanteessa on hyvä alustaa useampi verkko, opettaa ne ja testauksen jälkeen valita tehtävään soveliain yksilö. [Räs96] Oppimisvaiheen jälkeen verkosta on muodostunut järjestetty piirrekartta. Neuronien tila eli vektoriarvot kiinnitetään ja keskittymät selvitetään viitesyötevektoreiden avulla, ellei sitä ole tehty opetusvaiheessa: annetaan syöte, jonka tyyppi/luokka jo tunnetaan, esim. /a/-äänne. Antona oleva piirrekartan neuroni tunnistaa viitesyötteen tyyppiä olevat syötteet, tässä tapauksessa /a/-äänteet /a/-foneemeiksi.

19 18 Vektorin hyvyyden arvioimiseksi käytetään tunnuslukua nimeltä keskimääräinen kvanttisointivirhe. Tunnusluku on kunkin syötevektorin ja sen tunnistavan voittajaneuronin välisten etäisyyksien keskiarvo. Mitä pienempi virhe, sitä tarkemmin piirrekartta vastaa sille annettuihin syötteisiin, eli klusteroi saamansa syötevektorin paremmin. [Räs96] Opetettu SOM-verkko on valmis luokittelemaan ei pelkästään syötteenä ollutta dataa vaan mitä tahansa saman ongelman tutkimusdataa. Neuroverkko oppii siis yleistämään asiat. Näin esimerkiksi neuroverkkoa, joka on tietyn sairaalaan potilastietojen avulla opetettu tunnistamaan umpilisäkkeen tulehdusta, voidaan samassa sairaalassa käyttää jatkossa tekemään diagnoosia uusille potilaille, kunhan kerättävien tietojen tyypit ja mittaustekniikat pysyvät samoina. Ääntä koodatessaan foneettinen piirrekartta pystyy tuottamaan tarkekirjoitukset myös niille sanoille, jotka eivät kuuluneet syötedataan. Neuroverkko pystyy siis toimimaan rajoittamattomalla sanastolla.

20 19 4 FONEETTINEN ÄÄNENKOODAUS 4.1 Uusi puheentunnistusmenetelmä Teuvo Kohonen julkaisi vuonna 1988 Computer-lehdessä The Neural Phonetic Typewriter nimisen artikkelin [Koh88], jossa hän kuvasi puhujan puheeseen mukautuvan automaattisen sanelujärjestelmän. Se perustui SOM-verkkoihin ja pystyi toimimaan rajoittamattomalla sanastolla. Kohosen SOM-verkon käyttöön pohjautuva menetelmä osoittautui 1990-luvulla uudeksi tehokkaaksi lähestymistavaksi AP:n ongelmaan, kun siihen ja muihin tekoälyongelmiin alettiin osoittaa yhä enemmän kiinnostusta. Yleisin AP:ssa käytetty neuroverkkotyyppi 1980-luvulta aina tähän päivään saakka ovat olleet piilomarkovmallit, jotka ovat puhesignaalin kaltaisten aikasarjojen mallintamiseen sovellettuja äärellisiä tilakoneita. Piilomarkovmalleissa foneemien luokittelu suoritetaan niiden esiintymistodennäköisyyksien perusteella. Kun Kohosen opetuksessa syöteaineisto klusteroidaan järjestetyksi piirrekartaksi (luku 3), piilomarkovmalleissa opetusvaihe vastaa mm. esiintymis- todennäköisyyksien laskennasta [Kon00]. Hyvän tunnistustarkkuusasteen aikaansaamiseksi tilastolliset luokittelumenetelmät vaativat huomattavasti isomman joukon viitevektoreita (esim. /a/-äänteiden spektriesimerkkejä) kuin SOM-verkot [Koh88, s.14]. Siksi SOM-verkot sopivat tehokkuussyistä paremmin äänteiden luokitteluun (foneemeiksi koodaukseen) kuin piilomarkovmallit.

Luku 2. Datasta tietoon: mitä dataa? mitä tietoa?

Luku 2. Datasta tietoon: mitä dataa? mitä tietoa? 1 / 14 Luku 2. Datasta tietoon: mitä dataa? mitä tietoa? T-61.2010 Datasta tietoon, syksy 2011 professori Erkki Oja Tietojenkäsittelytieteen laitos, Aalto-yliopisto 31.10.2011 2 / 14 Tämän luennon sisältö

Lisätiedot

S-114.2720 Havaitseminen ja toiminta

S-114.2720 Havaitseminen ja toiminta S-114.2720 Havaitseminen ja toiminta Heikki Hyyti 60451P Harjoitustyö 3 puheen havaitseminen Mikä on akustinen vihje (acoustic cue)? Selitä seuraavat käsitteet ohjelman ja kirjan tietoja käyttäen: Spektrogrammi

Lisätiedot

Koska HAL ymmärtää mitä puhumme? Puheen automaattinen tunnistus ja ymmärtäminen

Koska HAL ymmärtää mitä puhumme? Puheen automaattinen tunnistus ja ymmärtäminen Koska HAL ymmärtää mitä puhumme? Puheen automaattinen tunnistus ja ymmärtäminen Vuokko Vuori TKK, Informaatiotekniikan laboratorio Vuokko.Vuori@hut.fi Tiivistelmä Tässä työssä pyritään tekemään katsaus

Lisätiedot

E. Oja ja H. Mannila Datasta Tietoon: Luku 2

E. Oja ja H. Mannila Datasta Tietoon: Luku 2 2. DATASTA TIETOON: MITÄ DATAA; MITÄ TIETOA? 2.1. Data-analyysin ongelma Tulevien vuosien valtava haaste on digitaalisessa muodossa talletetun datan kasvava määrä Arvioita: Yhdysvaltojen kongressin kirjasto

Lisätiedot

Say it again, kid! - peli ja puheteknologia lasten vieraan kielen oppimisessa

Say it again, kid! - peli ja puheteknologia lasten vieraan kielen oppimisessa Say it again, kid! - peli ja puheteknologia lasten vieraan kielen oppimisessa Sari Ylinen, Kognitiivisen aivotutkimuksen yksikkö, käyttäytymistieteiden laitos, Helsingin yliopisto & Mikko Kurimo, signaalinkäsittelyn

Lisätiedot

» Fonetiikka tutkii puheen: Tuottamista -> ARTIKULATORINEN Akustista ilmenemismuotoa -> AKUSTINEN Havaitsemista -> AUDITIIVINEN

» Fonetiikka tutkii puheen: Tuottamista -> ARTIKULATORINEN Akustista ilmenemismuotoa -> AKUSTINEN Havaitsemista -> AUDITIIVINEN » Fonetiikka tutkii puheen: Tuottamista -> ARTIKULATORINEN Akustista ilmenemismuotoa -> AKUSTINEN Havaitsemista -> AUDITIIVINEN 1 Puhe-elimistä Helsingin Yliopiston sivuilla» Puhe-elimet voidaan jakaa

Lisätiedot

Åbo Akademi 3.5.2011 klo 12-16. Mietta Lennes mietta.lennes@helsinki.fi. Nykykielten laitos Helsingin yliopisto

Åbo Akademi 3.5.2011 klo 12-16. Mietta Lennes mietta.lennes@helsinki.fi. Nykykielten laitos Helsingin yliopisto Åbo Akademi 3.5.2011 klo 12-16 Mietta Lennes mietta.lennes@helsinki.fi Nykykielten laitos Helsingin yliopisto Praat-puheanalyysiohjelma Mikä on Praat? Mikä on Praat? Praat [Boersma and Weenink, 2010] on

Lisätiedot

Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén

Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén Sonifikaatio Menetelmä Sovelluksia Mahdollisuuksia Ongelmia Sonifikaatiosovellus: NIR-spektroskopia kariesmittauksissa

Lisätiedot

Puheen akustiikan perusteita Mitä puhe on? 2.luento. Äänet, resonanssi ja spektrit. Äänen tuotto ja eteneminen. Puhe äänenä

Puheen akustiikan perusteita Mitä puhe on? 2.luento. Äänet, resonanssi ja spektrit. Äänen tuotto ja eteneminen. Puhe äänenä Puheen akustiikan perusteita Mitä puhe on? 2.luento Martti Vainio Äänet, resonanssi ja spektrit Fonetiikan laitos, Helsingin yliopisto Puheen akustiikan perusteita p.1/37 S-114.770 Kieli kommunikaatiossa...

Lisätiedot

8003051 Puheenkäsittelyn menetelmät

8003051 Puheenkäsittelyn menetelmät 8003051 Puheenkäsittelyn menetelmät Luento 7.10.2004 Puhesynteesi Sisältö 1. Sovelluskohteita 2. Puheen ja puhesyntetisaattorin laatu 3. Puhesynteesin toteuttaminen TTS-syntetisaattorin komponentit Kolme

Lisätiedot

Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa

Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa Sanajärjestyksen ja intensiteetin vaikutus suomen intonaation havaitsemisessa ja tuotossa Martti Vainio, Juhani Järvikivi & Stefan Werner Helsinki/Turku/Joensuu Fonetiikan päivät 2004, Oulu 27.-28.8.2004

Lisätiedot

ESIMERKKIPOHJAINEN MELUISAN PUHEEN AUTOMAATTINEN TUNNISTUS 1 JOHDANTO 2 ESIMERKKIPOHJAINEN PUHEENTUNNISTUS

ESIMERKKIPOHJAINEN MELUISAN PUHEEN AUTOMAATTINEN TUNNISTUS 1 JOHDANTO 2 ESIMERKKIPOHJAINEN PUHEENTUNNISTUS ESIMERKKIPOHJAINEN MELUISAN PUHEEN AUTOMAATTINEN TUNNISTUS Antti Hurmalainen, Tuomas Virtanen, Jort Gemmeke, Katariina Mahkonen Signaalinkäsittelyn laitos Tampereen teknillinen yliopisto PL3, 331 Tampere

Lisätiedot

KUN LUKEMINEN ON HANKALAA. Helena Sorsa

KUN LUKEMINEN ON HANKALAA. Helena Sorsa KUN LUKEMINEN ON HANKALAA Helena Sorsa Lukemisen ja kirjoittamisen vaikeudet Lukivaikeus dysleksia fonologinen häiriö: henkilö ei kykene muuttamaan lukemaansa puheeksi näkee sanat, mutta ei löydä äänneasua

Lisätiedot

Kuulohavainnon perusteet

Kuulohavainnon perusteet Kuulohavainnon ärsyke on ääni - mitä ääni on? Kuulohavainnon perusteet - Ääni on ilmanpaineen nopeaa vaihtelua: Tai veden tms. Markku Kilpeläinen Käyttäytymistieteiden laitos, Helsingin yliopisto Värähtelevä

Lisätiedot

S-114.2720 Havaitseminen ja toiminta

S-114.2720 Havaitseminen ja toiminta S-114.2720 Havaitseminen ja toiminta Heikki Hyyti 60451P Harjoitustyö 2 visuaalinen prosessointi Treismanin FIT Kuva 1. Kuvassa on Treismanin kokeen ensimmäinen osio, jossa piti etsiä vihreätä T kirjainta.

Lisätiedot

TTS. Puhesynteesi (tekstistä puheeksi, engl. text-tospeech,

TTS. Puhesynteesi (tekstistä puheeksi, engl. text-tospeech, Tekstiä, plaa plaa, plaa Puhesynteesi (tekstistä puheeksi, engl. text-tospeech, TTS): Generoidaan tietokoneen avulla akustinen puhesignaali annetun tekstin perusteella. TTS HUOM: Vaikka nyt keskitytäänkin

Lisätiedot

Pörisevä tietokone. morsetusta äänikortilla ja mikrofonilla

Pörisevä tietokone. morsetusta äänikortilla ja mikrofonilla Pörisevä tietokone morsetusta äänikortilla ja mikrofonilla 1 Tiivistelmä Idea toteuttaa seuraavat vaatimukset: 1. kommunikointi toisen opiskelijan kanssa (morsetus) 2. toisen opiskelijan häirintä (keskittymistä

Lisätiedot

Kerta 2. Kerta 2 Kerta 3 Kerta 4 Kerta 5. 1. Toteuta Pythonilla seuraava ohjelma:

Kerta 2. Kerta 2 Kerta 3 Kerta 4 Kerta 5. 1. Toteuta Pythonilla seuraava ohjelma: Kerta 2 Kerta 3 Kerta 4 Kerta 5 Kerta 2 1. Toteuta Pythonilla seuraava ohjelma: 2. Tulosta Pythonilla seuraavat luvut allekkain a. 0 10 (eli, näyttää tältä: 0 1 2 3 4 5 6 7 8 9 10 b. 0 100 c. 50 100 3.

Lisätiedot

RAKENNUSAKUSTIIKKA - ILMAÄÄNENERISTÄVYYS

RAKENNUSAKUSTIIKKA - ILMAÄÄNENERISTÄVYYS 466111S Rakennusfysiikka, 5 op. RAKENNUSAKUSTIIKKA - ILMAÄÄNENERISTÄVYYS Opettaja: Raimo Hannila Luentomateriaali: Professori Mikko Malaska Oulun yliopisto LÄHDEKIRJALLISUUTTA Suomen rakentamismääräyskokoelma,

Lisätiedot

Signaalinkäsittely Musiikin sisältöanalyysi Rumpujen nuotinnos Muotoanalyysi Yhteenveto. Lectio praecursoria

Signaalinkäsittely Musiikin sisältöanalyysi Rumpujen nuotinnos Muotoanalyysi Yhteenveto. Lectio praecursoria Lectio praecursoria Signal Processing Methods for Drum Transcription and Music Structure Analysis (Signaalinkäsittelymenetelmiä rumpujen nuotintamiseen ja musiikin muotoanalyysiin) Jouni Paulus 8.1.2010

Lisätiedot

ÄÄNEKKÄÄMMÄN KANTELEEN MALLINTAMINEN ELEMENTTIME- NETELMÄLLÄ

ÄÄNEKKÄÄMMÄN KANTELEEN MALLINTAMINEN ELEMENTTIME- NETELMÄLLÄ ÄÄNEKKÄÄMMÄN KANTELEEN MALLINTAMINEN ELEMENTTIME- NETELMÄLLÄ Henna Tahvanainen 1, Jyrki Pölkki 2, Henri Penttinen 1, Vesa Välimäki 1 1 Signaalinkäsittelyn ja akustiikan laitos Aalto-yliopiston sähkötekniikan

Lisätiedot

Musiikkipäiväkirjani: Soitetaan rytmissä omaa ääntä käyttämällä (RV1) Juhlitaan kaikkia tunnettuja kielen ääniä.

Musiikkipäiväkirjani: Soitetaan rytmissä omaa ääntä käyttämällä (RV1) Juhlitaan kaikkia tunnettuja kielen ääniä. Musiikkipäiväkirjani: Soitetaan rytmissä omaa ääntä käyttämällä (RV1) Juhlitaan kaikkia tunnettuja kielen ääniä. Musiikkipäiväkirjani: Soitetaan rytmissä omaa ääntä... (RV1) Juhlitaan kaikkia tunnettuja

Lisätiedot

Puheentunnistus Mikko Kurimo

Puheentunnistus Mikko Kurimo Puheentunnistus Mikko Kurimo Mitä automaattinen puheentunnistus on? Automaattinen puheentunnistin on laite, joka määrittää ja tulostaa sanan tai tekstin, joka parhaiten vastaa äänitettyä puhesignaalia.

Lisätiedot

Opetusmateriaalin visuaalinen suunnittelu. Kirsi Nousiainen 27.5.2005

Opetusmateriaalin visuaalinen suunnittelu. Kirsi Nousiainen 27.5.2005 Opetusmateriaalin visuaalinen suunnittelu Kirsi Nousiainen 27.5.2005 Visuaalinen suunnittelu Ei ole koristelua Visuaalinen ilme vaikuttaa vastaanottokykyyn rauhallista jaksaa katsoa pitempään ja keskittyä

Lisätiedot

SGN-4200 Digitaalinen audio

SGN-4200 Digitaalinen audio SGN-4200 Digitaalinen audio Luennot, kevät 2013, periodi 4 Anssi Klapuri Tampereen teknillinen yliopisto Kurssin tavoite Johdanto 2! Tarjota tiedot audiosignaalinkäsittelyn perusteista perusoperaatiot,

Lisätiedot

Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida?

Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida? Ongelma(t): Miten digitaalista tietoa voidaan toisintaa ja visualisoida? Miten monimutkaista tietoa voidaan toisintaa ja visualisoida? 2 Tieto on koodattu aikaisempaa yleisemmin digitaaliseen muotoon,

Lisätiedot

1 Määrittele seuraavat langattoman tiedonsiirron käsitteet.

1 Määrittele seuraavat langattoman tiedonsiirron käsitteet. 1 1 Määrittele seuraavat langattoman tiedonsiirron käsitteet. Radiosignaalin häipyminen. Adaptiivinen antenni. Piilossa oleva pääte. Radiosignaali voi edetä lähettäjältä vastanottajalle (jotka molemmat

Lisätiedot

Mikrofonien toimintaperiaatteet. Tampereen musiikkiakatemia Studioäänittäminen Klas Granqvist

Mikrofonien toimintaperiaatteet. Tampereen musiikkiakatemia Studioäänittäminen Klas Granqvist Mikrofonien toimintaperiaatteet Tampereen musiikkiakatemia Studioäänittäminen Klas Granqvist Mikrofonien luokittelu Sähköinen toimintaperiaate Akustinen toimintaperiaate Suuntakuvio Herkkyys Taajuusvaste

Lisätiedot

Puhe ja kommunikaatio

Puhe ja kommunikaatio Puhe ja kommunikaatio Puhe on ihmisen kehittämistä kommunikoinnin muodoista hienostunein ja monimutkaisin -- siihen on kerrostunut useanlaista informaatiota, joiden määrittelyyn tarvitaan jonkinlainen

Lisätiedot

Suomen virtuaaliammattikorkeakoulu Boolen operaattorit v. 0.5 > 80 % 80 60 % 60 50 % < 50 % Suhteellinen osuus maksimiarvosta (%)

Suomen virtuaaliammattikorkeakoulu Boolen operaattorit v. 0.5 > 80 % 80 60 % 60 50 % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Suomen virtuaaliammattikorkeakoulu Boolen operaattorit v. 0.5 > 80 % 80 60 % 60 50 % < 50 % Arviointialue Ominaisuuksien

Lisätiedot

4 Fonetiikkaa. Puhe-elimet

4 Fonetiikkaa. Puhe-elimet 4 Fonetiikkaa Puhe on kaiken kaikkiaan hyvin monitasoinen ja monimutkainen inhimillinen ja fysikaalinen ilmiö, sisältäen kysymyksiä liittyen mm. kognitioon, kieleen, fysiologiaan, kuuloon ja akustiikkaan.

Lisätiedot

Tiistai klo 10-12 Jari Eerola 20.1.2015

Tiistai klo 10-12 Jari Eerola 20.1.2015 Tiistai klo 10-12 Jari Eerola 20.1.2015 } 20.1. Kuvaajatyypit ja ohjelmat Analyysiohjelmista Praat ja Sonic Visualiser Audacity } 27.1. Nuotinnusohjelmista Nuotinnusohjelmista Musescore } Tietokoneavusteinen

Lisätiedot

Ongelma(t): Miten mikro-ohjelmoitavaa tietokonetta voisi ohjelmoida kirjoittamatta binääristä (mikro)koodia? Voisiko samalla algoritmin esitystavalla

Ongelma(t): Miten mikro-ohjelmoitavaa tietokonetta voisi ohjelmoida kirjoittamatta binääristä (mikro)koodia? Voisiko samalla algoritmin esitystavalla Ongelma(t): Miten mikro-ohjelmoitavaa tietokonetta voisi ohjelmoida kirjoittamatta binääristä (mikro)koodia? Voisiko samalla algoritmin esitystavalla ohjelmoida useita komponenteiltaan ja rakenteeltaan

Lisätiedot

Puheentunnistus ja synteettinen puhe

Puheentunnistus ja synteettinen puhe Puheentunnistus ja synteettinen puhe S-114.1100 Laskennallinen tiede, syksy 2005 (kuva: viite 5) Heikki Hyyti 60451P 1. Sisällysluettelo 1. Sisällysluettelo... 2 2. Tiivistelmä...3 3. Yleistä... 3 4. Kieli

Lisätiedot

Johdatus rakenteisiin dokumentteihin

Johdatus rakenteisiin dokumentteihin -RKGDWXVUDNHQWHLVLLQGRNXPHQWWHLKLQ 5DNHQWHLQHQGRNXPHQWWL= rakenteellinen dokumentti dokumentti, jossa erotetaan toisistaan dokumentin 1)VLVlOW, 2) UDNHQQHja 3) XONRDVX(tai esitystapa) jotakin systemaattista

Lisätiedot

RYHMÄKERROIN ÄÄNILÄHDERYHMÄN SUUNTAAVUUDEN

RYHMÄKERROIN ÄÄNILÄHDERYHMÄN SUUNTAAVUUDEN ÄÄNILÄHDERYHMÄN SUUNTAAVUUDEN ARVIOINNISSA Seppo Uosukainen, Jukka Tanttari, Heikki Isomoisio, Esa Nousiainen, Ville Veijanen, Virpi Hankaniemi VTT PL, 44 VTT etunimi.sukunimi@vtt.fi Wärtsilä Finland Oy

Lisätiedot

Suomen virtuaaliammattikorkeakoulu Tietojohtaminen rakennus prosesseissa > 80 % 80 60 % 60 50 % < 50 % Suhteellinen osuus maksimiarvosta (%)

Suomen virtuaaliammattikorkeakoulu Tietojohtaminen rakennus prosesseissa > 80 % 80 60 % 60 50 % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Suomen virtuaaliammattikorkeakoulu Tietojohtaminen rakennus prosesseissa > 80 % 80 60 % 60 50 % < 50 % Arviointialue

Lisätiedot

Miten opetan suomea? luento 19.8.2011 CIMO:ssa Comenius-apulaisopettajiksi lähteville Emmi Pollari

Miten opetan suomea? luento 19.8.2011 CIMO:ssa Comenius-apulaisopettajiksi lähteville Emmi Pollari Miten opetan suomea? luento 19.8.2011 CIMO:ssa Comenius-apulaisopettajiksi lähteville Emmi Pollari Suomen kielestä 1/2 erilainen kieli kuinka eroaa indoeurooppalaisista kielistä? o ei sukuja, ei artikkeleita,

Lisätiedot

Opetusmateriaali. Tutkimustehtävien tekeminen

Opetusmateriaali. Tutkimustehtävien tekeminen Opetusmateriaali Tämän opetusmateriaalin tarkoituksena on opettaa kiihtyvyyttä mallintamisen avulla. Toisena tarkoituksena on hyödyntää pikkuautoa ja lego-ukkoa fysiikkaan liittyvän ahdistuksen vähentämiseksi.

Lisätiedot

5. Kohosen itseorganisoituvat verkot. 5.1. Johdanto

5. Kohosen itseorganisoituvat verkot. 5.1. Johdanto 76 77 5. Kohosen itseorganisoituvat verkot 5.1. Johdanto Edellä on tarkasteltu ohjattuun oppimiseen pohjautuvia algoritmeja. Tässä kappaleessa pohdiskellaan ohjaamattoman oppimisen menetelmiä, erikoisesti

Lisätiedot

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Mittalaitteiden staattiset ominaisuudet Mittalaitteita kuvaavat tunnusluvut voidaan jakaa kahteen luokkaan Staattisiin

Lisätiedot

Alberta Language and Development Questionnaire (ALDeQ) A. Varhaiskehitys Lapsen nimi

Alberta Language and Development Questionnaire (ALDeQ) A. Varhaiskehitys Lapsen nimi Alberta Language and Development Questionnaire (ALDeQ) A. Varhaiskehitys Lapsen nimi 1. Milloin lapsenne otti ensiaskeleensa? 2. Minkä ikäisenä lapsenne sanoi ensisanansa? Esimerkkejä ensisanoista (käännöksineen):

Lisätiedot

VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Lauri Karppi j82095. SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI.

VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Lauri Karppi j82095. SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI. VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA Oskari Uitto i78966 Lauri Karppi j82095 SATE.2010 Dynaaminen kenttäteoria DIPOLIRYHMÄANTENNI Sivumäärä: 14 Jätetty tarkastettavaksi: 25.02.2008 Työn

Lisätiedot

1 Kannat ja kannanvaihto

1 Kannat ja kannanvaihto 1 Kannat ja kannanvaihto 1.1 Koordinaattivektori Oletetaan, että V on K-vektoriavaruus, jolla on kanta S = (v 1, v 2,..., v n ). Avaruuden V vektori v voidaan kirjoittaa kannan vektorien lineaarikombinaationa:

Lisätiedot

Sisällönanalyysi. Sisältö

Sisällönanalyysi. Sisältö Sisällönanalyysi Kirsi Silius 14.4.2005 Sisältö Sisällönanalyysin kohde Aineistolähtöinen sisällönanalyysi Teoriaohjaava ja teorialähtöinen sisällönanalyysi Sisällönanalyysi kirjallisuuskatsauksessa 1

Lisätiedot

Kuuloaisti. Korva ja ääni. Melu

Kuuloaisti. Korva ja ääni. Melu Kuuloaisti Ääni aaltoliikkeenä Tasapainoaisti Korva ja ääni Äänen kulku Korvan sairaudet Melu Kuuloaisti Ääni syntyy värähtelyistä. Taajuus mitataan värähtelyt/sekunti ja ilmaistaan hertseinä (Hz) Ihmisen

Lisätiedot

S-114.3812 Laskennallinen Neurotiede

S-114.3812 Laskennallinen Neurotiede S-114.381 Laskennallinen Neurotiede Projektityö 30.1.007 Heikki Hyyti 60451P Tehtävä 1: Virityskäyrästön laskeminen Luokitellaan neuroni ensin sen mukaan, miten se vastaa sinimuotoisiin syötteisiin. Syöte

Lisätiedot

4.2 Akustista fonetiikkaa

4.2 Akustista fonetiikkaa 4.2 Akustista fonetiikkaa Akustisessa fonetiikassa tutkitaan puheen akustisia ominaisuuksia ja sitä miten ne seuraavat puheentuottomekanismin toiminnasta. Aiheen tarkka käsitteleminen vaatisi oman kurssinsa,

Lisätiedot

1.9 Harjoituksia. Frekvenssijakaumien harjoituksia. MAB5: Tilastotieteen lähtökohdat. a) Kaikki aakkoset b) Kirjaimet L, E, M, C, B, A ja i.

1.9 Harjoituksia. Frekvenssijakaumien harjoituksia. MAB5: Tilastotieteen lähtökohdat. a) Kaikki aakkoset b) Kirjaimet L, E, M, C, B, A ja i. MAB5: Tilastotieteen lähtökohdat 1.9 Harjoituksia 1.1 Ulkolämpömittari näytti eilen 10 C ja tänään 20 C. Onko tänään kaksi kertaa niin kylmä kuin eilen? Miksi tai miksi ei? 1.2 Minkä luokkien muuttujia

Lisätiedot

Puhekorpukseet. Puhekorpukset ja puhetietokannat. Puhekorpus. Martti Vainio

Puhekorpukseet. Puhekorpukset ja puhetietokannat. Puhekorpus. Martti Vainio Puhekorpukset ja puhetietokannat Puhekorpus Puhekorpukset Martti Vainio Määritelmä: Puhutun kielen korpus (engl. spoken language corpus) on mikä tahansa kokoelma puheäänitteitä, joka on tietokoneen luettavassa

Lisätiedot

Siemens kuulokojeet ja. BestSound teknologia

Siemens kuulokojeet ja. BestSound teknologia Siemens kuulokojeet ja BestSound teknologia s 2010 1878 2008 1910 1949 2006 1959 1966 1987 1997 2002 2004 2005 Siemens kuulokojeiden teknologian kehitys 1878 Phonophor, Siemens kehittää ensimmäisen teknisen

Lisätiedot

Vaikeavammaisen asiakkaan kanssa työskentely

Vaikeavammaisen asiakkaan kanssa työskentely Vaikeavammaisen asiakkaan kanssa työskentely Lähtökohtia Tavoitteena asiakkaan osallisuuden lisääminen. Asiakkaan kokemusmaailmaa tulee rikastuttaa tarjoamalla riittävästi elämyksiä ja kokemuksia. Konkreettisten

Lisätiedot

Kohti uuden sukupolven digitaalipianoja

Kohti uuden sukupolven digitaalipianoja Kohti uuden sukupolven digitaalipianoja Heidi-Maria Lehtonen, DI Aalto-yliopiston teknillinen korkeakoulu Signaalinkäsittelyn ja akustiikan laitos Esitys RISS:n kokouksessa 17.11.2010 Esityksen sisältö

Lisätiedot

Johdatus tekoälyyn. Luento 6.10.2011: Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ]

Johdatus tekoälyyn. Luento 6.10.2011: Koneoppiminen. Patrik Hoyer. [ Kysykää ja kommentoikaa luennon aikana! ] Johdatus tekoälyyn Luento 6.10.2011: Koneoppiminen Patrik Hoyer [ Kysykää ja kommentoikaa luennon aikana! ] Koneoppiminen? Määritelmä: kone = tietokone, tietokoneohjelma oppiminen = ongelmanratkaisukyvyn

Lisätiedot

Mediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin

Mediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä

Lisätiedot

2. Lisää Java-ohjelmoinnin alkeita. Muuttuja ja viittausmuuttuja (1/4) Muuttuja ja viittausmuuttuja (2/4)

2. Lisää Java-ohjelmoinnin alkeita. Muuttuja ja viittausmuuttuja (1/4) Muuttuja ja viittausmuuttuja (2/4) 2. Lisää Java-ohjelmoinnin alkeita Muuttuja ja viittausmuuttuja Vakio ja literaalivakio Sijoituslause Syötteen lukeminen ja Scanner-luokka 1 Muuttuja ja viittausmuuttuja (1/4) Edellä mainittiin, että String-tietotyyppi

Lisätiedot

http://www.opiskelijakirjasto.lib.helsinki.fi/fonterm/006.htm

http://www.opiskelijakirjasto.lib.helsinki.fi/fonterm/006.htm Luku 2 Fonetiikkaa Puhe on kaiken kaikkiaan hyvin monitasoinen ja monimutkainen inhimillinen ja fysikaalinen ilmiö, sisältäen kysymyksiä liittyen mm. kognitioon, kieleen, fysiologiaan, kuuloon ja akustiikkaan.

Lisätiedot

Digitaalinen signaalinkäsittely Kuvankäsittely

Digitaalinen signaalinkäsittely Kuvankäsittely Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät,

Lisätiedot

Taulukot. Jukka Harju, Jukka Juslin 2006 1

Taulukot. Jukka Harju, Jukka Juslin 2006 1 Taulukot Jukka Harju, Jukka Juslin 2006 1 Taulukot Taulukot ovat olioita, jotka auttavat organisoimaan suuria määriä tietoa. Käsittelylistalla on: Taulukon tekeminen ja käyttö Rajojen tarkastus ja kapasiteetti

Lisätiedot

9.2.3. Englanti. 3. luokan keskeiset tavoitteet

9.2.3. Englanti. 3. luokan keskeiset tavoitteet 9.2.3. Englanti Koulussamme aloitetaan A1 kielen (englanti) opiskelu kolmannelta luokalta. Jos oppilas on valinnut omassa koulussaan jonkin toisen kielen, opiskelu tapahtuu oman koulun opetussuunnitelman

Lisätiedot

2.1 Ääni aaltoliikkeenä

2.1 Ääni aaltoliikkeenä 2. Ääni Äänen tutkimusta kutsutaan akustiikaksi. Akustiikassa tutkitaan äänen tuottamista, äänen ominaisuuksia, soittimia, musiikkia, puhetta, äänen etenemistä ja kuulemisen fysiologiaa. Ääni kuljettaa

Lisätiedot

Taajuusmittauskilpailu Hertsien herruus 2008. Mittausraportti

Taajuusmittauskilpailu Hertsien herruus 2008. Mittausraportti Taajuusmittauskilpailu Hertsien herruus 2008 1. MITTAUSJÄRJESTELMÄ Mittausraportti Petri Kotilainen OH3MCK Mittausjärjestelmän lohkokaavio on kuvattu alla. Vastaanottoon käytettiin magneettisilmukkaantennia

Lisätiedot

Tarvitseeko informaatioteknologia matematiikkaa?

Tarvitseeko informaatioteknologia matematiikkaa? Tarvitseeko informaatioteknologia matematiikkaa? Oulun yliopisto Matemaattisten tieteiden laitos 1 Kyllä kai IT matematiikkaa tarvitsee!? IT ja muu korkea teknologia on nimenomaan matemaattista teknologiaa.

Lisätiedot

Parinmuodostuksesta tietojenkäsittelytieteen silmin. Petteri Kaski Tietojenkäsittelytieteen laitos Aalto-yliopisto

Parinmuodostuksesta tietojenkäsittelytieteen silmin. Petteri Kaski Tietojenkäsittelytieteen laitos Aalto-yliopisto Parinmuodostuksesta tietojenkäsittelytieteen silmin Petteri Kaski Tietojenkäsittelytieteen laitos Aalto-yliopisto Suomalainen Tiedeakatemia Nuorten Akatemiaklubi 18.10.2010 Sisältö Mitä tietojenkäsittelytieteessä

Lisätiedot

TIETOINEN HAVAINTO, TIETOINEN HAVAINNOINTI JA TULKINTA SEKÄ HAVAINNOLLISTAMINEN

TIETOINEN HAVAINTO, TIETOINEN HAVAINNOINTI JA TULKINTA SEKÄ HAVAINNOLLISTAMINEN TIETOINEN HAVAINTO, TIETOINEN HAVAINNOINTI JA TULKINTA SEKÄ HAVAINNOLLISTAMINEN Hanna Vilkka Mikä on havainto? - merkki (sana, lause, ajatus, ominaisuus, toiminta, teko, suhde) + sen merkitys (huom. myös

Lisätiedot

Kombinatorinen optimointi

Kombinatorinen optimointi Kombinatorinen optimointi Sallittujen pisteiden lukumäärä on äärellinen Periaatteessa ratkaisu löydetään käymällä läpi kaikki pisteet Käytännössä lukumäärä on niin suuri, että tämä on mahdotonta Usein

Lisätiedot

Käyttöliittymä. Ihmisen ja tuotteen välinen rajapinta. ei rajoitu pelkästään tietokoneisiin

Käyttöliittymä. Ihmisen ja tuotteen välinen rajapinta. ei rajoitu pelkästään tietokoneisiin Käyttöliittymä Ihmisen ja tuotteen välinen rajapinta ei rajoitu pelkästään tietokoneisiin Tasot: 1. Teknis-fysiologis-ergonimen 2. Käsitteellis-havainnoillinen 3. Toiminnallis-kontekstuaalinen, käyttötilanne

Lisätiedot

Oulun ja Pohjois Karjalan ammattikorkeakoulu Virtuaalivasikan kasvatuspeli v. 0.5 > 80 % 80 60 % 60 50 % < 50 % Suhteellinen osuus maksimiarvosta (%)

Oulun ja Pohjois Karjalan ammattikorkeakoulu Virtuaalivasikan kasvatuspeli v. 0.5 > 80 % 80 60 % 60 50 % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Oulun ja Pohjois Karjalan ammattikorkeakoulu Virtuaalivasikan kasvatuspeli v. 0.5 > 80 % 80 60 % 60 50 % < 50

Lisätiedot

Itseorganisoituvat hermoverkot: Viitekehys mielen ja kielen, aivokuoren ja käsitteiden tarkasteluun

Itseorganisoituvat hermoverkot: Viitekehys mielen ja kielen, aivokuoren ja käsitteiden tarkasteluun Itseorganisoituvat hermoverkot: Viitekehys mielen ja kielen, aivokuoren ja käsitteiden tarkasteluun Timo Honkela Kognitiivisten järjestelmien tutkimusryhmä Adaptiivisen informatiikan tutkimuskeskus Tietojenkäsittelytieteen

Lisätiedot

Lahden, Pohjois Karjalan ja Kemi Tornion AMK Effective Reading > 80 % 80 60 % 60 50 % < 50 % Suhteellinen osuus maksimiarvosta (%)

Lahden, Pohjois Karjalan ja Kemi Tornion AMK Effective Reading > 80 % 80 60 % 60 50 % < 50 % Suhteellinen osuus maksimiarvosta (%) Oppimisaihion arviointi / Arvioinnin tulos 9 Aineiston arvioinnin tulos arviointialueittain Lahden, Pohjois Karjalan ja Kemi Tornion AMK Effective Reading > 80 % 80 60 % 60 50 % < 50 % Arviointialue Ominaisuuksien

Lisätiedot

MATEMATIIKKA 5 VIIKKOTUNTIA

MATEMATIIKKA 5 VIIKKOTUNTIA EB-TUTKINTO 2008 MATEMATIIKKA 5 VIIKKOTUNTIA PÄIVÄMÄÄRÄ: 5. kesäkuuta 2008 (aamupäivä) KOKEEN KESTO: 4 tuntia (240 minuuttia) SALLITUT APUVÄLINEET: Europpa-koulun antama taulukkovihkonen Funktiolaskin,

Lisätiedot

MOT-hanke. Metodimessut 29.10.2005 Jorma Joutsenlahti & Pia Hytti 2. MOT-hanke

MOT-hanke. Metodimessut 29.10.2005 Jorma Joutsenlahti & Pia Hytti 2. MOT-hanke Dia 1 MOT-hanke Mat ematiikan Oppimat eriaalin Tutkimuksen hanke 2005-2006 Hämeenlinnan OKL:ssa Metodimessut 29.10.2005 Jorma Joutsenlahti & Pia Hytti 1 MOT-hanke Osallistujat:13 gradun tekijää (8 gradua)

Lisätiedot

Ongelma(t): Miten jollakin korkeamman tason ohjelmointikielellä esitetty algoritmi saadaan suoritettua mikro-ohjelmoitavalla tietokoneella ja siinä

Ongelma(t): Miten jollakin korkeamman tason ohjelmointikielellä esitetty algoritmi saadaan suoritettua mikro-ohjelmoitavalla tietokoneella ja siinä Ongelma(t): Miten jollakin korkeamman tason ohjelmointikielellä esitetty algoritmi saadaan suoritettua mikro-ohjelmoitavalla tietokoneella ja siinä olevilla komponenteilla? Voisiko jollakin ohjelmointikielellä

Lisätiedot

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit.

r = 0.221 n = 121 Tilastollista testausta varten määritetään aluksi hypoteesit. A. r = 0. n = Tilastollista testausta varten määritetään aluksi hypoteesit. H 0 : Korrelaatiokerroin on nolla. H : Korrelaatiokerroin on nollasta poikkeava. Tarkastetaan oletukset: - Kirjoittavat väittävät

Lisätiedot

Luku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti

Luku 6. Dynaaminen ohjelmointi. 6.1 Funktion muisti Luku 6 Dynaaminen ohjelmointi Dynaamisessa ohjelmoinnissa on ideana jakaa ongelman ratkaisu pienempiin osaongelmiin, jotka voidaan ratkaista toisistaan riippumattomasti. Jokaisen osaongelman ratkaisu tallennetaan

Lisätiedot

MONISTE 2 Kirjoittanut Elina Katainen

MONISTE 2 Kirjoittanut Elina Katainen MONISTE 2 Kirjoittanut Elina Katainen TILASTOLLISTEN MUUTTUJIEN TYYPIT 1 Mitta-asteikot Tilastolliset muuttujat voidaan jakaa kahteen päätyyppiin: kategorisiin ja numeerisiin muuttujiin. Tämän lisäksi

Lisätiedot

Sähköposti ja uutisryhmät 4.5.2005

Sähköposti ja uutisryhmät 4.5.2005 Outlook Express Käyttöliittymä Outlook Express on windows käyttöön tarkoitettu sähköpostin ja uutisryhmien luku- ja kirjoitussovellus. Se käynnistyy joko omasta kuvakkeestaan työpöydältä tai Internet Explorer

Lisätiedot

MONIKULTTUURISEN OPETUKSEN JA OHJAUKSEN HAASTEET. Selkokielen käyttö opetuksessa. Suvi Lehto-Lavikainen, Koulutuskeskus Salpaus

MONIKULTTUURISEN OPETUKSEN JA OHJAUKSEN HAASTEET. Selkokielen käyttö opetuksessa. Suvi Lehto-Lavikainen, Koulutuskeskus Salpaus MONIKULTTUURISEN OPETUKSEN JA OHJAUKSEN HAASTEET Selkokielen käyttö opetuksessa Suvi Lehto-Lavikainen, Koulutuskeskus Salpaus Ihmisten viestinnän epätarkkuus johtaa usein virheellisiin tulkintoihin keskusteluissa!

Lisätiedot

Ohjelmiston testaus ja laatu. Testausmenetelmiä

Ohjelmiston testaus ja laatu. Testausmenetelmiä Ohjelmiston testaus ja laatu Testausmenetelmiä Testausmenetelmiä - 1 Testauksen menetelmien päälähestymistapoina ovat black-box testi testaaja ei voi tutkia lähdekoodia testaus perustuu sovellukselle suunnitteluvaiheessa

Lisätiedot

Akustiikka ja toiminta

Akustiikka ja toiminta Akustiikka ja toiminta Äänitiede on kutsumanimeltään akustiikka. Sana tulee Kreikan kielestä akoustos, joka tarkoittaa samaa kuin kuulla. Tutkiessamme värähtelyjä ja säteilyä, voimme todeta että värähtely

Lisätiedot

MIKROAALTOUUNI VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Tuomas Karri i78953 Jussi Luopajärvi i80712 Juhani Tammi o83312

MIKROAALTOUUNI VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA. Tuomas Karri i78953 Jussi Luopajärvi i80712 Juhani Tammi o83312 VAASAN YLIOPISTO TEKNILLINEN TIEDEKUNTA SÄHKÖTEKNIIKKA Tuomas Karri i78953 Jussi Luopajärvi i80712 Juhani Tammi o83312 SATE.2010 Dynaaminen kenttäteoria MIKROAALTOUUNI Sivumäärä: 12 Jätetty tarkastettavaksi:

Lisätiedot

T-61.246 DSP: GSM codec

T-61.246 DSP: GSM codec T-61.246 DSP: GSM codec Agenda Johdanto Puheenmuodostus Erilaiset codecit GSM codec Kristo Lehtonen GSM codec 1 Johdanto Analogisen puheen muuttaminen digitaaliseksi Tiedon tiivistäminen pienemmäksi Vähentää

Lisätiedot

Lapsen tyypillinen kehitys. -kommunikaatio -kielellinen kehitys

Lapsen tyypillinen kehitys. -kommunikaatio -kielellinen kehitys Lapsen tyypillinen kehitys -kommunikaatio -kielellinen kehitys Kielellinen kehitys Vauvalla on synnynnäinen kyky vastaanottaa kieltä ja tarve olla vuorovaikutuksessa toisen ihmisen kanssa Kielellinen kehitys

Lisätiedot

Motorola Phone Tools. Pikaopas

Motorola Phone Tools. Pikaopas Motorola Phone Tools Pikaopas Sisältö Vähimmäisvaatimukset... 2 Ennen asennusta Motorola Phone Tools... 3 Asentaminen Motorola Phone Tools... 4 Matkapuhelimen asennus ja määritys... 5 Online-rekisteröinti...

Lisätiedot

Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi

Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Viikko 2: Ensimmäiset ennustajat Matti Kääriäinen matti.kaariainen@cs.helsinki.fi Exactum C222, 5.-7.11.2008. 1 Tällä viikolla Sisältösuunnitelma: Ennustamisstrategioista Koneoppimismenetelmiä: k-nn (luokittelu

Lisätiedot

Syksyn 2015 Lyhyen matematiikan YO-kokeen TI-Nspire CAS -ratkaisut

Syksyn 2015 Lyhyen matematiikan YO-kokeen TI-Nspire CAS -ratkaisut Sksn 015 Lhen matematiikan YO-kokeen TI-Nspire CAS -ratkaisut Tekijät: Olli Karkkulainen ja Markku Parkkonen Ratkaisut on laadittu TI-Nspire CAS -tietokoneohjelmalla kättäen Muistiinpanot -sovellusta.

Lisätiedot

Terveydenhuollon tehokas johtaminen edellyttää parhaat raportointi- ja analysointityövälineet

Terveydenhuollon tehokas johtaminen edellyttää parhaat raportointi- ja analysointityövälineet Terveydenhuollon tehokas johtaminen edellyttää parhaat raportointi- ja analysointityövälineet Tarvitsetko vastauksia seuraaviin kysymyksiin: - miten hoitokustannukset jakautuvat jäsenkuntien kesken? -

Lisätiedot

v 8 v 9 v 5 C v 3 v 4

v 8 v 9 v 5 C v 3 v 4 Verkot Verkko on (äärellinen) matemaattinen malli, joka koostuu pisteistä ja pisteitä toisiinsa yhdistävistä viivoista. Jokainen viiva yhdistää kaksi pistettä, jotka ovat viivan päätepisteitä. Esimerkiksi

Lisätiedot

KESKEISET SISÄLLÖT Keskeiset sisällöt voivat vaihdella eri vuositasoilla opetusjärjestelyjen mukaan.

KESKEISET SISÄLLÖT Keskeiset sisällöt voivat vaihdella eri vuositasoilla opetusjärjestelyjen mukaan. VUOSILUOKAT 6 9 Vuosiluokkien 6 9 matematiikan opetuksen ydintehtävänä on syventää matemaattisten käsitteiden ymmärtämistä ja tarjota riittävät perusvalmiudet. Perusvalmiuksiin kuuluvat arkipäivän matemaattisten

Lisätiedot

Solmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä:

Solmu 3/2001 Solmu 3/2001. Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Frégier n lause Simo K. Kivelä Kevään 2001 ylioppilaskirjoitusten pitkän matematiikan kokeessa oli seuraava tehtävä: Suorakulmaisen kolmion kaikki kärjet sijaitsevat paraabelilla y = x 2 ; suoran kulman

Lisätiedot

Yhdyssana suomen kielessä ja puheessa

Yhdyssana suomen kielessä ja puheessa Yhdyssana suomen kielessä ja puheessa Tommi Nieminen Jyväskylän yliopisto Anna Lantee Tampereen yliopisto 37. Kielitieteen päivät Helsingissä 20. 22.5.2010 Yhdyssanan ortografian historia yhdyssanan käsite

Lisätiedot

Mitä suomen intonaatiosta tiedetään

Mitä suomen intonaatiosta tiedetään Mitä suomen intonaatiosta tiedetään ja mitä ehkä tulisi tietää? Tommi Nieminen Itä-Suomen yliopisto AFinLAn syyssymposium Helsinki 13. 14. 11. 2015 Johdanto Jäsennys 1 Johdanto 2 Mitä intonaatiosta tiedetään?

Lisätiedot

Puheentunnistus. 1 Johdanto. Mikko Kurimo Teknillinen korkeakoulu Informaatiotekniikan laboratorio

Puheentunnistus. 1 Johdanto. Mikko Kurimo Teknillinen korkeakoulu Informaatiotekniikan laboratorio Puheentunnistus Mikko Kurimo Teknillinen korkeakoulu Informaatiotekniikan laboratorio 1 Johdanto 1.1 Puheentunnistuksen merkitys Puhetta ymmärtävää konetta on pidetty tärkeänä askeleena ihmisen arkielämää

Lisätiedot

4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA. T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen

4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA. T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen 4 / 2013 TI-NSPIRE CAS TEKNOLOGIA LUKIOSSA T3-kouluttajat: Olli Karkkulainen ja Markku Parkkonen 1 2 TI-Nspire CX CAS kämmenlaite kevään 2013 pitkän matematiikan kokeessa Tehtävä 1. Käytetään komentoa

Lisätiedot

Fonetiikan perusteet (FA1/Clt 120): ääni II, ilmavirtamekanismit ja äänteet

Fonetiikan perusteet (FA1/Clt 120): ääni II, ilmavirtamekanismit ja äänteet Fonetiikan perusteet (FA1/Clt 120): ääni II, ilmavirtamekanismit ja äänteet Martti Vainio, syksy 2006 Voice Onset Time (VOT) soinnittomilla klusiileilla äänihuulten värähtely (fonaatio) lakkautetaan sulkeumavaihetta

Lisätiedot

Digitaalitekniikan matematiikka Luku 13 Sivu 1 (10) Virheen havaitseminen ja korjaus

Digitaalitekniikan matematiikka Luku 13 Sivu 1 (10) Virheen havaitseminen ja korjaus Digitaalitekniikan matematiikka Luku 13 Sivu 1 (10) Digitaalitekniikan matematiikka Luku 13 Sivu 2 (10) Johdanto Tässä luvussa esitetään virheen havaitsevien ja korjaavien koodaustapojen perusteet ja käyttösovelluksia

Lisätiedot

5.3 Ensimmäisen asteen polynomifunktio

5.3 Ensimmäisen asteen polynomifunktio Yllä olevat polynomit P ( x) = 2 x + 1 ja Q ( x) = 2x 1 ovat esimerkkejä 1. asteen polynomifunktioista: muuttujan korkein potenssi on yksi. Yleisessä 1. asteen polynomifunktioissa on lisäksi vakiotermi;

Lisätiedot

Luova opettaja, luova oppilas matematiikan tunneilla

Luova opettaja, luova oppilas matematiikan tunneilla Luova opettaja, luova oppilas matematiikan tunneilla ASKELEITA LUOVUUTEEN - Euroopan luovuuden ja innovoinnin teemavuoden 2009 päätösseminaari Anni Lampinen konsultoiva opettaja, Espoon Matikkamaa www.espoonmatikkamaa.fi

Lisätiedot