scholarly journals Dominant frequency component tracking of noisy time‐varying signals using the linear predictive coding pole processing method

2021 ◽  
Author(s):  
Jin Xu ◽  
Mark Davis ◽  
Ruairí de Fréin
Keyword(s):  
Predictive Coding ◽  
Frequency Component ◽  
Dominant Frequency ◽  
Processing Method ◽  
Time Varying ◽  
Linear Predictive Coding

Exploring vowel formant estimation through simulation-based techniques

2020 ◽  
Vol 6 (s1) ◽  
Author(s):  
Tyler Kendall ◽  
Charlotte Vaughn
Keyword(s):  
Predictive Coding ◽  
Linear Predictive Coding ◽  
Fine Grained ◽  
Vowel Formant ◽  
Simulation Based ◽  
Insight Into

AbstractThis paper contributes insight into the sources of variability in vowel formant estimation, a major analytic activity in sociophonetics, by reviewing the outcomes of two simulations that manipulated the settings used for linear predictive coding (LPC)-based vowel formant estimation. Simulation 1 explores the range of frequency differences obtained when minor adjustments are made to LPC settings, and measurement timepoints around the settings used by trained analysts, in order to determine the range of variability that should be expected in sociophonetic vowel studies. Simulation 2 examines the variability that emerges when LPC settings are varied combinatorially around constant default settings, rather than settings set by trained analysts. The impacts of different LPC settings are discussed as a way of demonstrating the inherent properties of LPC-based formant estimation. This work suggests that differences more fine-grained than about 10 Hz in F1 and 15–20 Hz in F2 are within the range of LPC-based formant estimation variability.

scholarly journals Navigation Security Module with Real-Time Voice Command Recognition System

2017 ◽  
Vol 24 (2) ◽  
pp. 17-26
Author(s):  
Mustafa Yagimli ◽  
Huseyin Kursat Tezer
Keyword(s):  
Real Time ◽  
Situational Awareness ◽  
Predictive Coding ◽  
Recognition System ◽  
Time Warping ◽  
Linear Predictive Coding ◽  
Mel Frequency Cepstral Coefficients ◽  
Voice Command ◽  
Security Module ◽  
Dynamic Time

Abstract The real-time voice command recognition system used for this study, aims to increase the situational awareness, therefore the safety of navigation, related especially to the close manoeuvres of warships, and the courses of commercial vessels in narrow waters. The developed system, the safety of navigation that has become especially important in precision manoeuvres, has become controllable with voice command recognition-based software. The system was observed to work with 90.6% accuracy using Mel Frequency Cepstral Coefficients (MFCC) and Dynamic Time Warping (DTW) parameters and with 85.5% accuracy using Linear Predictive Coding (LPC) and DTW parameters.

scholarly journals Optimalisasi Metode LPC-16 dan HMM-Forward Pada Sistem Asisten Virtual

2021 ◽  
Vol 7 (2) ◽  
pp. 101-107
Author(s):  
Chondro seto Nur Suryawan ◽  
Marisa Premitasari
Keyword(s):  
Markov Model ◽  
Hidden Markov Model ◽  
Hidden Markov ◽  
Predictive Coding ◽  
Linear Predictive Coding

Pada umumnya manusia saat ini menggunakan sistem operasi windows yang berjalan di perangkat desktop akan memasang banyak aplikasi sesuai kebutuhannya. Semakin banyak aplikasi yang di pasang maka semakin banyak pula shortcut yang tampil di bagian desktop windows. Shortcut sendiri merupakan sebuah objek alternatif yang digunakan untuk mewakili sehingga pengguna dapat dengan mudah membuka aplikasi tanpa harus pengguna membuka tempat dimana aplikasi tersebut terpasang. Banyaknya aplikasi yang terpasang pada sistem operasi windows membuat shortcut pada bagian desktop menjadi banyak dan membuat pengguna kesulitan dalam mencari  atau membuka aplikasi yang dinginkan. Oleh karena itu diperlukan aplikasi yang dapat membantu pengguna dalam mencari dan membuka aplikasi dengan mudah tanpa membuat pengguna kesulitan. Aplikasi tersebut adalah virtual asisten yang akan membantu pengguna dalam mencari dan membuka aplikasi yang diinginkan. Cara kerjanya dengan pengguna memasukan suara pengguna lalu di proses ekstraksi ciri menggunakan metode Linear Predictive Coding lalu di klasifikasikan menggunakan metode Hidden Markov Model Forward. Setelah terdeteksi maka aplikasi akan membuka aplikasi sesuai suara yang terdeksi. Penelitian ini menggunakan 120 data latih yang terdiri dari 6 label yaitu whatsapp, linkedin, Tokopedia, gmail, powerpoint, word. Untuk setiap label memiliki data latih berjumlah 20 data. Data yang diujikan berjumlah 60. Untuk setiap labelnya memiliki 10 data uji.

Sign in / Sign up

Export Citation Format

Share Document