مثل اینکه شما درست حرف زدن بلد نیستید! من برای تمام صحبت هایی که می کنم رفرنس و لینک میدم و شما اینقدر عشق جر و بحث الکی داری که به هیچکدوم توجه نمیکنی و فقط پشت سر هم توهین و حرفهای بیریط میزنید؛ یکمی سعی کنید همونطورکه میگید در یک محیط آکادمیک دارید بسر میبرید اونهم بخش تحقیق و توسعه، مدل چاله میدونی صحبت نکنید!
لازم نیست آدم همه چی رو پیادش کنه! برای HMM پیاده سازی هایی مثل Jahmm (http://www.run.montefiore.ulg.ac.be/~francois/software/jahmm/) وجود داره که implementation ای جاوایی از HMM هست، فقط کافیه کسی که میخواد ازش استفاده کنه، بدونه میخواد چکار کنه و از مفاهیم اساسی اطلاع داشته باشه و توسط راهنمایی های غلط گمراه نشده باشه! یه نمونه از استفاده از پکیج jahmm :
/* jahmm package - v@VERSION@ */
package be.ac.ulg.montefiore.run.jahmm.test;
/*
* SimpleExample.java: A simple example file for the jahmm package.
*
* Written by Jean-Marc Francois <francois-jahmm@run.montefiore.ulg.ac.be>
*
* The content of this file is public-domain.
*
* Compile with the following command:
* javac SimpleExample.java
* And run with:
* java SimpleExample
*
* This file (or a newer version) can be found at this URL:
* http://www.run.montefiore.ulg.ac.be/~francois/software/jahmm/example/
*
*
* Changelog:
* 2004-03-01: Creation. (JMF)
* 2004-04-27: Adapted to Jahmm 0.2.4. (JMF)
* 2005-01-31: Minor adaption for release 0.3.0. (JMF)
* 2005-11-25: Adapted to Jahmm 0.5.0. (JMF)
* 2006-01-11: Now prints the initial/learnt HMMs. (JMF)
* 2006-02-05: Small modification to avoid 'unchecked casting'. (JMF)
* 2006-02-05: Renamed, adapted to v0.6.0. (JMF)
*/
import java.util.*;
import be.ac.ulg.montefiore.run.jahmm.*;
import be.ac.ulg.montefiore.run.jahmm.draw.GenericHmmDraw erDot;
import be.ac.ulg.montefiore.run.jahmm.learn.BaumWelchLear ner;
import be.ac.ulg.montefiore.run.jahmm.toolbox.KullbackLei blerDistanceCalculator;
import be.ac.ulg.montefiore.run.jahmm.toolbox.MarkovGener ator;
/**
* This class demonstrates how to build a HMM with known parameters, how to
* generate a sequence of observations given a HMM, how to learn the parameters
* of a HMM given observation sequences, how to compute the probability of an
* observation sequence given a HMM and how to convert a HMM to a Postscript
* drawing.
* <p>
* The example used is that of a wireless computer network that can experience
* jamming. When the wireless medium is (resp. is not) jammed, a lot (resp.
* few) packets are lost. Thus, the HMMs built here have two states
* (jammed/not jammed).
*/
public class SimpleExample
{
/* Possible packet reception status */
public enum Packet {
OK, LOSS;
public ObservationDiscrete<Packet> observation() {
return new ObservationDiscrete<Packet>(this);
}
};
static public void main(String[] argv)
throws java.io.IOException
{
/* Build a HMM and generate observation sequences using this HMM */
Hmm<ObservationDiscrete<Packet>> hmm = buildHmm();
List<List<ObservationDiscrete<Packet>>> sequences;
sequences = generateSequences(hmm);
/* Baum-Welch learning */
BaumWelchLearner bwl = new BaumWelchLearner();
Hmm<ObservationDiscrete<Packet>> learntHmm = buildInitHmm();
// This object measures the distance between two HMMs
KullbackLeiblerDistanceCalculator klc =
new KullbackLeiblerDistanceCalculator();
// Incrementally improve the solution
for (int i = 0; i < 10; i++) {
System.out.println("Distance at iteration " + i + ": " +
klc.distance(learntHmm, hmm));
learntHmm = bwl.iterate(learntHmm, sequences);
}
System.out.println("Resulting HMM:\n" + learntHmm);
/* Computing the probability of a sequence */
ObservationDiscrete<Packet> packetOk = Packet.OK.observation();
ObservationDiscrete<Packet> packetLoss = Packet.LOSS.observation();
List<ObservationDiscrete<Packet>> testSequence =
new ArrayList<ObservationDiscrete<Packet>>();
testSequence.add(packetOk);
testSequence.add(packetOk);
testSequence.add(packetLoss);
System.out.println("Sequence probability: " +
learntHmm.probability(testSequence));
/* Write the final result to a 'dot' (graphviz) file. */
(new GenericHmmDrawerDot()).write(learntHmm, "learntHmm.dot");
}
/* The HMM this example is based on */
static Hmm<ObservationDiscrete<Packet>> buildHmm()
{
Hmm<ObservationDiscrete<Packet>> hmm =
new Hmm<ObservationDiscrete<Packet>>(2,
new OpdfDiscreteFactory<Packet>(Packet.class));
hmm.setPi(0, 0.95);
hmm.setPi(1, 0.05);
hmm.setOpdf(0, new OpdfDiscrete<Packet>(Packet.class,
new double[] { 0.95, 0.05 }));
hmm.setOpdf(1, new OpdfDiscrete<Packet>(Packet.class,
new double[] { 0.20, 0.80 }));
hmm.setAij(0, 1, 0.05);
hmm.setAij(0, 0, 0.95);
hmm.setAij(1, 0, 0.10);
hmm.setAij(1, 1, 0.90);
return hmm;
}
/* Initial guess for the Baum-Welch algorithm */
static Hmm<ObservationDiscrete<Packet>> buildInitHmm()
{
Hmm<ObservationDiscrete<Packet>> hmm =
new Hmm<ObservationDiscrete<Packet>>(2,
new OpdfDiscreteFactory<Packet>(Packet.class));
hmm.setPi(0, 0.50);
hmm.setPi(1, 0.50);
hmm.setOpdf(0, new OpdfDiscrete<Packet>(Packet.class,
new double[] { 0.8, 0.2 }));
hmm.setOpdf(1, new OpdfDiscrete<Packet>(Packet.class,
new double[] { 0.1, 0.9 }));
hmm.setAij(0, 1, 0.2);
hmm.setAij(0, 0, 0.8);
hmm.setAij(1, 0, 0.2);
hmm.setAij(1, 1, 0.8);
return hmm;
}
/* Generate several observation sequences using a HMM */
static <O extends Observation> List<List<O>>
generateSequences(Hmm<O> hmm)
{
MarkovGenerator<O> mg = new MarkovGenerator<O>(hmm);
List<List<O>> sequences = new ArrayList<List<O>>();
for (int i = 0; i < 200; i++)
sequences.add(mg.observationSequence(100));
return sequences;
}
}
حرف من اینه که جناب مسئول بخش R&D وقتی احساس میکنی استاد پردازش سیگنال هستید و غیر از شما کسی حق صحبت کردن در مورد سیگنالینگ رو نداره و هر صحبتی که بکنه اسمش رو میذاری مردحسابی، طرف 4 تا عکس از اینور اونور پیدا کرده، 2 تا کلمه از یک مقاله خونده، نطق الکی میکنه و ... لطف بفرمایید پیشنهادهای آبکی ندین! اول میگی FFT و DFT که بازم یه راه حل منطقی بنظر میاد و امکان به نتیجه رسیدن بحث هرچند کم ولی وجود داره؛ ولی اینکه بدون هیچ اشاره ای به نوع مدیا و ورودی و راه حل منطقی یکی بگه : " اطلاعات صوتی تونو در یک آرایه بریزید و smooth اش کنید، حالا اون نویز ها هم وجود نداره!!! و بیت به بیت مقایسه کنید" از یک طرف نشون میده که بار علمی چقدر هست و از طرف دیگه تنها در حد حرف هست و بس! من نمیگم خودتون این ایده خلااقانه رو پیاده سازی کنید و کدش رو اینجا بنویسید (که امکانش با دیدی که من از شما پیدا کردم = صفر هست!) ، یک نمونه از اینکار رو گوگل کنید ببینید یک آدم عاقل (نه رئیس کل R&D های کشور!) پیدا میشه که همچین کار خنده داری بکنه؛ پس زیاد هم بیراه نیست که هرکس بگه حرفی که زدی فلان جاش اشتباه داره، از کوره در برین و بدون لینک و سند و مدرک شروع کنید به بیراه گفتن و به رخ کشیدن جایگاه فرضی که واسه خودتون درست کردید و ...
به نظر من شما تخصص تون در زمینه پردازش تصویر هست و هی از این شاخه به اون شاخه می پرید، من هم نگفتم با quantize صوت ماهیتش رو از دست میده! شما یه بحث بیمعنی مقایسه دو به دو مطرح میکنی که Classification سهله، هیچ الگوریتم معنی داری توش ذکر نکردی؛ اگه قرار هست با من یکی بدو کرده و سوادتون رو به رخ من بکشید بحثش جدا و تا آخرش پایه هستم (در زمینه صوت و نه چیز دیگه!) ولی وقتی میخوای به کسی راهنمایی کنید الکی آدرس اشتباه ندین، همونطورکه گفتم هیچ آدم عاقلی دو تا استریم صوتی رو بیت به بیت با هم مقایسه نمیکنه، حتی اگه طرف صحبت شما فوق العاده ناشی هم باشه، بهتره بهش کلاسهای آماده اینکار رو معرفی کنید نه اینکه بندازیدش تو یک راه غلط! بقول خودتون "مرد حسابی شما دارای ماهیت مقوله رو زیر سوال می بری."
***********
ضمناً یکمی خودتون رو کنترل کنید و جمله بندیهای با معنی بنویسید که بشه بهشون جواب داد؛ من که خیلی از جمله های شما رو با کلمات پس و پیشی که استفاده کردین متوجه نشدم، فقط احساس کردم با کیبرد دعوا داشتین!