Lissage (mathématiques)

Résumé

vignette|Exemple de lissage d'une courbe. La courbe bleue joint des données brutes de la température moyenne quotidienne à la station météo de Paris-Montsouris (France) du 1960/01/01 au 1960/02/29. La courbe orange est obtenue avec un lissage exponentiel simple et un facteur alpha = 0.1. Le lissage est une technique qui consiste à réduire les irrégularités et singularités d'une courbe en mathématiques. Cette technique est utilisée en traitement du signal pour atténuer ce qui peut être considéré comme une perturbation ou un bruit de mesure. Le lissage est une méthode de régression, en général de régression non paramétrique. Liens internes

Ajustement de courbe
Moyenne mobile
Spline
Algorithme de Savitzky-Golay

Catégorie:Analyse (mathématiques)

Source officielle

https://fr.wikipedia.org/wiki/Lissage_(math%C3%A9matiques)

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (99)

Publications associées

Chargement

Personnes associées (14)

Personnes associées

Chargement

Unités associées (12)

Unités associées

Chargement

Concepts associés (10)

thumb|Exemple de visualisation de données montrant une tendances à moyen et long terme au réchauffement, à partir des séries temporelles de températures par pays (ici regroupés par continents, du nord

L'estimation spectrale regroupe toutes les techniques d'estimation de la densité spectrale de puissance (DSP). Estimations paramétriques Les méthodes d'estimation spectrale paramétrique

La vision par ordinateur est un domaine scientifique et une branche de l’intelligence artificielle qui traite de la façon dont les ordinateurs peuvent acquérir une compréhension de haut niveau à par

Afficher plus

Concepts associés

Chargement

Cours associés (30)

Cours associés

Chargement

Séances de cours associées (79)

Afficher plus

Séances de cours associées

Chargement

Subjective Evaluation of Join Cost and Smoothing Methods for Unit Selection Speech Synthesis

Simon King

In unit selection-based concatenative speech synthesis, join cost (also known as concatenation cost), which measures how well two units can be joined together, is one of the main criteria for selecting appropriate units from the inventory. Usually, some form of local parameter smoothing is also needed to disguise the remaining discontinuities. This paper presents a subjective evaluation of three join cost functions and three smoothing methods. We also describe the design and performance of a listening test. The three join cost functions were taken from our previous study, where we proposed join cost functions derived from spectral distances, which have good correlations with perceptual scores obtained for a range of concatenation discontinuities. This evaluation allows us to further validate their ability to predict concatenation discontinuities. The units for synthesis stimuli are obtained from a state-of-the-art unit selection text-to-speech system: rVoice from Rhetorical Systems Ltd. In this paper, we report listeners' preferences for each join cost in combination with each smoothing method.

IDIAP2005

Chargement

Subjective Evaluation of Join Cost and Smoothing Methods for Unit Selection Speech Synthesis

Simon King

2006

Chargement

How to learn a graph from smooth signals

Vasilis Kalofolias

We propose a framework that learns the graph structure underlying a set of smooth signals. Given a real m by n matrix X whose rows reside on the vertices of an unknown graph, we learn the edge weights w under the smoothness assumption that trace(X^TLX) is small. We show that the problem is a weighted l-1 minimization that leads to naturally sparse solutions. We point out how known graph learning or construction techniques fall within our framework and propose a new model that performs better than the state of the art in many settings. We present efficient, scalable primal-dual based algorithms for both our model and the previous state of the art, and evaluate their performance on artificial and real data.

2016

Chargement