| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| 9103025642014 | Ses İyileştirme | Seçmeli Ders Grubu | 1 | 2 | 8,00 |
Yüksek Lisans
Türkçe
Öğrencilerin; ses sinyalini iyileştirme algoritmalarını ve bu algoritmaları değerlendirmede kullanılan metotları ve ölçütleri kavraması amaçlanmaktadır.
Assis. Prof. Erkan Zeki Engin
| 1 | Ses iyileştirme algoritmalarını anlamak için gerekli olan ses-sinyal temellerini anlaması, |
| 2 | Ses iyileştirme problemlerine çözüm bulabilme, |
| 3 | Uygulama alanında gerekli olan algoritmaların yazılım/donanım ortamında gerçekleştirebilme, |
| 4 | Elde edilen sonuçların, derlenmesi ve sunusunu gerçekleştirebilmektir. |
Yok
Yok
• Giriş • İnsan dinleyicilerin gürültüyü dengelemesi • Ses iyileştirme algoritmalarının performans değerlendirmesi • Ses iyileştirme algoritmalarının karşılaştırması • Spektral-çıkartma algoritmaları • Statistiksel-model tabanlı metotlar • Gürültü tespit algoritmaları
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | GİRİŞ: Gürültü, ses iyileştirme algoritmaları sınıfları | ||
| 2 | İNSAN DİNLEYİCİLERİN GÜRÜLTÜYÜ DENGELEMESİ: Çoklu-konuşmacı koşullarında konuşma anlaşılabilirliği, sesin özelliklerinin sağlamlığa katkısı, gürültülü ortamdaki dinlemelerde algılama stratejileri | ||
| 3 | SES İYİLEŞTİRME ALGORİTMALARININ PERFORMANS DEĞERLENDİRMESİ: Kalite-anlaşılabilirlik, işlenmiş sesin anlaşılabilirliğinin değerlendirilmesi, işlenmiş sesin kalitesinin değelendirilmesi | ||
| 4 | SES İYİLEŞTİRME ALGORİTMALARININ PERFORMANS DEĞERLENDİRMESİ: Kalite kararının güvenirlilik değerlendirmesi, objektif kalite ölçütleri | ||
| 5 | SES İYİLEŞTİRME ALGORİTMALARIN KARŞILAŞTIRMASI: | ||
| 6 | SPEKTRAL ÇIKARTMA ALGORİTMALARI: Spektral çıkartmanın temel prensipleri, spektral çıkartmanın geometrik görünüşü, “oversubstraction” kullanarak spektral çıkartma | ||
| 7 | SPEKTRAL ÇIKARTMA ALGORİTMALARI: Lineer olmayan spektral çıkartma, çoklu-band spektral çıkartma, MMSE spektral çıkartma algoritması, uzatılmış spektral çıkartma, uyarlanabilir kazanç ortalaması kullanarak spektral çıkartma, seçmeli spektral çıkartma, algısal özellikler tabanlı spektral çıkartma | ||
| 8 | STATİSTİKSEL MODEL TABANLI METOTLAR: MMSE tahminleyicisi | ||
| 9 | Ara sınav | ||
| 10 | STATİSTİKSEL MODEL TABANLI METOTLAR: log-MMSE tahminleyicisi, MAP tahminleyicisi | ||
| 11 | STATİSTİKSEL MODEL TABANLI METOTLAR: Algısal motivasyonlu bayesian-tahminleyicisi, ses iyileştirmede ses yokluk olasılığının dahil edilmesi | ||
| 12 | GÜRÜLTÜ TESPİT ALGORİTMALARI: En kısa izleme algoritmaları | ||
| 13 | GÜRÜLTÜ TESPİT ALGORİTMALARI: Zaman-özyineli ortalama algoritmaları | ||
| 14 | GÜRÜLTÜ TESPİT ALGORİTMALARI: Histogram tabanlıteknikler | ||
| 15 | |||
| 16 | Final sınavı |
DERS KİTABI: P.C. Loizou, Speech Enhancement: Theory and Practice, CRC Press, NW, 2007 YARDMCI KİTAPLAR: J. Benesty, M.M. Sondhi, Y. Huang (Eds.), Handbook of Speech Processing, Springer, 2008
Etkinlikler ayrıntılı olarak "Değerlendirme" ve "İş Yükü Hesaplaması" bölümlerinde verilmiştir.
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Yok
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Final Sınavı | 1 | 3 | 3 |
| Derse Katılım | 14 | 3 | 42 |
| Rapor Hazırlama | 1 | 12 | 12 |
| Proje Hazırlama | 1 | 25 | 25 |
| Proje Sunma | 1 | 8 | 8 |
| Makale Yazma | 1 | 8 | 8 |
| Bireysel Çalışma | 14 | 3 | 42 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 25 | 25 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 35 | 35 |
| Ev Ödevi | 5 | 6 | 30 |
| Toplam İş Yükü (saat) | 230 | ||
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | |
| ÖÇ 1 | 3 | |||||
| ÖÇ 2 | 5 | 3 | ||||
| ÖÇ 3 | 5 | 4 | ||||
| ÖÇ 4 | 5 |