Independent component and vector analysis
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24220%2F18%3A00006126" target="_blank" >RIV/46747885:24220/18:00006126 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.wiley.com/en-us/Audio" target="_blank" >https://www.wiley.com/en-us/Audio</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1002/9781119279860.ch13" target="_blank" >10.1002/9781119279860.ch13</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Independent component and vector analysis
Popis výsledku v původním jazyce
This chapter introduces popular tools for the blind separation of audio signals using their independence. We are primarily focused on the frequency‐domain separation using independent component analysis (ICA) and independent vector analysis (IVA). First, the fundamentals of ICA, basic signal models and algorithms are introduced. The application of ICA in the frequency domain leads to the scaling ambiguity and to the permutation problem. To solve these problems, we present several basic solutions. Second, IVA is defined, and the most popular IVA algorithms are introduced. Finally, a practical example of the separation of real‐world recordings is presented where the frequency‐domain ICA and IVA are compared.
Název v anglickém jazyce
Independent component and vector analysis
Popis výsledku anglicky
This chapter introduces popular tools for the blind separation of audio signals using their independence. We are primarily focused on the frequency‐domain separation using independent component analysis (ICA) and independent vector analysis (IVA). First, the fundamentals of ICA, basic signal models and algorithms are introduced. The application of ICA in the frequency domain leads to the scaling ambiguity and to the permutation problem. To solve these problems, we present several basic solutions. Second, IVA is defined, and the most popular IVA algorithms are introduced. Finally, a practical example of the separation of real‐world recordings is presented where the frequency‐domain ICA and IVA are compared.
Klasifikace
Druh
C - Kapitola v odborné knize
CEP obor
—
OECD FORD obor
10102 - Applied mathematics
Návaznosti výsledku
Projekt
<a href="/cs/project/GA17-00902S" target="_blank" >GA17-00902S: Pokročilé metody slepé separace podprostorů</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název knihy nebo sborníku
Audio Source Separation and Speech Enhancement
ISBN
978-1-119-27989-1
Počet stran výsledku
26
Strana od-do
263-288
Počet stran knihy
504
Název nakladatele
Wiley
Místo vydání
Spojené státy americké
Kód UT WoS kapitoly
—