วีดีโอ

quizá no sea tan correcto el uso de "mascara" más bien es filtro o kernel, en este caso se puede suponer como otra imagen con la que se hará la convolución

si

@@jmm5493 Me parece que estoy usando el mismo código, pero no funciona: s=mic1 A=5 #ganancia ajustable al micrófono (mic2) ruido=x*A #ruido #----------------------------------------------- N=s.shape[0] p = 10 #longitud del filtro FIR alfa = 0.009 #tasa de aprendizaje del algoritmo LMS (o RMS) #----------------------------------------------- #t_inicio=time.time() #Matriz de covarianzas C = pa.input_from_history(ruido,p) #Construcción del filtro f = pa.filters.FilterRLS(n=p, mu=alfa) #Usar el filtro y, error, h = f.run(s[:N-p+1],C) #probar el filtro res=np.convolve(h[-1],s) plt.plot(res) Audio(data=res, rate=fs2) En este ejemplo, x también es una señal de audio: # Carga de los archivos de audio fs1,mic1 = read('canto_y_ruido.wav') fs2,x = read('ruido_ambiente.wav')

La salida de la convolución no tiene sonido

Ya hace tiempo del video, ya no recuerdo bien el código pero te puedo pasar el archivo de audio que se esta usando, solo indícame el tiempo en el video donde aparece el archivo para ver el nombre. Tienes que tener el mismo formato en la variable: creo que era mono, el tipo de datos creo fue int16, no se si despues cambie a float.

igual creo ya hay redes neuronales generativas, no se si estas técnicas aun sean relevantes

¿te refieres a que la señal no este centrada en 0 en voltaje? por ejemplo la señal coseno algunos dicen que tiene "offset 0" a eso se refiere? si la señal "esta montada en una DC" un simple filtro pasabajas con frecuencia de corte muy baja lo puede lograr

gracias!

es jmejiam777@gmail.com

Statistical signal processing, Kay, volume 1

Hola Tengo una duda ¿De qué depende a? Saludos y gracias

@@mariajosesanchezcuevas3735 la constante del proceso? pues en pocas palabras depende de eso del proceso en caso del que el proceso que estés modelando siga la ecuación de g-m, y tengas observaciones, la a se puede ajustar empíricamente para que las ecuaciones se aproximen lo más posible esas observaciones

en la pagina en inglés viene más información en.wikipedia.org/wiki/Adaptive_filter No se si te confunda más pero, suponiendo que tienes "y" como la señal deseada que en este caso tiene ruido "r1", es decir se tiene (y+r1). Como señal de referencia tienes una señal con mucha correlación con la interferencia o ruido, pero no con la señal, en el video es "x" aqui le llamaremos "r2" Ahora el error estará dado por e=(y+r1)-(r2*h)=y+r1-r2*h, elevando al cuadrado: e^2=y^2+(r1^2-r2*h)^2+2*(y(r1-r2*h) Tomando el valor esperado y suponiendo que la media de todos los procesos es cero E{e^2)=E{y^2}+E{(r1^2-r2*h)^2}+E{2*(y(r1-r2*h)} como dijimos anteriormente que casi no hay correlación entre el ruido y la señal deseada "y", el tercer termino del lado derecho es casi cero y tenemos E{e^2)=E{y^2}+E{(r1^2-r2*h)^2} el término no se verá afectado conforme el filtro minimiza el error y tendremos Emin{e^2)=E{y^2}+Emin{(r1^2-r2*h)^2} que si el filtro logra su cometido de minimizar el término de error sobre el que tiene influencia Emin{(r1^2-r2*h)^2}->0 y tendremos solo la señal E{y^2} en el termino de error Bueno se que es confuso.. por eso no lo puse en el video

@@jmm5493 sii me quedo claro! Muchas gracias por tomarte el tiempo.

en la nube con este colab.research.google.com/ inicias sesion con la cuenta de gmail

hay que separar las componentes?

@@jmm5493 Sí, mediante un modelo de regresión, usando los coeficientes del espectrograma.

la verdad no he hecho algo asi, igual si me das más detalles podria investigarlo

De igual forma, si me lo permite, podríamos poner en contacto para charlar, mi correo es aaron.santanah@cinvestav.mx

Lastima como termino por qué?

si tienes razón, y ya veo tu punto, en el video quedo explicado al revés, el interior del circulo unitario es el plano izq, deja ver si puedo editarlo. Gracias

Lo mismo note, gracias por aclararlo

gracias por la aclaracion

si necesito calcular descriptores como RMS, varianza o media, lo hago con el cA ???

El contenido es el mismo para todas las personas. Lo que puede cambiar es la probabilidad, porque al fin y al cabo la probabilidad es una forma de medir la información que poseemos sobre el sistema en cuestión. En una pregunta de verdadero y falso (dos opciones: una incorrecta y otra correcta), las probabilidades de acertar son 1/2 para alguien que no tiene idea de la respuesta y simplemente hace una elección al azar. Pero para alguien que sí sabe la respuesta o al menos tiene cierta idea y le parece una más factible que la otra, las probabilidades ya dejan de ser 1/2. Por eso es que no vemos a todo el mundo lanzando monedas para decidir qué contestar en preguntas de ese tipo. Lo mismo sucede en Monty Hall. Para alguien que no tiene ninguna información de lo sucedido, las probabilidades son 1/2 para cada puerta. Para alguien que sepa cuál es la elegida por el concursante y cuál fue la otra que dejó el presentador, las probabilidades son 1/3 y 2/3 respectivamente, porque sabe que el concursante sólo acierta 1 de cada 3 intentos en promedio y por ende el presentador deja el carro en la otra puerta en los otros 2 de cada 3. Y para alguien que ya sabe la ubicación del premio, como por ejemplo el presentador, las probabilidades son 100% para esa puerta y 0% para las otras.

Sí, así tiene que ser el razonamiento, sería absurdo considerar una fracción repartida como parte física del coche en cada cajón, al tener que estar en uno concreto; aunque no sería del todo descabellado que la información fuera, en sí misma, algo más que la parte intelectual de un sistema.