It has been determined the best mother wavelet for stock prediction of SONY 2006 and BNI 2012 based on the Adaplet Method (The Adaptive Filter which is use wavelet as initial coefficients). The Mother Wavelets, which is used, are Coiflet 1-5, Daubechies 1-5, and Symlet 1-5. The prediction analysis includes overshoot, autocorrelation error and data pattern conformity, three days prediction, and segmentation. According to the overshoot analysis, it shown that for all the data, the overshoot at the beginning of data increased as its wavelet level increased. While using Daubechies 1 and Symlet 1 produced smallest overshoot among other wavelets (112.2%). The autocorrelation error of data pattern prediction indicates conformity with the original data. As its wavelet level increased, the autocorrelation error pattern also ramped (near zero). Coiflet 5 and Daubechies 1 produced the smallest mean square error (MSE), which is equal to 0.0147; meanwhile, Coiflet 1 shows the best result with an average error of 0.001 in next three days prediction analysis. On the other hands, Symlet 3 shows the best MSE of 1.213. Symlet offers the best result, according to best wavelet sequence assessment of each method.
Category: DSP
All About Digital Signal Processing…
Kebutuhan penggunaan korpus yang menggunakan bahasa Indonesia semakin meningkat akan tetapi kebutuhan tersebut belum didukung dengan tersedianya korpus berbahasa Indonesia. Banyak negara sudah memiliki korpus nasional seperti British National Corpus (BNC), American National Corpus (ANC) dan lain sebagainya. Proyek pembuatan Korpus Nasional Bahasa Indonesia (KNBI) sendiri pernah disinggung dalam laporan akhir tahun anggaran 2001 proyek Iptekda BPPT. Namun perkembangannya sampai saat ini belum diketahui sejauh mana statusnya. Dengan adanya korpus bahasa Indonesia akan membantu banyak bidang seperti penerjemahan, komputasi linguistik dan lain sebagainya. Pembuatan korpus sendiri memiliki kriteria desain supaya dapat memenuhi kebutuhan yang diharapkan. Desain tersebut ada yang bersifat umum dan khusus, korpus bahasa yang satu dengan yang lain dapat berbeda disesuaikan dengan bahasa yang akan diproses dan kompleksitas yang melingkupi bahasa tersebut. Pembuatan korpus bahasa saat ini juga harus mempertimbangkan perkembangan teknologi, khususnya teknologi informatika. Sebagai contoh bidang informatika yang berkaitan dengan desain korpus adalah seperti internet, basis data, pengkodean, proses stemming dan lainnya. Korpus saat ini harus mampu beradaptasi dengan sifat internet, seperti keterbukaan dan interoperabilitas. Pengkodean korpus yang mampu digunakan kembali untuk diproses kembali juga merupakan salah satu kemampuan dari desain pembuatan korpus saat ini. Bagaimana korpus disimpan juga menarik untuk dikaji dalam desain korpus. Aspek-aspek bidang informatika tersebut merupakan tujuan dari penelitian ini.
This paper discusses the usage of short term energy contour of a speech smoothed by a fuzzy-based method to automatically segment the speech into syllabic units. Two additional procedures, local normalization and postprocessing, are proposed to improve the method. Testing to Indonesian speech dataset shows that local normalization significantly improves the accuracy of fuzzy smoothing. In postprocessing step, the procedure of splitting missed short syllables reduces the deletion errors, but unfortunately it increases the insertion ones. On the other hand, an assimilation of a single consonant segment into its previous or next segment reduces the insertion errors, but increases the deletion ones. The sequential combination of splitting and then assimilation gives quite significant improvement of accuracy as well as reduction of deletion errors, but it slightly increases the insertion ones.
Categories
A Survey of Pedestrian Detection in Video
Pedestrian detection is one of the important topics in computer vision with key applications in various fields of human life such as intelligent vehicles, surveillance and advanced robotics. In recent years, research related to pedestrian detection commonplace. This paper aims to review the papers related to pedestrian detection in order to provide an overview of the recent research. Main contribution of this paper is to provide a general overview of pedestrian detection process that is viewed from different sides of the discussion. We divide the discussion into three stages: input, process and output. This paper does not make a selection or technique best method and optimal because the best technique depends on the needs, concerns and existing environment. However, this paper is useful for future researchers who want to know the current researches related to pedestrian detection. – See more at HERE.
oleh: Agfianto Eko Putra dan Putrisia Hendra Ningrum Adiaty
Telah dilakukan analisis pengaruh bacaan Al Qur’an pada rekaman EEG menggunakan Transformasi Forier Waktu-Singkat (Short Time Fourier Transform atau STFT). Data yang dianalisis adalah rekaman EEG dari 5 orang laki-laki berumur 20-30 tahun. Setiap subyek mengalami 3 tahap perlakuan, yaitu diam, didengarkan bacaan Al Qur’an dan diam lagi. Perekaman EEG pada masing-masing subjek berlangsung selama 30 menit. Namun, data yang dianalisis adalah data transisi saat diam sampai diperdengarkan bacaan Al Qur’an pada menit ke 8 sampai 10. Data kemudian dianalisis menggunakan STFT dengan jendela Hamming panjang 128. Hasil analisis menunjukkan bahwa untuk keseluruhan subyek, otak kanannya aktif, didominasi oleh gelombang delta dan setelah didengarkan bacaan Al Qur’an, daya gelombang delta tersebut bertambah. Selain gelombang delta, gelombang theta dan alpha juga muncul setelah subyek mendengarkan bacaan Al Qur’an. Ayat Al Qur’an yang didengarkan pada subyek adalah surat Al-A’raaf ayat 40-47, Al-Baqarah ayat 255-257 dan ayat 285-286.
Ucapan Terima kasih
Diucapkan terima kasih kepada Jurusan Ilmu Komputer dan Elektronika (JIKE), Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada atas dukungan dana penelitian ini pada tahun 2011. Juga pihak Rumah Sakit Sardjito Yogyakarta atas ijin-nya menggunakan alat rekam EEG selama proses perekaman EEG berlangsung.
Selengkapnya silahkan unduh disini. Terima kasih dan semoga bermanfaat…
Silahkan unduh versi Bahasa Indonesia-nya disini
Wavelets and Filter Banks Course Notes
Copyright ©Dr. W. J. Phillips
January 9, 2003
- 1. Analysis and Synthesis of Signals
- 2. Time-Frequency Analysis
- 2.1 The Short Time Fourier Transform
- 2.2 The spectrogram
- 2.3 An Orthgonal Basis of Functions
- 3. Time-Scale Analysis
- 3.1 The Continuous Wavelet Transform
- 3.2 Comparision with STFT
- 3.3 The Scalogram
- 3.4 Examples of Wavelets
- 3.5 Analysis and Synthesis with Wavelets
- 3.6 The Haar Wavelet
- 4. Multiresolution Analysis
- 4.1 The Scaling Function
- 4.2 The Discrete Wavelet Transform
- 5. Filter Banks and the Discrete Wavelet Transform
- 5.1 Analysis: From Fine Scale to Coarser Scale
- 5.1.1 Filtering and Downsampling
- 5.1.2 The One-Stage Analysis Filter Bank
- 5.1.3 The Analysis Filter Bank
- 5.2 Synthesis: From Course Scale to Fine Scale
- 5.2.1 Upsampling and Filtering
- 5.2.2 The One-Stage Synthesis Filter Bank
- 5.2.3 Perfect Reconstruction Filter Bank
- 5.2.4 The Synthesis Filter Bank
- 5.2.5 Approximations and Details
- 5.3 Numerical Complexity of the Discrete Wavelet Transform
- 5.4 Matlab Examples
- 5.4.1 One-Stage Perfect Reconstruction
- 5.4.2 Approximations and Details
- 5.4.3 A Useful Function
- 5.5 Initialization of the Discrete Wavelet Transform
- 5.1 Analysis: From Fine Scale to Coarser Scale
- 6. Properties of the Filters, and the Scale and Wavelet Functions
- 6.1 Double Shift Orthogonality of the Filters
- 6.2 Frequency Domain Formulas
- 6.3 Support of the Scale Function
- 6.4 The Cascade Algorithm
- 7. Designing Wavelets
- 7.1 Short Filters
- 7.1.1 Length 2 Filter
- 7.1.2 Length 4 Filter
- 7.1.3 Length 6 Filter
- 7.2 K-Regular Scaling Filters
- 7.2.1 The db2 Wavelet
- 7.2.2 The db3 Wavelet
- 7.3 Characterizing K-Regular Filters
- 7.4 The Daubechies Maximally Flat Polynomial
- 7.4.1 Factoring the Daubechie Maximally Flat Polynomial
- 7.5 Coiflets
- 7.5.1 Coif1
- 7.5.2 Coif2
- 7.1 Short Filters
Unduh versi Indonesianya hanya disini… Terima kasih…!
Data rekam EEG (Electroencephalo-gram) yang berupa sinyal digital dapat dianalisis dengan metode dekomposisi dan korelasi berbasis wavelet (dekorlet) untuk mengekstraksi informasi frekuensi yang terkandung di dalamnya. Dekomposisi berbasis wavelet digunakan untuk membagi frekuensi yang terkandung mendekati klasifikasi frekuensi ritme gelombang EEG, yaitu delta, theta, alpha dan beta. Sedangkan proses korelasi digunakan untuk memperoleh informasi dominasi frekuensi gelombang EEG pada data rekam EEG yang bersangkutan.
Data EEG yang dianalisis berupa data dari 3 mahasiswa yang berusia 20 sampai 30 tahun (selanjutnya dinamai subjek 3, 4 dan 5). Setiap subjek melakukan lima aktivitas yaitu baseline, multiplication, letter-composing, rotation dan counting. Data dianalisis dengan metode dekorlet dengan wavelet induk Daubechies 3 dan Coiflet 3. Hasil analisis menunjukkan bahwa subjek 3 lebih dominan dalam aktivitas otak kanannya, sedangkan subjek 4 dan subjek 5 lebih dominan otak kirinya. Kemunculan gelombang beta pada occipital lobe subjek 5 menunjukkan kemungkinan kelainan pada occipital atau temporal lobe. Pengguna dengan dominasi aktivitas otak kanan lebih mengaktifkan peran parietal lobe, sedangkan pada subjek dengan dominasi otak kiri lebih mengaktifkan peran occipital lobe. Metode Dekorlet mampu mengekstraksi informasi dominasi frekuensi gelombang otak, dengan perbedaan hasil dari wavelet induk Daubechies 3 dan Coiflet 3 kurang dari 3% (0,03).
Catatan:
- Dipresentasikan pada CITEE 2010 di Jurusan Teknik Elektro, Fak. Teknik – UGM, Yogyakarta pada Selasa, 20 Juli 2010;
- Yang terkait dengan artikel atau makalah ini silahkan klik tentang Neurosains;
- Silahkan mengunduh PDF-nya dan berdiskusi atau tanya jawab melalui komentar pada halaman artikel ini, terima kasih dan semoga bermanfaat, amin.
Artikel yang saya tulis ini merupakan jawaban detil dari soal yang ada di bukunya Li Tan, 2008, “Digital Signal Processing: Fundamentals and Application“, nomor 4.17 dan 4.18. Intinya diketahui sebuah isyarat yang terdiri dari 3 macam sinusoidal dengan persamaan di bawah ini. Akan dilakukan eksperimen pengaruh penggunaan jendela, panjang data dan frekuensi pencuplikan Fs pada algoritma FFT untuk menemukan spektrum dari sinyal ini.
Matlab-nya sebagai berikut:function p4_17(Fs);
switch nargin
case 0
Fs = 8000;
end
t=[0:1/Fs:0.1];
x1 = 5 * cos(2*pi*500*t);
x2 = 5 * cos((2*pi*1200*t)+(0.25*pi));
x3 = 5 * cos((2*pi*1800*t)+(0.5*pi));
subplot(3,1,1); plot(t,x1);
title(‘x1(t)’);
subplot(3,1,2); plot(t,x2);
title(‘x2(t)’);
subplot(3,1,3); plot(t,x3);
title(‘x3(t)’);
x = x1+x2+x3;
figure;
plot(t,x);
title(‘x(t) = x1(t) + x2(t) + x3(t)’);
L = length(x);
NFFT = 2^nextpow2(L); % Next power of 2 from length of y
Y = fft(x,NFFT)/L;
f = Fs/2*linspace(0,1,NFFT/2);
figure;
% Plot single-sided amplitude spectrum.
plot(f,2*abs(Y(1:NFFT/2)))
title(‘Spektrum Sisi-tunggal dari x(t) tanpa jendela’)
xlabel(‘Frekuensi (Hz)’)
ylabel(‘|Y(f)|’);
% ———————-TRIANGULAR——————————
x_tri = x .* triang(L)’;
Y = fft(x_tri,NFFT)/L;
f = Fs/2*linspace(0,1,NFFT/2);
figure;
% Plot single-sided amplitude spectrum.
plot(f,2*abs(Y(1:NFFT/2)))
title(‘Spektrum Sisi-tunggal dari x(t) menggunakan jendela Segitiga’)
xlabel(‘Frekuensi (Hz)’)
ylabel(‘|Y(f)|’);
% ———————-HAMMING——————————
x_ham = x .* hamming(L)’;
Y = fft(x_ham,NFFT)/L;
f = Fs/2*linspace(0,1,NFFT/2);
figure;
% Plot single-sided amplitude spectrum.
plot(f,2*abs(Y(1:NFFT/2)))
title(‘Spektrum Sisi-tunggal dari x(t) menggunakan jendela Hamming’)
xlabel(‘Frekuensi (Hz)’)
ylabel(‘|Y(f)|’);
% ———————-HANNING——————————
x_han = x .* hann(L)’;
Y = fft(x_han,NFFT)/L;
f = Fs/2*linspace(0,1,NFFT/2);
figure;
% Plot single-sided amplitude spectrum.
plot(f,2*abs(Y(1:NFFT/2)))
title(‘Spektrum Sisi-tunggal dari x(t) menggunakan jendela Hanning’)
xlabel(‘Frekuensi (Hz)’)
ylabel(‘|Y(f)|’);
wvtool(triang(L),hamming(L),hann(L));
% h=legend(‘Triangular’,’Hamming’,’Hanning’);
% set(h,’Interpreter’,’None’);
Berikut ini adalah plot dari masing-masing sinusoidal:
Dan ini adalah penggabungan dari ketiga sinusoidal tersebut:
Berikut ini adalah hasil FFT tanpa menggunakan jendela apapun dan panjang datanya 801, yang masing-masing terdiri dari spektrum tanpa jendela, spektrum dengan jendela Segitiga, Hamming, Hanning dan tampilan wvtool yang membandingkan ketiga jendela serta responnya:
INSPIRE (Indonesian Nano-Satellite Platform Initiative for Research & Education) is a nonprofit initiative project that aims to build & develop a satellite technology platform (nano-satellites in particular) among universities in Indonesia, by placing students as main participants.
INSPIRE project was created to remind that our country is enough left behind by other developing countries in the field of satellite technology, yet this technology platform can support other sectors such as telecommunications, navigation, marine, environmental, natural resource exploration, as well as early warning system for disaster.
INSPIRE project is expected to raise as well as providing transfer media of knowledge and skills as well as to grow and develop interest in the satellite technology (especially nano-satellites) among the students, and the universities as a center of activity.
Certainly, the final goal of this project does not just stop with the nano-satellite in the university & college students only, but is expected to advance satellite technology in Indonesia, because the technology is very vital existence, either in an academic environment as well as in industrial environments (telecommunication & informatics) .
One early milestone INSPIRE project is convening a national workshop, which brought together the stakeholders in the satellite technology in Indonesia, such as Tubsat LAPAN team, IiNUSAT (Indonesian Inter-University Satellite) team, INASAT team, as well as the experts and the entrepreneurs of nano-satellites from abroad. Moreover, it also invited representatives of students and universities throughout Indonesia as a potential major participant in the next INSPIRE activities. This workshop also bring them together in a forum to discuss strategies and synergies in the future for education and mastering of nano-satellite technology for the welfare of the nation.
Categories
MATLAB: Akuisisi Data melalui Kartu Suara
Biasanya, ada 4 (empat) proses yang harus dilakukan dalam akusisi data melalui Kartu suara (soundcard) menggunakan MATLAB:
- Inisialisasi, membuat objek device;
- Konfigurasi, menambahkan kanal serta mengatur cara akuisisi;
- Eksekusi, memulai (mengaktifkan) objek device dan akuisisi atau mengirim data;
- Terminasi, menghapus objekdevice.
Untukmemverifikasi frekuensi dasar sebuah garputala adalah 440Hz, sebuah nada akan diakuisisi dan analisis menggunakan MATLAB. Ini adalah contoh proses yang akan dijelaskan berikut ini.
Dalam contoh ini, kita akan memverifikasi frekuensi dasar (fundamental) sebuah garputala adalah 440Hz. Untuk melakukan hal ini, akan kita gunakan sebuah mikrofon dan sebuah kartu suara untuk memperolah data-data suara. Berikutnya, akan dilakukan proses FFT dari data yang diperoleh untuk menemukan komponen frekuensi sebuah garputala.
Kita awala dengan mengambil data suara selama 2 detik melalui kanal di kartu suara. Karena garputala bergetar dengan frekuensi nominal 440Hz, frekuensi pencuplikan kartu suara bisa diatur paling rendah yaitu 8000Hz.
Setelah kita getarkan garputala dan kita letakkan dengan dengan mikrofon, akan kita lakukan akusisi data. Berikut penjelasan dari masing-masing langkah yang telah disebutkan sebelumnya…