Git submoduleの押さえておきたい理解ポイントのまとめ - Qiita
みなさんgitのsubmoduleって理解して使ってますか？ 親プロジェクトをpullしたら、submoduleがmodifiedになって混乱してgit addして...あばばばば。みたいな事ないですか？ 私はsubmoduleがなかなか理解できずに結構苦労しました。^^; ブランチ単位で管理する通常のリポジトリと違い、submoduleはCommitID単位で管理するというのが一番理解しにくい部分だと思います。 今回は、プロジェクトにsubmoduleを追加、更新、削除の動きを更新を掛ける側のプロジェクトと更新を受け入れる側のプロジェクトの2つの視点から追いながら、CommitIDで管理するとはどういう事なのかを解説していきます。 (結論だけ見たい人は末尾のまとめへ) 準備 「submoduleを開発する役割のプロジェクト test_app_A」と「submoduleを取り入れる役割のプ
短時間フーリエ変換 - 人工知能に関する断創録
Pythonで音声信号処理（2011/05/14） 今回は、短時間フーリエ変換（Short-Time Fourier Transform: STFT）を実装してみます。音声信号スペクトルの時間変化を解析する手法です。ある一定の長さの信号サンプルを切り出し、それに窓関数をかけてからフーリエ変換という手順を切り出す範囲を少しずつずらしながら行います。音声を再生しながらリアルタイムにフーリエ変換する必要があるので高速フーリエ変換（2011/6/18）を使ってみます。最終的には、Windows Media Playerなどの音楽プレイヤーでよく見るスペクトルアナライザ（っぽいもの）を作ります。 窓関数 今まで離散フーリエ変換（2011/6/11）や高速フーリエ変換（2011/6/18）を試したときには、切り出した波形サンプルをそのままフーリエ変換していました。しかし、一般的に、切り出した波形に窓関
Python NumPy SciPy : 窓関数による前処理
前回 までで fft 関数の基本的な使い方を説明しました。 しかし周波数解析を行うには、窓処理と呼ばれる前処理が大抵必要となります。 図1: 窓処理 測定データは N 点の長さの有限区間 \((0, N)\) で定義されていますが、フーリエ変換ではこれを無限区間 \((-\infty, \infty)\) で定義される三角関数の重なりで近似しようというわけです。 そのため、周波数解析では図 2 のように測定データを周期 N の周期信号の 1 周期と仮定しています。 しかし、図 2 のような 0 番目と N 番目の値と傾きが同じでないデータをフーリエ変換すると、本来含まれていない波長の波が解析結果に出てきて本来の周波数特性がぼやけてしまいます。 図2: 周期拡張した計測データ この問題に対処するため、測定データに窓関数を掛ける窓処理を行ないます。 この処理により図 3 のような滑かに繋る周期
高速フーリエ変換でスペクトル解析 in Python
全然進まない！音楽情報処理編w 前回はPythonで440Hzサイン波の音声ファイルを作りました。 今回は音声ファイルを読み込んでスペクトルの解析をしてみます。 スペクトルの解析とは、音データにどんな周波数のサイン波がどれくらい含まれているか？を観察することです。 で、実際どうやるのよ？というと。 微分積分、三角関数、オイラーの公式、関数の直交、指数関数…この辺りの話は省略w 前回も書きましたが、どんなに複雑な波形でも単純なsin/cos波を重ね合わせることで表現できるのが数学的に証明されているのでした。周期関数であればどんな関数でも三角関数の和による近似が可能→これをフーリエ級数展開といいます。 F(x)を周期2πの周期関数とすると、 \[ F(x) = \frac{1}{2}a_{0}cos0x + a_{1}cos1x + a_{2}cos2x + a_{3}cos3x + \cdo
numpyでスペクトログラムによる音楽信号の可視化 - Qiita
この記事はeeic Advent Calendar 2016 9日目の記事 その1 です。 去年はコード進行に関する記事を書かせてもらったのですが、あんまり情報系っぽくないですし、 【eeic向けアンケート】eeicｱﾎﾞﾍﾞﾝﾄﾞｶﾚﾝﾀﾞｰの記事を考えてるんですが、どっちの方がいいか意見聞きたいです — なまおじ (@namaozi) 2016年11月8日 アンケートでは音楽プログラムの話の方が優勢だったので今回は音楽情報処理の話題で書きます。 この記事でやりたいこと スペクトログラムをpythonで実装してみる話 数学・プログラミング分からない人でも読めるようにしたい できるだけ定性的で音楽的な話を入れたい eeicと音楽情報処理について 内輪向けなので興味ない方は飛ばしてください＞＜ 実は上記の実装は神ライブラリを使えば3行くらいで書けてしまうのですが、せっかくなので極力高度なライ
[備忘録] 連続ウェーブレット変換のライブラリ：PyCWTでウェーブレットパワースペクトルを可視化する手続き | Accel Brain; Media
PyCWT(v0.3.0a22)のTutorialを参考に、Niño 3 SST Indexのデータのウェーブレットパワースペクトルを可視化していく。尚、Jupyter notebook版も配置している。 下準備 ライブラリを読み込む。 分析対象データをダウンロードする。 メタデータを設定しておく。 ライブラリの読み込み ローカルでpycwtライブラリをインストールしてから、以下のライブラリを読み込む。 from __future__ import division import numpy as np import matplotlib.pyplot as plt import pycwt as wavelet from pycwt.helpers import find 分析対象データの読み込み Niño 3 SST Indexよりデータをダウンロードする。 url = 'http:/
![[備忘録] 連続ウェーブレット変換のライブラリ：PyCWTでウェーブレットパワースペクトルを可視化する手続き | Accel Brain; Media](https://cdn-ak-scissors.b.st-hatena.com/image/square/4a46b8e934ff6f5d00c6d3cf2d24d41a37c372da/height=288;version=1;width=512/https%3A%2F%2Fmedia.accel-brain.com%2Fwp-content%2Fuploads%2F2017%2F12%2Ftry_pycwt_02.png)
高速フーリエ変換（FFT)
近年のCPUには、専用の高速な乗算器が組み込まれ、加算処理との速度の差は縮まっていますが、 膨大な量のスペクトルを計算する場合や、リアルタイム処理が必要とされる用途では、 この高速フーリエ変換が広く用いられています。 2． 高速フーリエ変換のアルゴリズム 高速フーリエ変換のアルゴリズムについて解説する前に、離散フーリエ変換（DFT）について、 簡単に復習しましょう。 この変換は、周期 Nの離散信号 x(0), x(1), x(2), ‥,x(N-1) を、同じく周期 Nの離散スペクトル X(0), X(1), X(2), ‥,X(N-1) に変換するものです。 変換側の処理は次のように表すことができます。 一方の逆変換は、次のようになります。 ここで、Wは回転子と呼び、以下のように単位円をN分割した点として定義します。 このWについて、以下の関係が成立します。 このように、Wは ｋ につい
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
C言語で離散逆フーリエ変換