This HTML5 document contains 26 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

PrefixNamespace IRI
marcrelhttp://id.loc.gov/vocabulary/relators/
n15http://www.idref.fr/07909015X/
n22http://www.idref.fr/026388820/
dctermshttp://purl.org/dc/terms/
n17http://www.idref.fr/077834615/
n20http://www.idref.fr/027586723/
n10http://www.idref.fr/027869830/
n5http://www.idref.fr/027253139/
dchttp://purl.org/dc/elements/1.1/
rdauhttp://rdaregistry.info/Elements/u/
skoshttp://www.w3.org/2004/02/skos/core#
n18http://www.idref.fr/027791378/
n23http://lexvo.org/id/iso639-3/
n13http://iflastandards.info/ns/isbd/terms/contentform/
n2http://www.idref.fr/213310198/
n16http://www.idref.fr/027940373/
rdachttp://rdaregistry.info/Elements/c/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
frbrhttp://purl.org/vocab/frbr/core#
n12http://iflastandards.info/ns/isbd/elements/
n9http://rdaregistry.info/termList/RDAContentType/
rdawhttp://rdaregistry.info/Elements/w/
xsdhhttp://www.w3.org/2001/XMLSchema#
n21http://www.idref.fr/027242307/
Subject Item
n2:id
rdf:type
rdac:C10001 frbr:Work
marcrel:ths
n17:id
marcrel:aut
n15:id
skos:altLabel
Study and realization of an automatic recognition system for acoustic signature
dc:subject
Traitement du signal -- Techniques numériques Reconnaissance des formes (informatique) Classification automatique Thèses et écrits académiques Apprentissage automatique Modèles acoustiques
skos:prefLabel
Étude et réalisation d'un dispositif de reconnaissance automatique de signature acoustique
dcterms:language
n23:fra
dcterms:subject
n5:id n10:id n16:id n18:id n20:id n21:id
dc:title
Étude et réalisation d'un dispositif de reconnaissance automatique de signature acoustique
marcrel:dgg
n22:id
skos:note
CETTE ETUDE PROPOSE UNE METHODOLOGIE POUR LA PRISE DE DECISION AU TRAVERS D'UN PROBLEME DE RECONNAISSANCE AUTOMATIQUE DE SIGNATURES ACOUSTIQUES NON STATIONNAIRES. APRES QUELQUES CONSIDERATIONS D'ORDRE GENERAL SUR LE PROBLEME, NOUS ENVISAGERONS, TANT SUR LE PLAN THEORIQUE QUE SUR LE PLAN PRATIQUE, LES SOLUTIONS LES MIEUX ADAPTEES A SA RESOLUTION. LES PRINCIPALES ETAPES SERONT: L'ANALYSE ET LA CARACTERISATION DU SIGNAL PAR ANALYSE SPECTRALE ET UNE REPRESENTATION DU TYPE TEMPS-FREQUENCE. LE CHOIX D'UN TYPE DE MODELISATION PERMETTANT UNE BONNE DIFFERENCIATION DES SIGNAUX ET DES BRUITS EN PRESENCE. LE CHOIX D'UNE METHODE D'ANALYSE DES DONNEES AFIN D'OBTENIR LES PARAMETRES, EN QUALITE ET EN QUANTITE, NECESSAIRES A UNE DECISION OPTIMALE. LE CHOIX D'UNE METHODE DE CLASSIFICATION AFIN D'AFFECTER CHAQUE VECTEUR PARAMETRE A UNE DES CLASSES DEFINIES LORS DE LA PHASE D'APPRENTISSAGE. LA DEFINITION D'UN CRITERE DE QUALITE DU CLASSEMENT D'UN NOUVEL ELEMENT AFIN DE GERER AU MIEUX LES INCERTITUDES. POUR FINIR, NOUS PRESENTERONS LES PERFORMANCES DU SYSTEME REALISE POUR LA RECONNAISSANCE D'UN SIGNAL PARTICULIER EN FONCTION DE LA NATURE DES VECTEURS PARAMETRES ET DE LA METHODE DE CLASSIFICATION UTILISES. NOUS CONCLURONS SUR LES RESULTATS ET LES PERSPECTIVES D'UN TEL SYSTEME
dc:type
Text
n12:P1001
n13:T1009
rdaw:P10219
1992
rdau:P60049
n9:1020