Musical Signal Processing

Zenei jelfeldolgozás

A tantárgyleírás hatályossága

Hatályosság kezdete:

—

Hatályosság vége:

—

Subject name (Hungarian, English)

Zenei jelfeldolgozás

Musical Signal Processing

Subject code

BMEVIMIAV31

Subject type

—

Training Level

—

Course types and hours (weekly/semester)

Course type	lecture	tutorial	laboratory
hours (weekly)	4	0	0
type (linked/independent)	—	—	—

Assessment type

vizsga

Credits

Subject coordinator

dr. Bank Balázs

Responsible department

—

Faculty

Subject website

http://www.mit.bme.hu/oktatas/targyak/vimiav31/

Primary curriculum type

—

Direct prerequisites – Strong prerequisite

none

Direct prerequisites – Weak prerequisite

none

Direct prerequisites – Parallel prerequisite

none

Direct prerequisites – Milestone prerequisite

none

Direct prerequisites – Exclusion

none

Objectives

Programme

A tematika fejezeteit releváns platformon (Matlab, Matlab-Simulink, DSP) történő demonstrációk kísérik.

A jelfeldolgozás alapjai esettanulmányokon keresztül. A zenei jelfeldolgozás eszközei: jelfeldolgozó processzorok (24-bites fixpontos, 32-bites lebegőpontos DSP-k), számítógépes rendszerek. Valós idejű beágyazott operációs rendszerek audió jelfeldolgozáshoz.

Digitális szűrés alapjai. Klasszikus analóg szűrők diszkrét idejű modellezése: zenei hangszínszabályzók (parametrikus és grafikus equalizer, low-shelf, high-shelf szűrők) digitális megvalósítása. Számábrázolás problémái – kvantálás, túlvezérlés, instabilitás – és megoldásaik: skálázási módszerek, dither, speciális (pl. kaszkád) szűrőstruktúrák. Tranziensek okozta problémák idővariáns rendszerekben és megoldásaik: interpoláció, átkeverés.

Késleltetővonalak, változtatható hosszúságú késleltetők megvalósítása, törtrész-késleltés. Késleltető alapú (modulációs) algoritmusok: delay, chorus, flanger, Doppler-hatás, Leslie-szimuláció. Zengető algoritmusok megvalósítási módszerei (késleltető alapú és konvolúciós).

Jelek újramintavételezése. Hangmagasság-változtatás valós-idejű módszerei. Pitch-shift, pitch-corrector, vocoder algoritmusok. Nemlineáris rendszerek modellezéséből adódó problémák (aliasing, numerikus instabilitás) kezelése, túlmintavételezés. Nemlineáris effektek digitális modellezése: limiter, kompresszor, zajzár, torzító algoritmusok.

Hangszintézis algoritmusok áttekintése. Sávkorlátozott négyszög- és fűrészjel generálás: analóg szintetizátorok diszkrét idejű szimulációja, szubtraktív szintézis. PCM szintézis. Jelmodell alapú módszerek (additív szintézis, Spectral Modeling Synthesis).

Fizikai modell alapú hangszintézis. Az egydimenziós hullámvezető (húr, légoszlop) modellezése: véges differenciás, modális, digitális hullámvezető módszerek.

Gerjesztés és hangszertest fizikai modellezése, kétdimenziós és háromdimenziós struktúrák, átviteli függvény modellek, Commuted Synthesis. Nemlineáris jelenségek modellezési lehetőségei.

Termékfejlesztési tapasztalatok.

Napjainkban a jelfeldolgozási feladatokat – így a zenei jelfeldolgozás feladatait is – szinte kizárólag digitális eszközök segítségével oldják meg. Különösen hatékonyak a modellalapú módszerek, amelyek a fekete doboz megközelítéssel ellentétben a rendszer belső felépítésének ismeretéből indulnak ki. A tantárgy célja olyan elméleti és gyakorlati ismeretek átadása, amelyek birtokában a hallgatók képessé válnak modellalapú zenei jelfeldolgozó algoritmusok (pl. szintézismódszerek, effektek) kifejlesztésére és megvalósítására. A tantárgy szerves részét képezi a házi feladat, amelyben a hallgatók egy választott algoritmus valós idejű implementációját készítik el.

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge

No learning outcomes recorded.

Skills

No learning outcomes recorded.

Attitudes

No learning outcomes recorded.

Autonomy and responsibility

No learning outcomes recorded.

Oktatási módszertan

Előadás (Matlab, Matlab-Simulink és valós idejű DSP bemutatókkal).

Tanulástámogató anyagok

Not provided.

Recommended preliminary knowledge for completing the subject

Knowledge type competencies

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

Hálózatok és rendszerek, lineáris (diszkrét idejű) rendszerek elméleteProgramozási alapismeretek

Skill type competencies

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Recommended (non-compulsory) preliminary competencies

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

Hálózatok és rendszerek, lineáris (diszkrét idejű) rendszerek elméleteProgramozási alapismeretek

General rules

Követelmények: A vizsgaidőszakban: Szóbeli vizsga. A vizsgajegyet 70%-os súllyal a szóbeli vizsga, 30%-os súllyal pedig a házi feladat érdemjegye határozza meg. Kerekítés 50 századtól felfelé.Elővizsga: Nincs.A szorgalmi időszakban: Egy nagy házi feladat: egy választott algoritmus implementációja DSP-n (C és assembler), vagy PC-n (C++). Feladatkiadás a 3. héten, beadás az utolsó héten. Pótlási lehetőségek: A házi feladat a vizsgaidőszakban különeljárási díj ellenében a harmadik hétig pótolható.

Assessment methods

In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description

Not provided.

Recommended courses

Not provided.

Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements

Requirements valid from:

—

Requirements valid until:

—

Curriculum placement

No curriculum placements recorded for this subject version.