Šiuolaikiniame technikos pasaulyje vis didesnę prasmę įgauna kalbos technologijos, tokios kaip kalbos atpažinimas, kalbos signalų sintezė, bei kombinuoti jų variantai. Pasaulyje visada buvo jaučiamas didelis poreikis kalbos atpažinimo sistemų, programų. Tokios sistemos labai populiarios dėl plataus savo pritaikymo spektro: karinė pramonė, įvairių prekių ar paslaugų užsakymų priėmimas, žmonių su įvairia negale darbo palengvinimas, telekomunikacijų, bankų sfera ir t.t. Kalbos atpažinimas kelia skirtingus uždavinius kiekvienai kalbai, nes kiekviena kalba turi savo specifiką. Pastaruoju metu kitose šalyse yra sukurta daug įvairių atpažinimo sistemų, tačiau jos nėra naudojamos lietuvių kalbos atpažinimui. Todėl yra būtina eksperimentuoti bei kurti savai kalbai pritaikytas tokio tipo sistemas naudojant kitų kalbų atpažinimui pritaikytus produktus. Darbo objektas: Lietuviškų balso komandų atpažinimas naudojant kitų kalbų atpažinimo priemones. Tyrimo tikslas: Ištirti lietuviškų balso komandų atpažinimo galimybę, naudojant nelietuviškas atpažinimo priemones (Microsoft Speech Application Programming Interface). Tyrimo uždaviniai: 1. Apžvelgti kalbos atpažinimo metodus; 2. Ištirti kalbos atpažinimo metodus, išskiriant jų privalumus ir trūkumus; 3. Apžvelgti kalbos atpažinimo paketą SAPI; 4. Atlikti komandų išskyrimo, iš kalbos signalo, metodo kiekybinę analizę; 5. Atlikti lietuviškų komandų atpažinimo eksperimentą, naudojantis SAPI varikliu; 6. Pateikti siūlymą kaip perrašyti... [toliau žr. visą tekstą] / In the contemporary world of techniques, voice technologies, such as speech recognition, synthesis of speech signals and their combined versions, acquire more and more significance. These technologies are very popular for wide practical use: telecommunications, banking, army and so on. The aim of the research paper is to analyze opportunity to adapt others languages speech recognition engine for Lithuanian language recognition using voice detection in speech signal and signal pre-emphasis methods. Microsoft SAPI English recognition engine was used for experiments in his paper. P. Kasparaitis has offered how Lithuanian phonemes can be transcribed using English phonemes, but not all Lithuanian phonemes has been analyzed. So this paper also replenish P. Kasparaitis paper (P. Kasparaitis (2008). Lithuanian Speech Recognition Using the English Recognizer.) by offering new ways how some Lithuanian sounds can be transcribed by English phonemes.

Šiame darbe aprašytas automobilio numerio identifikavimo uždavinys, šio uždavinio skaidymas į smulkesnes užduotis, tokias kaip numerio lokalizavimas nuotraukoje, numerio suskaidymas į atskirus simbolius, bei rastų simbolių identifikavimas. Kiekvienai šiai užduočiai realizuota po du algoritmus. Numerio lokalizavimo algoritmai remiasi kontūrų išskyrimu ir spalvų intensyvumu, bei morfologinėmis operacijomis nuotraukoje. Surasto numerio skaidymo į simbolius algoritmai remiasi statistiniu pasiskirstymu bei objektų išskyrimu. Simboliams atpažinti panaudota koreliacijos skaičiavimas tarp šablonų ir atpažįstamojo simbolio, bei dirbtinis neuroninis tinklas. Taip pat apžvelgta šiuo metu pasaulyje naudojamas technologijas ir algoritmai, sprendžiantys šį uždavinį bei palyginti rezultatai su savais. / This paper describes the task of vehicle number identification. It is further divided into smaller tasks, such as the localization of the number in the picture, the splitting of the number into individual symbols and the identification of the located symbols. Two algorithms were allocated for each task. The number localization algorithm is based on the exclusion of the contours, colour intensity and morphological operations in the picture. The algorithms used to divide the symbols of the identified number are based on the statistical distribution and object separation. Correlation calculation is used between the templates, identifiable symbol and artificial neural network. Moreover, the paper discusses the technologies and algorithms currently used across the world when dealing with such task, and compares it with the results of this paper.

Šiame darbe pasiūlytas algoritmas, gebantis spręsti dviejų klasių problemą bei pasitelkiant tik tekstinį turinį skirtas analizuoti ir klasifikuoti tokius daugialypės terpės dokumentus kaip HTML puslapiai. Taip pat Mozilla Firefox įskiepio pagrindu sukurtas turinio filtras, klasifikuojantis pagal darbe pasiūlytą klasifikavimo algoritmą. Klasifikatoriui apmokyti pasitelktas PHP programavimo kalba realizuotas tiesinis atraminių vektorių algoritmas (SVM). Pagrindinės realizuoto turinio filtro savybės, išskiriančios jį iš daugumos rinkoje esančių analogiškų įrankių, tai galimybė klasifikuoti dar algoritmui nežinomus interneto puslapius bei priklausomai nuo parametrų blokuoti tik dalį arba visą internetinį dokumentą. / An algorithm, able to solve two class problem, designed to analyse and classify multimedia documents such as HTML pages by using textual content, is suggested in the paper. Moreover, content filter based on Mozilla Firefox extension was developed to classify web pages according to the algorithm. Linear support vector machine (SVM) was developed using PHP programming language in order to train the classifier. The main advantage of the content filter we developed which distinguishes it from other analogical tools existing in the market is its ability to classify web pages unfamiliar to the algorithm and to block a part or entire web document depending on setup.

In many important real world applications the initial representation of the data is inconvenient, or even prohibitive for further analysis. For example, in image analysis, text analysis and computational genetics high-dimensional, massive, structural, incomplete, and noisy data sets are common. Therefore, feature extraction, or revelation of informative features from the raw data is one of fundamental machine learning problems. Efficient feature extraction helps to understand data and the process that generates it, reduce costs for future measurements and data analysis. The representation of the structured data as a compact set of informative numeric features allows applying well studied machine learning techniques instead of developing new ones.. The dissertation focuses on supervised and semi-supervised feature extraction methods, which optimize the dependence structure of features. The dependence is measured using the kernel estimator of Hilbert-Schmidt norm of covariance operator (HSIC measure). Two dependence structures are investigated: in the first case we seek features which maximize the dependence on the dependent variable, and in the second one, we additionally minimize the mutual dependence of features. Linear and kernel formulations of HBFE and HSCA are provided. Using Laplacian regularization framework we construct semi-supervised variants of HBFE and HSCA. Suggested algorithms were investigated experimentally using conventional and multilabel classification data... [to full text] / Daugelis praktiškai reikšmingu sistemu mokymo uždaviniu reikalauja gebeti panaudoti didelio matavimo, strukturizuotus, netiesinius duomenis. Vaizdu, teksto, socialiniu bei verslo ryšiu analize, ivairus bioinformatikos uždaviniai galetu buti tokiu uždaviniu pavyzdžiais. Todel požymiu išskyrimas dažnai yra pirmasis žingsnis, kuriuo pradedama duomenu analize ir nuo kurio priklauso galutinio rezultato sekme. Šio disertacinio darbo tyrimo objektas yra požymiu išskyrimo algoritmai, besiremiantys priklausomumo savoka. Darbe nagrinejamas priklausomumas, nusakytas kovariacinio operatoriaus Hilberto-Šmidto normos (HSIC mato) branduoliniu ivertiniu. Pasiulyti šiuo ivertiniu besiremiantys HBFE ir HSCA algoritmai leidžia dirbti su bet kokios strukturos duomenimis, bei yra formuluojami tikriniu vektoriu terminais (tai leidžia optimizavimui naudoti standartinius paketus), bei taikytini ne tik prižiurimo, bet ir dalinai prižiurimo mokymo imtims. Pastaruoju atveju HBFE ir HSCA modifikacijos remiasi Laplaso reguliarizacija. Eksperimentais su klasifikavimo bei daugiažymio klasifikavimo duomenimis parodyta, jog pasiulyti algoritmai leidžia pagerinti klasifikavimo efektyvuma lyginant su PCA ar LDA.

Daugelis praktiškai reikšmingu sistemu mokymo uždaviniu reikalauja gebeti panaudoti didelio matavimo, strukturizuotus, netiesinius duomenis. Vaizdu, teksto, socialiniu bei verslo ryšiu analize, ivairus bioinformatikos uždaviniai galetu buti tokiu uždaviniu pavyzdžiais. Todel požymiu išskyrimas dažnai yra pirmasis žingsnis, kuriuo pradedama duomenu analize ir nuo kurio priklauso galutinio rezultato sekme. Šio disertacinio darbo tyrimo objektas yra požymiu išskyrimo algoritmai, besiremiantys priklausomumo savoka. Darbe nagrinejamas priklausomumas, nusakytas kovariacinio operatoriaus Hilberto-Šmidto normos (HSIC mato) branduoliniu ivertiniu. Pasiulyti šiuo ivertiniu besiremiantys HBFE ir HSCA algoritmai leidžia dirbti su bet kokios strukturos duomenimis, bei yra formuluojami tikriniu vektoriu terminais (tai leidžia optimizavimui naudoti standartinius paketus), bei taikytini ne tik prižiurimo, bet ir dalinai prižiurimo mokymo imtims. Pastaruoju atveju HBFE ir HSCA modifikacijos remiasi Laplaso reguliarizacija. Eksperimentais su klasifikavimo bei daugiažymio klasifikavimo duomenimis parodyta, jog pasiulyti algoritmai leidžia pagerinti klasifikavimo efektyvuma lyginant su PCA ar LDA. / In many important real world applications the initial representation of the data is inconvenient, or even prohibitive for further analysis. For example, in image analysis, text analysis and computational genetics high-dimensional, massive, structural, incomplete, and noisy data sets are common. Therefore, feature extraction, or revelation of informative features from the raw data is one of fundamental machine learning problems. Efficient feature extraction helps to understand data and the process that generates it, reduce costs for future measurements and data analysis. The representation of the structured data as a compact set of informative numeric features allows applying well studied machine learning techniques instead of developing new ones.. The dissertation focuses on supervised and semi-supervised feature extraction methods, which optimize the dependence structure of features. The dependence is measured using the kernel estimator of Hilbert-Schmidt norm of covariance operator (HSIC measure). Two dependence structures are investigated: in the first case we seek features which maximize the dependence on the dependent variable, and in the second one, we additionally minimize the mutual dependence of features. Linear and kernel formulations of HBFE and HSCA are provided. Using Laplacian regularization framework we construct semi-supervised variants of HBFE and HSCA. Suggested algorithms were investigated experimentally using conventional and multilabel classification data... [to full text]

This paper is analysis the system of Lithuanian social security, appreciable the problems of social services organization and offering. Also there are descriptive criterions of social services evaluation and discernible reparation of social services functions in Lithuanian authority departments. There are ratable social services offering of Jonava municipality. By the questionnaire poll in Rukla there are sounding social services quality and Rukla population content with them.