fmin = 50 fmax = 8000 path = "../data/Bref80_L4M01.wav" path_aligned = "../data/Bref80_L4M01.aligned" #A adapter suivant l'emplacement du fichier d'alignement dict_path = "../data/classement" dict = getPhonemeDict(dict_path) #realisation de la matrice verite-terrain ########################################################################################################################## ############################################ MATRICE DE CLUSTERING ####################################################### ########################################################################################################################## X = fbank(path, fft_span, hop_span, n_mels, fmin, fmax) nb_features, nb_vectors = X.shape #Initialisation du tableau contenant les donnees d'alignement################################################ Y = getY(X, "../data/Bref80_L4M01.aligned", hop_span) ########################################################################################################################## #################################################### CLUSTERING ########################################################## ########################################################################################################################## print 'Clustering 3 classes: \n' #nombre de clusters nb_cluster = 3 #difference qu'on souhaite evaluer sur les phonemes : separation consonnes/voyelles = 0, voisee/non-voisee = 1, categories = 2 #type_phoneme = 2 # #kmeans initialise ou non clus = cluster.KMeans(n_clusters=nb_cluster, init='k-means++',
path = "../data/Bref80_L4M01.wav" path_aligned = "../data/Bref80_L4M01.aligned" #A adapter suivant l'emplacement du fichier d'alignement dict_path = "../data/classement" dict = getPhonemeDict(dict_path) #realisation de la matrice verite-terrain ########################################################################################################################## ############################################ MATRICE DE CLUSTERING ####################################################### ########################################################################################################################## X = fbank(path,fft_span,hop_span,n_mels,fmin,fmax) nb_features,nb_vectors = X.shape #Initialisation du tableau contenant les donnees d'alignement################################################ Y = getY(X,"../data/Bref80_L4M01.aligned", hop_span) ########################################################################################################################## #################################################### CLUSTERING ########################################################## ########################################################################################################################## print 'Clustering 3 classes: \n' #nombre de clusters nb_cluster = 3 #difference qu'on souhaite evaluer sur les phonemes : separation consonnes/voyelles = 0, voisee/non-voisee = 1, categories = 2 #type_phoneme = 2 # #kmeans initialise ou non
import scipy.io as sio from sklearn.cluster import KMeans import phonemesAnalysis.utiles as utiles import phonemesAnalysis.analyse as analyse # Read mat file and align file. filename = '../data/Bref80_L4M01.mat' alignfile = '../data/Bref80_L4M01.aligned' fbank = sio.loadmat(filename)['d1'] csv = "../resultats/resultatsClustering/matlabFbank.csv" classementPath = "../data/classement" hop_span = 0.01 Y = utiles.getY(fbank, alignfile, hop_span) #Kmeans without initialization 3 classes (consonnes et voyelles) n_clusters = 3 kmeans = KMeans(init='k-means++', n_clusters=n_clusters, n_init=10) kmeans.fit(fbank) centroids = kmeans.cluster_centers_ labels = kmeans.labels_ analyse.pourcentage(Y, n_clusters, labels, classementPath, 0, csv) #Kmeans without initialization 3 classes n_clusters = 3 kmeans = KMeans(init='k-means++', n_clusters=n_clusters, n_init=10) kmeans.fit(fbank) centroids = kmeans.cluster_centers_ labels = kmeans.labels_ analyse.pourcentage(Y, n_clusters, labels, classementPath, 1, csv) #Kmeans withous initialzation 6 classes
import scipy.io as sio from sklearn.cluster import KMeans import phonemesAnalysis.utiles as utiles import phonemesAnalysis.analyse as analyse # Read mat file and align file. filename = '../data/Bref80_L4M01.mat' alignfile = '../data/Bref80_L4M01.aligned' fbank = sio.loadmat(filename)['d1'] csv = "../resultats/resultatsClustering/matlabFbank.csv" classementPath = "../data/classement" hop_span = 0.01 Y = utiles.getY(fbank,alignfile,hop_span) #Kmeans without initialization 3 classes (consonnes et voyelles) n_clusters = 3 kmeans = KMeans(init='k-means++', n_clusters=n_clusters, n_init=10) kmeans.fit(fbank) centroids = kmeans.cluster_centers_ labels = kmeans.labels_ analyse.pourcentage(Y,n_clusters,labels,classementPath,0,csv) #Kmeans without initialization 3 classes n_clusters = 3 kmeans = KMeans(init='k-means++', n_clusters=n_clusters, n_init=10) kmeans.fit(fbank) centroids = kmeans.cluster_centers_ labels = kmeans.labels_ analyse.pourcentage(Y,n_clusters,labels,classementPath,1,csv) #Kmeans withous initialzation 6 classes