TR201910052A2 - Ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama yöntemi̇ ve ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama si̇stemi̇ - Google Patents
Ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama yöntemi̇ ve ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama si̇stemi̇ Download PDFInfo
- Publication number
- TR201910052A2 TR201910052A2 TR2019/10052A TR201910052A TR201910052A2 TR 201910052 A2 TR201910052 A2 TR 201910052A2 TR 2019/10052 A TR2019/10052 A TR 2019/10052A TR 201910052 A TR201910052 A TR 201910052A TR 201910052 A2 TR201910052 A2 TR 201910052A2
- Authority
- TR
- Turkey
- Prior art keywords
- volume
- cloud
- user device
- telemetry data
- user devices
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006399 behavior Effects 0.000 claims description 23
- 230000006854 communication Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000005236 sound signal Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 238000011869 Shapiro-Wilk test Methods 0.000 description 1
- 241000267154 Southern tomato virus Species 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000030808 detection of mechanical stimulus involved in sensory perception of sound Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Landscapes
- Circuit For Audible Band Transducer (AREA)
Abstract
Mevcut açıklama, birden çok kullanıcı cihazı yoluyla bir bulut tabanlı servise telemetri verisini sağlamayı (110); söz edilen bulut tabanlı servis yoluyla, telemetri verisi temelinde birden çok kullanıcı cihazının kullanıcılarına ait kalabalık davranışını tespit etmeyi (120); ve tespit edilen kalabalık davranışı temelinde en az bir kullanıcı cihazının ses seviyesini gerçek zamanlı olarak ayarlamayı (130) iperen, ses seviyesini otomatik olarak ayarlama yöntemi (100) ile ilgilidir
Description
TARIFNAME
SES SEVIYESINI OTOMATIK OLARAK AYARLAMA YÖNTEMI VE SES SEVIYESINI
OTOMATIK OLARAK AYARLAMA SISTEMI
Mevcut açiklamanin uygulamalari, ses seviyesini otomatik olarak ayarlama yöntemi ve
ses seviyesini otomatik olarak ayarlama sistemi ile ilgilidir. Mevcut açiklamanin
uygulamalari özellikle, kalabalik davranisina göre ses seviyesini gerçek zamanli olarak
ayarlamayla ilgilidir.
ÖNCEKI TEKNIK
TV'Ier, akilli telefonlar ve tabletler gibi multimedya kullanici cihazlari yaygin bir sekilde
kullanilmaktadir. Canli veya talebe bagli sesli/görsel akislar (VoD, AoD) izlenirken veya
dinlenirken ses seviyesi kullanicilar tarafindan akisin içerigine bagli olarak sürekli
ayarlanmaktadir. Örnegin, kullanici bir TV programindan reklama geçis yaparken ses
seviyesini düsürmektedir. Baska bir örnekte bir aksiyon filminde kimi sahneler bu
sahnedeki ses ve insan seslerinin duyulmasi için daha yüksek bir ses seviyesi olmasini
gerektirebilmektedir ve bazi arka fon müzigi olan aksiyon sahneleri yüksek ses
seviyesinden ötürü kullaniciyi rahatsiz edebilmektedir. Ayrica, dublajli içeriklerde (çok dilli
müzik parçalari veya hard-dubbed) genellikle ses seviyesi uyusmazligi problemi
bulunmaktadir. Ayrica, içerik kanalinin degistirilmesi ayni zamanda ses seviyesi
uyusmazligina sebep olabilmektedir ve kullaniciyi rahatsiz etmekte veya ses seviyesinin
yeniden ayarlanmasini gerektirmektedir.
Yukarida açiklandigi üzere tek sorun ses seviyesi uyusmazligi degildir ve akis içerigi için
ses seviyesinin ayarlanmasi da gerekmektedir. Örnegin, canli akislarda son dakika
haberleri çiktiginda kullanici ses seviyesini artirmak isteyebilmektedir. Ses seviyesi anlik
bir sekilde degismelidir çünkü kullanici, örnegin uzaktan kumandayi bulmaya çalisirken,
akista sunulan bazi sahne veya içerikleri kaçirabilmektedir.
Yukarida açiklananlar göz önünde bulunduruldugunda, teknikte yer alan sorunlardan en
azindan bazilarinin üstesinden gelen yeni ses seviyesini otomatik olarak ayarlama
yöntemleri ve ses seviyesini otomatik olarak ayarlama sistemleri faydali olacaktir.
KISA AQIKLAMA
Yukarida açiklananlar göz önünde bulunduruldugunda, ses seviyesini otomatik olarak
ayarlama yöntemi ve ses seviyesini otomatik olarak ayarlama sistemi gelistirilmektedir.
Mevcut bulusun amaci, bir kullanici cihazinin ses seviyesini kullaniciya uygun bir seviyeye
otomatik olarak ayarlamaktir.
Mevcut açiklamanin diger yönleri, faydalari ve özellikleri istemler, tarifname ve ekli sekiller
yoluyla anlasilmaktadir.
Mevcut açiklamanin bagimsiz bir yönüne göre ses seviyesini otomatik olarak ayarlama
yöntemi gelistirilmektedir. Bu yöntem, birden çok kullanici cihazi yoluyla bir bulut tabanli
servise telemetri verisini saglamayi; söz edilen bulut tabanli servis yoluyla, telemetri verisi
temelinde birden çok kullanici cihazinin kullanicilarina ait kalabalik davranisini tespit
etmeyi; ve tespit edilen kalabalik davranisi temelinde en az bir kullanici cihazinin ses
seviyesini gerçek zamanli olarak ayarlamayi içermektedir.
Mevcut açiklamanin diger bir bagimsiz yönüne göre, ses seviyesini otomatik olarak
ayarlama sistemi gelistirilmektedir. Bu sistem, bir bulut tabanli servise telemetri verisini
saglamak üzere yapilandirilan birden çok kullanici cihazini; ve telemetri verisi temelinde
birden çok kullanici cihazinin kullanicilarina ait kalabalik davranisini tespit etmek ve tespit
edilen kalabalik davranisi temelinde en az bir kullanici cihazinin ses seviyesini gerçek
zamanli olarak ayarlamak üzere yapilandirilan. bulut tabanli servisi uygulayan bulut
kaynaklarini içermektedir.
Uygulamalar, açiklanan yöntemleri uygulamaya yönelik aparatlara da yöneltilmistir ve
açiklanan her bir yöntem yönünü gerçeklestirmeye yönelik aparat parçalarini
kapsamaktadir. Bu yöntem yönleri donanim bilesenleri yoluyla, uygun yazilimla birlikte
bilgisayar programli sekilde, bu ikisinin herhangi bir kombinasyonu yoluyla veya farkli bir
yolla gerçeklestirilebilmektedir. Ayrica, açiklamaya uygun uygulamalar da açiklanan
aparati çalistirmaya yönelik yöntemlere yöneltilmistir. Yöntemler, aparatin her islevini
gerçeklestirmeye yönelik yöntem yönlerini içermektedir.
SEKILLERIN KISA AÇIKLAMASI
Dolayisiyla, mevcut açiklamanin yukarida belirtilen özelliklerinin ayrintili olarak
anlasilabilmesi için, yukarida kisaca özetlenen açiklamanin daha özel bir açiklamasi için
uygulamalara atifta bulunulmasi gerekebilir. Ekli sekiller açiklamanin uygulamalari ile
ilgilidir ve asagida açiklanmaktadir:
SEKIL1 burada açiklanan uygulamalara göre ses seviyesini otomatik olarak
ayarlama yönteminin akis semasini göstermektedir;
SEKIL2 burada açiklanan uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin sematik görünümünü göstermektedir;
SEKIL 3 NAT'i (Ag Adresi Dönüsümü) göstermektedir;
SEKIL 4 burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin sematik görünümünü göstermektedir;
SEKIL 5 burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin sematik görünümünü göstermektedir;
SEKIL 6 burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin sematik görünümünü göstermektedir;
SEKIL 7 bir DVB sinyal paketini göstermektedir;
SEKIL 8 burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin sematik görünümünü göstermektedir;
SEKIL 9 burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin sematik görünümünü göstermektedir;
SEKIL 10 kitle kümelemeyi göstermektedir;
SEKIL 11 burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin sematik görünümünü göstermektedir;
SEKIL 12 örnek bir çok modlu frekans dagilimini göstermektedir;
SEKIL 13 iki küme örneginin örnek olasilik dagilimini göstermektedir; ve
SEKIL 14 ortalama, mod ve medyani göstermektedir.
UYGULAMALARIN AYRINTILI AÇIKLAMASI
Simdi, bir veya daha fazla örnegi sekillerde gösterilen açiklamanin çesitli uygulamalarina
ayrintili bir sekilde atifta bulunulacaktir. Sekillerin asagidaki açiklamasinda ayni referans
numaralari ayni bilesenleri belirtmektedir. Genel olarak yalnizca münferit uygulamalara
iliskin farklar açiklanmaktadir. Her örnek açiklamanin tarif edilecegi sekilde verilmistir ve
açiklamayi sinirlandirma amaci tasimamaktadir. Ayrica, bir uygulamanin bir parçasi
olarak gösterilen veya açiklanan özellikler, yine baska bir uygulama elde edecek sekilde
diger uygulamalarda kullanilabilmekte veya bunlarla birlikte ele alinabilmektedir.
Açiklamanin bu tip modifikasyon ve varyasyonlari içermesi amaçlanmistir.
Sekil 1, ses seviyesini otomatik olarak ayarlama yönteminin (100) akis semasini
göstermektedir.
Bahsedilen yöntem (100), 110 blogunda birden çok kullanici cihazi yoluyla bir bulut
tabanli servise telemetri verisini saglamayi; 120 blogunda söz edilen bulut tabanli servis
yoluyla, telemetri verisi temelinde birden çok kullanici cihazinin kullanicilarina ait kalabalik
davranisini tespit etmeyi; ve 130 blogunda tespit edilen kalabalik davranisi temelinde,
örnegin birden çok kullanici cihazindan en az bir kullanici cihazinin ses seviyesini gerçek
zamanli olarak ayarlamayi içermektedir.
Mevcut bulus, kullanici cihazlarindan buluta telemetri verisi yollama yoluyla ve örnegin
Kayan Zaman Pencerelerini (Sliding Time Window) kullanarak veri akisini isleme yoluyla
bir kalabalik davranisina göre ses veya sesli/görsel içerigin ses seviyesini otomatik olarak
ayarlamayi saglamaktadir. Kimi uygulamalarda içerigin ses seviyesinin yönelim analitikleri
örnegin istatistik yöntemleri ve/veya makine ögrenimi modelleri ile belirlenmektedir ve
sonuçlar, gerektiginde, canli akislar için ses seviyesini degistirmek üzere kullanici
cihazlarina gönderilmektedir veya talebe bagli içerikler için zaman bilgisi ve karsilik gelen
ses seviyesini içeren bir ses seviyesi dosyasinda depolanmaktadir.
Sekil 2, burada açiklanan uygulamalara göre ses seviyesini otomatik olarak ayarlama
sisteminin (200) sematik görünümünü göstermektedir.
Sistem (200), bir bulut tabanli servise telemetri verisini saglamak üzere yapilandirilan
birden çok kullanici cihazini (210); ve telemetri verisi temelinde birden çok kullanici
cihazinin (210) kullanicilarina ait kalabalik davranisini tespit etmek ve tespit edilen
kalabalik davranisi temelinde, örnegin birden çok kullanici cihazindan (210) en az bir
kullanici cihazinin ses seviyesini gerçek zamanli olarak ayarlamak üzere yapilandirilan,
bulut tabanli servisi uygulayan bulut kaynaklarini (220) içermektedir.
Gerçek zamanli sistemler genel olarak, üç kategoriye ayrilabilmektedir: Siki Gerçek
Zamanli (Hard Real-Time), Kati Gerçek Zamanli (Firm Real-Time) ve Yumusak Gerçek
Zamanli (Soft Real-Time). Mevcut bulus Yumusak Gerçek Zamanli olarak, özellikle de
Yumusak Gerçek Zamanli akis analitigi olarak kategorize edilebilmektedir. Mevcut
bulusun tamaminda kullanildigi haliyle gerçek zamanli” ifadesi özellikle, bir kalabalik
davranisiyla, bu kalabalik davranisi temelinde ses ayarlamanin es zamanli olarak tespit
edildigi anlamina gelebilmektedir. Özellikle, ses ayarlama islemi örnegin bir Kayan Zaman
Penceresi kullanilarak bir canli akisla baglantili sekilde gerçeklestirilebilmektedir.
Günümüzde çogu TV'Ier WiFi veya Ethernet vasitasiyla Internet baglantisi saglamaktadir
ve baglanti oranlari (baglanti üzerinden baglanan) durmaksizin artmaktadir. Baglanti
oranlarinin artmasinin sebebi, multimedya akis servisleri ve portallari gibi Internet tabanli
servislerdir. TV'Iere benzer sekilde STB'ler de Internet baglantisi saglamaktadir. Bu
dogrultuda büyüyen bir pazar bulunmaktadir ve en çok gelecek vaat eden sektörlerden biri
lPTV”dir. IPTV ses/video içerigini Internet altyapisi üzerinden dagitmaktadir ve zaten
baglidir. Dolayisiyla, burada açiklanan diger uygulamalarla kombine edilebilecek bazi
uygulamalara göre birden çok kullanici cihazi (210), TV'Ieri, STVlleri, PC'leri, cep
telefonlarini ve medya oynaticilari içeren veya bunlardan olusan gruptan
seçilebilmektedir.
Mevcut bulusun tamaminda kullanildigi haliyle “telemetri verisi” ifadesi özellikle, kullanici
canli veya talebe bagli içerik izlerken kullanici cihazinin ses seviyesinin göstergesi olan
veriyi belirtmektedir.
Mevcut bulusun tamaminda kullanildigi haliyle “bulut kaynaklari" ifadesi, dogrudan aktif
kullanici yönetimi olmaksizin bilgisayar sistemi kaynaklarinin, özellikle veri deposu ve
bilisim gücünün talebe bagli mevcudiyeti olan bulut bilisimini belirtmektedir. Bu ifade
genellikle, Internet üzerinde birçok kullaniciya ulasan veri merkezlerini belirtmek için
kullanilmaktadir.
Mevcut bulusun tamaminda kullanildigi haliyle “kalabalik davranisi” ifadesi, belirli bir içerik
için manuel bir ses seviyesi ayarlamayla ilgili çok sayidaki kullanicinin (“kitle” olarak da
ifade edilmektedir) davranisini veya davranis modelini belirtmektedir.
Büyük veri hacimlerinin islenmesi, donanim kisitlamalarindan ötürü tek bir bilgisayarda
gerçeklestirilmeyebilir. Bu nedenle Hadoop ekosistemi ve Spark gibi veri araçlari
kullanilabilmektedir. Bu sayede, bilgisayar kümelerindeki hem toplu veri hem de akis verisi
dagitilmis hesap, dagitilmis dosya deposu ve dagitilmis bellek ile islenmektedir. Ayrica,
Apache Beam Programlama modeli (Apache Beam Programming Model), Hadoop
araçlarinin üstüne soyutlama seviyesi ekleyebilmektedir.
Mevcut açiklamanin sistemi (200) kullanici cihazlarini (210) ve bulut kaynaklarini (220)
içermektedir. Söz edilen kullanici cihazlari (210) “yayincilar” olarak da
adlandirilabilmektedir. TV, STB, PC, cep telefonu, bagli medya oynatici, tarayici vb. gibi
yayincilar, kullanici canli veya talebe bagli içerigi izlerken ses seviyesiyle ilgili telemetri
verisini bulut kaynaklarina (220) göndermektedir.
Bulut kaynaklari (220); en az bir veri toplama birimini, en az bir veri isleme birimini, en az
bir mesajlasma birimini ve en az bir aboneyi içeren veya bunlardan olusan gruptan seçilen
bir veya daha fazla bileseni içerebilmektedir. Bununla birlikte mevcut açiklama bunlarla
sinirli degildir ve bulut kaynaklari, mevcut bulusun yönlerini uygulamaya uygun farkli
bilesenleri içerebilmektedir.
Örnegin en az bir veri toplama birimi, genis ölçekli veri edinimini saglamak (tercihen
basarmak) için yük dengeleyicileri ve servisleri içerebilmektedir. En az bir veri isleme
birimi, hesaplama ve veriyi dagitarak toplu veriyi vei'veya akis verisini genis ölçekte
islemek üzere yapilandirilabilmektedir. En az bir mesajlasma birimi, karsilik gelen
basliklara sonuçlari iletmek üzere yapiIandirilabilmektedir. En az bir abone, sonuçlari
toplamak ve gerekli islemleri uygulamak üzere yapilandirilabilmektedir.
Yukaridaki birimlerden en azindan bazilari tek bir birimde kombine edilebilmekte veya ayri
birimler olarak saglanabilmektedir.
Yukaridaki bilesenleri uygulayan bir örnek sistem Sekil 2'de gösterilmistir. Asagida
spesifik mimarilere ve bulut platformlarina atifta bulunulmaktadir. Bunlarin yalnizca örnek
oldugu ve mevcut açiklamanin bunlarla sinirli olmadigi anlasilmalidir.
Sekil 2, GCP (Google Bulut Platformu) üzerinde örnek bir MVP'yi (Asgari Uygunlukta
Ürün) göstermektedir. Kullanici cihaz(lar)i (210) bulut kaynaklari (220) tarafindan
saglanan bir bulut servisine ses seviyesini ve opsiyonel olarak kanal bilgisini
göndermektedir ve eger yönelim degisimi tespit edilirse, mesajlar (abone olmus) kullanici
cihaz(lar)ina (210) gönderilmektedir. Kanal degisimi gerçeklesirse kullanici cihaz(lar)i
(210) ses seviyesini uygun bir ses düzeyine ayarlamak için bulut servisinden son
yönetimleri elde edebilmektedir.
Kanal bilgisi çesitli yollarla elde edilebilmektedir. Örnegin bazi TV'Ierde entegre uydu
dekoderleri bulunmakta, bazi TV'Ier ise yayin sinyallerini çözmek için bir STB'ye (set üstü
kutu) baglanmaktadir. STB kullanilmasi durumunda TV, kullanicinin hangi TB kanalini
izledigini bilemeyebilmektedir çünkü TV yalnizca örnegin HDMI portunda alinan verileri
olusturmaktadir ve ayarli frekansi veya kanal ismini bilmemektedir. Bir ACR (Otomatik
Içerik Tanima) yazilimi hafif bir parmak izi elde etmek için uygun algoritmalari uygulama
yoluyla TV kanalini tespit ederek, video verisini azaltmakta ve TV kanalini eslestirmek ve
kanal bilgisini almak için parmak izini web servislerine göndermektedir.
Mevcut örnekte kullanici cihaz(lar)i (210) içerik lD'sini (örnegin, kanal ismi gibi TV kanal
bilgisi veya bir bulut servisi tarafindan bilinen bir essiz ID) ve ses seviyesini bulut servisine
göndermektedir. Kimi uygulamalarda ses seviyesi; kullanici cihazinin (210) toplam çikis
gücüne (örnegin hoparlörün (hoparlörlerin) Watt'i), ses çizgisi ölçegi, ekran boyutu
ve/veya tavsiye edilen izleme uzakligina göre normallestirilmektedir.
Bazi uygulamalarda temel (veya ham) ses düzeyi seviyesi ile birlikte bir kullanici cihazi
model ID”si gonderilebilmekledir ve normallestirme islemi, karsilik gelen kullanici cihazi
model lD'sinden elde edilen toplam çikis gücü temelinde bulut servisi tarafindan
gerçeklestirilebilmektedir.
Burada açiklanan diger uygulamalarla kombine edilebilecek bazi uygulamalara göre
sistem (200), özellikle de bulut kaynaklari (220), birden çok kullanici cihazi (210) ile söz
edilen bulut kaynaklari (220) arasinda bir iletisim kanali saglamak üzere yapilandirilan bir
arayüz birimini içermektedir. Arayüz birimi, birden çok kullanici cihazi (210) ile bulut
kaynaklari (220) arasinda çift yönlü bir iletisim saglamak üzere yapilandirilabilmektedir.
Örnegin, telemetri verisi birden çok kullanici cihazindan (210) bulut kaynaklarina (220)
iletisim kanali araciligiyla aktarilabilmektedir. Opsiyonel olarak, en az bir kullanici
cihazinin (210) ses seviyesini ayarlamaya yönelik komutlar söz edilen bulut
kaynaklarindan (220) birden çok kullanici cihazina (210) ayni iletisim kanali veya baska
bir iletisim kanali araciligiyla aktarilabilmektedir.
Bazi uygulamalarda arayüz birimi iletisim için MQTT (Mesaj Kuyruk Telemetri Tasima)
protokolünü uygulamak üzere yapilandirilmaktadir. Söz edilen MQTT protokolü cihazlarini
birbirine baglamak amaciyla kullanilabilmektedir. Herkese açik bulut tedarikçilerinden
bazilari (örnegin GCP, AWS, Azure) MQTT özellikli IoT servisleri sunmaktadir. Protokol
basit sekilde tasarlanmistir ve hem isleme gücü, bellek ve ag bant genisligi gereklilikleri
açisindan cihaz tarafini, hem de genis ölçekli baglanti durumunda yatay ve dikey
ölçeklenebilirlik açisindan bulut tarafini olumlu bir sekilde etkilemektedir.
Sekil 2'deki örnekte arayüz birimi, hem yukari yönlü hem de asagi yönlü mesajlasma için
kullanilan bir IoT Çekirdek servisi tarafindan saglanmaktadir. MQTT, özellikle asagi yönlü
mesajlasma için kullanici cihazlarini (210) bulut servisine basit bir yolla baglamak için
tercih edilen protokol alabilmektedir. Diger uygulamalarda yukari yönlü ve/veya asagi
yönlü mesajlasma farkli iletisim yollari vasitasiyla gerçeklestirilebiImektedir. Açiklama
genelinde farkli örnekler verilecektir.
NAT (Ag Adres Dönüsümü) durumunda mesajlarin alt-ag cihazlarina (ev agi gibi)
gönderilmesi, bir yönlendiricide statik port yönlendirme kurulumunu gerektirebilmektedir.
Sekil 3 bir NAT örnegini göstermektedir. Temelde baglantiyi baslatan, kullanici cihazini
NAT yardimiyla essiz bir sekilde tanimlamak amaciyla alt-ag yöneticisi (kullanici cihazi)
olmalidir.
Sekil 2ide, MQTT aracisindan (broker) gelen mesajlari baslik bazli bir sekilde elden
geçirmek için IoT Çekirdegine yönelik bir arka uç (back-end) servisi olarak
kullanilmaktadir.
Sekil 4, burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin (400) sematik görünümünü göstermektedir.
Bazi uygulamalara göre birden çok kullanici cihazi bir birinci kullanici cihazi grubunu
(Grup A) ve bir ikinci kullanici cihazi grubunu (Grup B) içermektedir. Birinci grup telemetri
verisini bulut cihazina bir birinci iletisim kanali vasitasiyla saglayabilmektedir. Ikinci grup
ses seviyesi ayarlama komutlarini bulut servisinden bir ikinci iletisim kanali vasitasiyla
alabilmektedir. Birinci iletisim kanali HTTP(S) kullanabilmektedir. Ozellikle, veri edinimi
dogrudan Pub/Sub servisleri üzerinden HTTP(S) kullanilarak, IoT Çekirdek servisleri ve
MQTT baglantilari kullanilmaksizin gerçeklestirilebilmektedir. Ilave olarak veya alternatif
olarak, ikinci iletisim kanali, en az bir kullanici cihazina ses seviyesi ayarlama komutu
saglamak için lVlQTT”yi kullanabilmektedir.
Sistem (400) ayrica, veri isleme için isleme kaynaklari (Veriakisi”) içermektedir. Bu isleme
kaynaklari (430), örnegin tamamen yönetilen, sunucusuz sistemlerde STW (Kayan Zaman
Penceresi) kullanmak üzere yapilandirilabilmektedir. Yönelim analitigi islemlerinin tamami
bu bilesende halledilebilmektedir. Pencereli akis verisindeki yönelimleri tespit etmek için
birçok yöntem kullanilabilmektedir. Apache Beam veri isleme için, küme ve dagilim
verisinde otomatik olarak esleyici ve azaltici atayarak MapReduce gibi büyük veri isleme
görevlerini kolay bir sekilde yönetmek üzere bir programlama modeli sunmaktadir.
Bir ses seviyesi yöneliminde degisiklik tespit edilirse kullanici cihazlari
bilgilendirilmektedir. Bir kullanicinin yönelim degisikliklerinden haber olmak istemesi
durumunda, ilgili bir basliga abone edilebilmektedir. Mesajlar Pub/Sub ve IoT Çekirdek
baglantisi üzerinden, diger bir ifadeyle ikinci iletisim kanali üzerinden kullanici cihazlarina
gönderilmektedir. Kullanici cihazlari yeni ses seviyesi bilgisini elde etmektedir ve ses
seviyesini degistirmek için uygun islemleri gerçeklestirmektedir. Bazi uygulamalarda ses
seviyesi çizgisi kullanici cihaz(lar)inin görüntüleme ekrani veya ekraninda
gösterilebilmekte veya gösterilmeyebilmektedir.
Sekil 4, canli bir baglanti olmaksizin durum bilgisiz (http, talep-yanit) telemetri verisi
edinimini göstermektedir. Böylelikle, yayinci cihazlar daha kolay bir sekilde
uygulanabilmektedir ve bulut tarafinda daha basit ve ucuz bir uygulama elde
edilebilmektedir. Özellikle, mesajlar arasinda canli baglantinin devam ettirilmesi için daha
fazla kaynaga ihtiyaç vardir ve http yük dengeleyicileri majör bulut tedarikçilerinde daha
Bir kullanici cihazi hem birinci kullanici cihazi grubunun (“Grup A") hem de ikinci kullanici
cihazi grubunun (“Grup B”) bir 'üyesi olabilmektedir veya ya birinci grubun ya da ikinci
grubun bir 'üyesi olabilmektedir. Ozellikle, bir uygulamada telemetri verisini saglayan
birden çok kullanici cihazi, ses seviyesi ayarlama komutunu alan en az bir kullanici
cihazini da içerebilmektedir. Baska bir uygulamada, sekil 4ite gösterildigi üzere telemetri
verisini saglayan birden çok kullanici cihazi, ses seviyesi ayarlama komutunu alan en az
bir kullanici cihazini içermemektedir. Diger bir ifadeyle, telemetri verisini saglayan
kullanici cihazlari ve ses seviyesi ayarlama komutunu alan kullanici cihazlari farkli
kullanici cihazi gruplarinin mensubu olabilmektedir.
Bir kullanici cihazi örnegin, hem birinci kullanici cihazi grubu hem de ikinci kullanici cihazi
grubunun bir üyesi olabilmektedir. Bir ses seviyesi degistirme komutunun, manuel bir ses
seviyesi degisikliginden hemen sonra gelmesi ve ses seviyesinin kullanici cihazi
tarafindan kalabalik davranisina göre ayarlanmasi kullanici açisindan uygunsuz bir durum
olabilmektedir.
Bir telemetri mesaji yalnizca ses seviyesi kullanici tarafindan manuel bir sekilde
degistirildiginde gönderilebilmektedir; dolayisiyla ses seviyesi en azindan belirli veya
Örnegin, ses seviyesi ayarlama komutu tüm abone kullanici cihazlarina
gönderilebilmektedir ve istemci tarafi zaman asimi korumasi uygulanabilmektedir. Diger
bir ifadeyle telemetri mesajinin gönderilmesinden sonra, ses seviyesi ayarlama
komutlarinin reddedildigi ve/veya uygulanmadigi önceden belirlenen bir süre
ayarlanabilmektedir.
Sekil 5, burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin (500) sematik görünümünü göstermektedir.
Sekil 5'teki sistem (500) IPTV kullanmaktadir. IPTV altyapisi kullanici cihazlarinin bir
yayin merkezi (head-end) birimi ile iletisim kurmasini saglamaktadir. Kimi uygulamalarda
telemetri veri akisi ve ses seviyesi ayarlama komutlari, IPTV iletisimi kullanilarak
gönderilebilmektedir.
Sekil 6, burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin (600) sematik görünümünü göstermektedir. Sekil 7, bir DVB sinyal
paketini göstermektedir.
Kullanici cihaz(lar)indan buluta veri transferi yapmak için Internet baglantisi faydali olsa
da, asagi akis mesajlari sekil 6'da gösterildigi üzere Internet baglantisi olmadan
gönderilebilmektedir. Örnegin yayin aglari, MPEG-ZTS paketlerinde paketlenmis içerik
olmayan veriyi sekil 7'de gösterildigi sekilde ”Diger Paketlerde” iletebilmektedir. Böylelikle
TS paketlerindeki 'önerilen ses seviyesi bilgilerini göndermek için DVB-S, DVB-T ve DVB-
C standartlari kullanilabilmekte standardize edilebilmektedir. Ayrica, bilgiler bir küme
tanimlayicisini içerebilmektedir ve bir alici kullanici cihazi tarafindan, servisler tarafindan
önceden bildirilen veya örnegin izleme modellerine bagli olarak istemci tarafinda
hesaplanan kendi küme lD'sine (kullanici veya kitle bölümleme) göre uygulanabilmektedir.
Sekil 7, örnek bir DVB paketini göstermektedir. Mesajlar, yayin merkezi birimi tarafindan
cihazlari otomatik ses seviyesi ayarlama islemi için kalabalik davranisini kullanmaktadir.
Sekil 8, burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin (800) sematik görünümünü göstermektedir.
Sekil 8'de, farkli aglar arasindaki iletisim ve bilgi paylasimi gösterilmektedir. Bu durumda,
telemetri verisi bagli kullanici cihazlarindan toplanabildigi için, baglanmamis olan kullanici
Cihazlari da kalabalik davranisindan faydalanabilmektedir ve burada ortaya çikan yönelim
analizi tüm kullanici cihazlarina saglanabilmektedir.
Sekil 9, burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin (900) sematik görünümünü göstermekte ve özellikle kitle
kümelenmesini ve küme bazli yönelim analitigini göstermektedir. Söz edilen sistem (900)
bir ML (Makine Ögrenimi) birimini içermektedir.
Sekil 9 daha ayrintili olarak bulutta veri depolamaya yönelik örnek bir mimariyi ve izleme
ve ses seviyesi modellerine bagli olarak kullanicilari veya kitleleri kümeleye yönelik bir
makine Ögrenimi egitimini göstermektedir. Eger bu egitim çevrimdisi yapilirsa (diger bir
ifadeyle aninda veya gerçek zamanli degil) veri depolanmakta ve sonrasinda bir modeli
egitmek üzere kullanilmaktadir. Veri için anlik bir gereklilik bulunmamaktadir ve ön
tamponlar bulut servisi maliyetlerini optimize edebilmektedir. Veri boyutu önceden
belirlenen bir sinira ulastigi zaman veri dosya halinde depolanmaktadir. Verinin anlik bir
sekilde depolanmasi için akis ekleri (streaming inserts) de kullanilabilmektedir. Bu
opsiyonlar sekil 9'de soguk ve sicak yollar olarak gösterilmektedir. Basitlik açisindan olasi
mimarilerin tümü gösterilmemistir. Örnegin, bir BLOB deposundan veri okuma yoluyla
egitim mümkündür ve bir veri deposuna (gösterilmemistir) yüklenecek verilere ihtiyaç
duymamaktadir.
Sekil 10, kitle kümelemeyi (Hands-On Machine Learning with Scikit-Learn and
TensorFIow) göstermektedir. Kullanicilar veya kitle kümeler halinde gruplandirilabilmekte
ve küme bazli yönelimler analiz edilebilmektedir. Bu sekilde, sonuçlar söz konusu
kümedeki kullanicilara veya kitlelere daha uygun olabilmektedir.
Sistem özellikle, kitle bazli agirliklari ayarlayarak, bunlarin hesaplamalardaki etkisini,
örnegin bunlari aykiri deger veya öncü olarak tanimlama yoluyla, artirmak veya düsürmek
için ses seviyelerinin kullanici modellerini ve bunlarin kalabalikla ortakliklarini
taniyabilmektedir.
Sekil 11, burada açiklanan diger uygulamalara göre ses seviyesini otomatik olarak
ayarlama sisteminin (1100) sematik görünümünü göstermektedir.
Talebe bagli içerik durumunda akis islemeye gerek yoktur. Sekil 11'de veri isleme blogu,
ön isleme ve (gerekirse) tamponlama amaçlariyla kullanilmaktadir. Dolayisiyla telemetri
verisi akisina devam edilmektedir ve telemetri verisi bulut tarafinda tamponlanmaktadir.
Sonrasinda, yönelim analitikleri kümelerde programli sekilde, örnegin günlük olarak veya
yeni bir dosya olusturulmasi gibi durumlar üzerine çalismaktadir. Sonuçlar depolanmakta
ve yalnizca karsilik gelen içerik talep edildiginde kullanici cihazlarina gönderilmektedir. Bir
örnekte içerigin gömülü ses verisi sonuçlara bagli olarak degistirilebilmektedir.
Asagida örnek bir ses seviyesi verisi isleme islemi açiklanmaktadir. Bununla birlikte
mevcut açiklamanin asagidaki örneklerle sinirli olmadigi anlasilmalidir.
Bazi uygulamalara göre ses seviyesi verisi asagidakilerden birine göre normalize
edilmektedir (ancak bunlarla sinirli degildir):
a) hoparlörlerin maksimum çikis gücü (toplam)
b) ses çizgisi minimum, maksimum ve mevcut degeri
c) ekran boyutuna göre tavsiye edilen izleme mesafesi
d) bir ses sinyalinin RMS'si
Normalizasyon, kullanici cihazi (kenar) tarafindan yapilabilse de, gerekli olan bilginin bulut
servisine saglanmasi durumunda bulut tarafindan da yapilabilmektedir.
Kullanici cihazlari (alici birimler), normalize edilmis tavsiye edilen ses seviyesi temelinde,
örnegin yukaridaki a) ila d) karakteristiklerden birine göre gerekli hesaplamalari
yapmaktadir ve sonrasinda ses düzeyini ayarlamaktadir.
Örnegin, DVB-TISIC durumunda TS paketleri çerçeve için tavsiye edilen ses seviyesini
içerebilmektedir ve seviye de normalize edilmektedir.
Bazi uygulamalarda normalize edilmis deger araligi [0,1] veya [0, 100]”dür ancak bununla
sinirli degildir.
Ses yükseltme/düsürme gibi bir eylem hakkinda karar vermek için (1) denkleminde
gösterilen sayesinde veya (2) denkleminde gösterilen formülle bilinen popülasyon boyutu
sayesinde, (bagli cihazlarin) gerekli olan minimum model boyutu belirlenebilmektedir.
Denklem (1): Cochran model boyutu formülü
burada no hesaplanan minimum model boyutunu ifade etmekte, z tercih edilen güven
seviyesine göre z-skorunu ifade etmekte, p bir olasilik parametresini ifade etmekte
(bilinmedigi durumda 0.5 olabilmektedir), e ise hata payini ifade etmektedir.
Denklem (2): bilinen popülasyon boyutuyla model boyutu
burada n bilinen popülasyon boyutuyla hesaplanan minimum model boyutunu ifade
etmekte. no Cochran model boyutunu ifade etmekte, N ise popülasyon boyutunu ifade
etmektedir.
Kimi uygulamalarda bir model boyutu esigi ayarlanabilmektedir ve islemci birimi bu esigin
altinda durdurulabilmekte, komutlar gönderilmeyebilmekte vb.dir.
Örnek bir uygulamada yukaridaki formüller kullanilarak, mevcut bagli cihaz hesabi ve z-
skorunun ters aramasini kullanma yoluyla bir mevcut güven seviyesi
hesaplanabilmektedir. Kullanici cihazlarina komut göndermek veya veri islemek için
yukarida açiklandigi sekilde güven seviyesine iliskin bir esik ayarlanabilmektedir.
Merkezi limit teoremine göre model boyutu artirilirken olasilik dagilimi normal bir dagilima
yaklasmaktadir. Dolayisiyla akis yapma kabiliyeti olan çok sayida cihaz bir servis
saglayiciya baglandiginda anomaliler veya çoklu modaliteler meydana gelebilmektedir.
Sentetik veriyle normalize edilmis bir ses seviyesinin örnek bir çok modlu frekans dagilimi
sekil 12'de gösterilmistir. Bunun sonucunda cinsiyet, yas, etnik yapi, ikamet yeri, çocuk
mevcudiyeti, egitim seviyesi, ekran boyutu, çevrenin ses düzeyi vb. gibi model demografisi
çikabilmektedir. Birim özelliklerinin tümünün bilinmedigi varsayildiginda, kümeleme islemi
bir noktaya kadar çözüm olabilmektedir. Dolayisiyla, çok modlu dagilimlari Beklenti
Maksimizasyonu ile ayirmak için bir Gauss Karisim Modeline Bayesçi Yaklasim
kullanilabilmektedir.
Örnegin, sekil 12'de gösterilen veri sekil 13'te gösterildigi gibi 2 bilesene ayrilabilmektedir.
Algoritmalari uygulamak için birçok yol bulunmaktadir. Örnegin, önceki bir agirlik
konsantrasyonu olarak Dirichlet islemleri veya Dirichlet Dagilimi kullanilabilmektedir.
Modelde kullanilabilecek parametreler Kayan Zaman Penceresi'nin `örnek istatistikleridir
(ortalama, mod, medyan, degiskenlik, çarpiklik, savrukluk (Fisher), model sayimi, bu
degerlerin degisim minimumu, maksimumu, çeyregi ve orani). Sekil 14'e de bakiniz.
(3) denklemi ve (4) denklemi sirasiyla Fisher çarpikligi ve savruklugunu göstermektedir.
Model istatistikleri yönelim analizörünün girisleridir; çikis ise kullanici cihazlarina
gönderilecek olan tavsiye edilen kalabalik ses seviyesidir.
Normal dagilima yaklasilirken ortalama, mod ve medyan yaklasmaktadir (tümü ayni) ve
çarpiklik ve savrukluk O'a yaklasmaktadir. Bu degerler normaliteyi test etmek üzere de
kullanilabilmektedir. Modeldeki bir bilesen sayimini test etmek için bir Kolmogorov-
Smirnov testi kullanilabilmektedir. Normaliteyi test etmek için bir Shapiro-Wilk testi
kullanilabilmektedir. Bir dagilim ailesini belirlemek için bir Pearson çizelgesi veya Fisher
çizelgesi kullanilabilmektedir.
Ornek bir uygulamada yönelimleri belirlemek için el isi programlar kodlanabilmektedir.
Örnegin bir degiskenin önceden tanimlanmis bir esik altinda olmasi durumunda ortalama
deger tavsiye edilen ses seviyesi olarak gönderilebilmektedir.
Bazi uygulamalara göre bir ML (Makine Ögrenimi) modeli egitilebilmektedir. Örnegin,
yukarida listelenmis olan parametreler sistemin girisleridir ve tavsiye edilen ses seviyesi
çikistir. Geçmis verinin islenmesi ve hedef özniteliklerin (ortalama, mod veya medyan)
tanimlanmis kontrol tarihleriyle degistirilmesi yoluyla sistem kontrollü bir sekilde
egitilebilmektedir. Daha ayrintili olarak, bir zamanin (tn) model istatistikleri giristir ve tn+1”in
ortalama (veya mod veya medyan) degeri çikis degeridir. Modele kontrollü ögrenme
kurallari uygulama ve model agirliklari ve hiperparametrelerini güncelleme yoluyla,
istenilen sistem modellenebilmektedir.
Bazi uygulamalarda veriyi yumusatmak için Kayan Zaman Pencerelerine SMA (Basit
Hareketli Ortalama), WMA (Agirlikli Hareketli Ortalama), EMA (Ussel Hareketli Ortalama),
Hareketli Medyan vb. filtreleri uygulanabilmektedir.
Mevcut bulus, kullanici cihazlarindan buluta telemetri verisi yollama yoluyla ve örnegin
Kayan Zaman Pencerelerini (Sliding Time Window) kullanarak veri akisini isleme yoluyla
bir kalabalik davranisina göre ses veya sesli/görsel içerigin ses seviyesini otomatik olarak
ayarlamayi saglamaktadir. Kimi uygulamalarda içerigin ses seviyesinin yönelim analitikleri
örnegin istatistik yöntemleri ve/veya makine ögrenimi modelleri ile belirlenmektedir ve
sonuçlar, gerektiginde, canli akislar için ses seviyesini degistirmek üzere kullanic
cihazlarina gönderilmektedir veya talebe bagli içerikler için zaman bilgisi ve karsilik gelen
ses seviyesini içeren bir ses seviyesi dosyasinda depolanmaktadir.
Yukarida anilanlar açiklamanin uygulamalarina yöneltilse de, açiklamaya iliskin diger ve
farkli uygulamalar temel kapsamdan ayrilmadan öngörülebilmekte olup, bu kapsam
asagidaki istemlerle belirlenmektedir.
Claims (14)
1. Ses seviyesini otomatik olarak ayarlama yöntemi (100) olup, birden çok kullanici cihazi yoluyla bir bulut tabanli servise telemetri verisini saglamayi (110); söz edilen bulut tabanli servis yoluyla, telemetri verisi temelinde birden çok kullanici cihazinin kullanicilarina ait kalabalik davranisini tespit etmeyi (120); ve tespit edilen kalabalik davranisi temelinde en az bir kullanici cihazinin ses seviyesini gerçek zamanli olarak ayarlamayi (180) içermektedir.
2. Istem 1'e uygun yöntem (100) olup, burada telemetri verisi, birden çok kullanici cihazinin kullanicilarina saglanan içerikle ilgilidir.
3. Istem 2'ye uygun yöntem (100) olup, burada içerik birden çok kullanici cihazina ve/veya canli akistaki en az bir kullanici cihazina saglanmaktadir.
4. Istem 1 ila 3'ten herhangi birine uygun yöntem (100) olup, ses seviyesini ayarlamak için bulut tabanli servis yoluyla en az bir kullanici cihazina bir ses seviyesi ayarlama komutu göndermeyi de Içermektedir.
5. Istem 4”e uygun yöntem (100) olup, burada: telemetri verileri bir birinci iletisim kanali araciligiyla gönderilmektedir ve ses seviyesi ayarlama komutu bu birinci iletisim kanalindan farkli bir ikinci iletisim kanali araciligiyla gönderilmektedir, tercihen, söz edilen birinci iletisim kanali HTTP kullanmaktadir ve/veya ikinci iletisim kanali MQTT kullanmaktadir; veya telemetri verileri ve ses seviyesi ayarlama komutu tercihen MQTT kullanilarak ayni iletisim kanali araciligiyla gönderilmektedir.
6. Istem 4 veya 5'e uygun yöntem (100) olup, burada en az bir kullanici cihazi tarafindan alinan ses seviyesi ayarlama komutu yalnizca, manuel bir ses seviyesi ayarlama islemi gerçeklestirilmesinden itibaren önceden belirlenen bir süre geçerse uygulanmaktadir.
7. Istem 4 ila 6'dan herhangi birine uygun yöntem (100) olup, burada ses seviyesi ayarlama komutu, - hoparlörlerin maksimum çikis gücü - ses çizgisi minimum, maksimum ve mevcut degeri - ekran boyutuna göre tavsiye edilen izleme mesafesi veya - bir ses sinyalinin RMS'sinden bir tanesi temelinde normalize edilmektedir.
8. Istem 7'ye uygun yöntem (100) olup, burada ses seviyesi ayarlama komutu bulut tabanli servis veya en az bir kullanici cihazi tarafindan normalize edilmektedir.
9. Istem 4 ila 8'den herhangi birine uygun yöntem (100) olup, burada ses seviyesi ayarlama komutu bir DVB sinyal paketinde bulunmaktadir.
10. Istem 1 ila 9'dan herhangi birine uygun yöntem (100) clup, burada telemetri verisini saglayan birden çok kullanici cihazi bir birinci kullanici cihazi grubudur ve: ses seviyesi ayarlanan en az bir kullanici cihazi birinci kullanici cihazi grubuna mensuptur; veya ses seviyesi ayarlanan en az bir kullanici cihazi, söz edilen birinci gruptan farkli bir ikinci kullanici cihazi grubuna mensuptur.
11. Istem 1 ila 10'dan herhangi birine uygun yöntem (100) olup, burada telemetri verisi temelinde birden çok kullanici cihazinin kullanicilarinin kalabalik davranisini bulut tabanli servis araciligiyla tespit etme islemi, telemetri verisinin yönelim analizini gerçeklestirmeyi içermektedir.
12. Istem 11'e uygun yöntem (100) olup, burada yönelim analizi Kayan Zaman Pencerelerini temel almaktadir.
13. Istem 11 veya 12'ye uygun yöntem (100) olup, burada yönelim analizi özellikle kitle kümeleme için Makine Ögrenimi kullanmaktadir.
14. Ses seviyesini otomatik olarak ayarlama sistemi olup, bir bulut tabanli servise telemetri verisi saglamak üzere yapilandirilan birden çok kullanici cihazini; ve telemetri verisi temelinde birden çok kullanici cihazinin kullanicilarina ait kalabalik davranisini tespit etmek ve tespit edilen kalabalik davranisi temelinde en az bir kullanici cihazinin ses seviyesini gerçek zamanli olarak ayarlamak üzere yapilandirilan, bulut tabanli servisi uygulayan bulut kaynaklarini içermektedir. uygulamak üzere yapilandirilmaktadir.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2019/10052A TR201910052A2 (tr) | 2019-07-05 | 2019-07-05 | Ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama yöntemi̇ ve ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama si̇stemi̇ |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2019/10052A TR201910052A2 (tr) | 2019-07-05 | 2019-07-05 | Ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama yöntemi̇ ve ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama si̇stemi̇ |
Publications (1)
Publication Number | Publication Date |
---|---|
TR201910052A2 true TR201910052A2 (tr) | 2021-01-21 |
Family
ID=75576047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TR2019/10052A TR201910052A2 (tr) | 2019-07-05 | 2019-07-05 | Ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama yöntemi̇ ve ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama si̇stemi̇ |
Country Status (1)
Country | Link |
---|---|
TR (1) | TR201910052A2 (tr) |
-
2019
- 2019-07-05 TR TR2019/10052A patent/TR201910052A2/tr unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11979470B2 (en) | Delivering notification information | |
US8776117B2 (en) | Method and apparatus for providing expanded displayable applications | |
CA2845465C (en) | Synchronizing multiple transmissions of content | |
US9628208B2 (en) | System, method and program product for customizing presentation of television content to a specific viewer and location | |
CN109937575B (zh) | 中断经不可侵犯清单协议提供的流传输内容的系统和方法 | |
US20200107083A1 (en) | Methods And Systems For Providing Content | |
US20130291002A1 (en) | Systems and Methods for Delivery of Media Content | |
Dao et al. | A contemporary survey on live video streaming from a computation-driven perspective | |
WO2020220902A1 (zh) | 视频资源的传输参数分发方法及装置 | |
Wang et al. | Deepcast: Towards personalized qoe for edge-assisted crowdcast with deep reinforcement learning | |
US11812075B2 (en) | Enhanced service compatibility with clients | |
US20140279047A1 (en) | Enhancing targeted advertising in a home network gateway device | |
Jin et al. | Reducing operational costs in cloud social TV: An opportunity for cloud cloning | |
US20180288466A1 (en) | Methods and systems for discovery and/or synchronization | |
JP2011124972A (ja) | 視聴者パーソナル化放送及びデータチャネルコンテンツ配信システム及びその方法 | |
TR201910052A2 (tr) | Ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama yöntemi̇ ve ses sevi̇yesi̇ni̇ otomati̇k olarak ayarlama si̇stemi̇ | |
US8977767B2 (en) | Methods and apparatuses for affecting programming of content for transmission over a multicast network | |
US20220360836A1 (en) | User defined content summary channel | |
US11777871B2 (en) | Delivery of multimedia components according to user activity | |
EP3761648A1 (en) | Method of automatically adjusting an audio level and system for automatically adjusting an audio level | |
Khosroshahi et al. | IPTV channel switching delay reduction through predicting subscribers’ behaviors and preferences | |
Adeliyi et al. | Reducing zapping delay in internet protocol television using a hybrid modular method | |
WO2018175894A1 (en) | Employing automatic content recognition to allow resumption of watching interrupted media program from television broadcast | |
US20180278979A1 (en) | Optimization of media presentations | |
Panhalkar et al. | Video Streaming Using Cloud Computing Based on Android Application |