Experimentos Introducción
|
|
- Blanca Fernández Poblete
- hace 7 años
- Vistas:
Transcripción
1 Capítulo 5 Experimentos 5.1. Introducción En este capítulo se describirán los desarrollos y resultados de los experimentos realizados con el sistema de reconocimiento de voz presentado en este proyecto. Las pruebas se han realizado con un ordenador portátil de gama media. Este ordenador consta de un microprocesador mobile AMD Athlon XP2500+ a 1.86 GHz. y con 512 Mb de memoria RAM (64 de ellos compartidos con la tarjeta gráfica). La tarjeta de sonido es una tarjeta integrada en la placa base Conexant AC-Link Audio y se ha empleado para la captura de audio un micrófono corriente de uso doméstico. Para mostrar el entrenamiento y el reconocimiento mediante modelos ocultos de Markov se han elegido las cinco vocales empleadas en el habla del español. Se han elegido estos fonemas porque se pueden pronunciar de forma aislada para su entrenamiento en solitario. Como ya se ha comentado en el capítulo anterior, para trabajar con un número suficiente de fonemas como para entrenar y reconocer términos específicos se requiere una extensa base de datos de pronunciaciones con su correspondiente segmentación fonética. Al no disponer de dicha base de datos se ha optado por esta solución para poder demostrar la teoría expuesta mediante ejercicios prácticos. En el desarrollo del experimento se realizan mil grabaciones de cada fonema. Se analizará la distribución espacial de cada una de ellas en el espacio de los coeficientes cepstrales y su clasificación dentro de este espacio. Además se estudiará la evolución de los niveles de acierto en función del volumen de entrenamiento y las características de los modelos. 115
2 116 CAPÍTULO 5. EXPERIMENTOS 5.2. Distribución espacial de los vectores de coeficientes cepstrales De cada pronunciación de cada fonema (de la señal muestreada de cada una para ser exacto) se extrae una secuencia de vectores de coeficientes cepstrales y se clasifica cada uno de esos vectores de modo que se obtiene una secuencia de entrada para los modelos de Markov. El hecho de que los vectores de coeficientes cepstrales caractericen la pronunciación de un fonema queda demostrado en este experimento si se representan los valores de estos. En las figuras que se incluyen a continuación (Figuras 5.1, 5.2, y 5.3) se han representado por parejas (una en abscisas y otra en ordenadas) algunas de las componentes de estos vectores. Cada uno de los puntos representa a un vector y su color indica a que vocal pertenece (véase la leyenda de las figuras). De las trece componentes de cada vector, siendo las tres últimas la energía y sus derivadas primera y segunda, algunas son mas significativas en la diferenciación entre vocales y otras apenas permiten su distinción. Se observa en las figuras que los vectores de cada vocal, aun coexistiendo en los límites, se encuentran localizados en zonas específicas para cada una de ellas. Esto es el motivo por el que se aplica el proceso de agrupación explicado en el Apartado y cuyos resultados se exponen en el siguiente apartado. Figura 5.1: Distribución de los coeficientes cepstrales de cada vocal en algunas de sus coordenadas.
3 5.3. PROCESO DE AGRUPAMIENTO Ó CLUSTERING 117 Figura 5.2: Distribución de los coeficientes cepstrales de cada vocal en algunas de sus coordenadas. Figura 5.3: Distribución de los coeficientes cepstrales de cada vocal en algunas de sus coordenadas Proceso de agrupamiento ó clustering Como ya se ha dicho en el Capítulo 4, para la obtención de los distintos conjuntos del espacio o clusters se ha empleado la función fcm del programa Matlab. Esta función recibe como entrada los vectores representativos del espacio que se quiere subdividir y devuelve los centros que determinan dicha subdivisión. Al estar basada la pertenencia a los clusters de cada punto del espacio en la distancia
4 118 CAPÍTULO 5. EXPERIMENTOS euclídea entre unos y otros, antes de la obtención de los centros se deben reducir las coordenadas de los vectores de entrada a rangos similares. Un primer intento se hizo normalizando los valores de cada coordenada de los vectores. La normalización produjo un resultado inadecuado al encontrarse los centros concentrados en una zona determinada del espacio en lugar de distribuirse homogéneamente entre los vectores introducidos. Se optó entonces por escalar y trasladar cada coordenada hasta que cada una se situara en un rango entre -1 y 1. Así se obtuvieron unos centros adecuados para caracterizar las zonas entre las que se reparten los vectores de coeficientes cepstrales. Obviamente para clasificar cada nuevo vector entre estos clusters habrá que someterlos a la misma transformación realizada para obtener los centros. Figura 5.4: Representación de los centros de los clusters sobre los vectores de las pronunciaciones de las vocales. Estos centros se han obtenido a partir de la posición de los vectores de doscientas pronunciaciones de cada vocal. Los vectores de coeficientes cepstrales de las cinco mil pronunciaciones se clasifican en los conjuntos en los que se ha dividido el espacio. En la Figura 5.5 y en la Tabla 5.1 se representa la ocurrencia de cada vocal dentro de cada grupo para la clasificación de 16 clusters Entrenamiento Las secuencias de vectores de coeficientes cepstrales se han transformado en secuencias de índices de observación, cada índice perteneciente al conjunto donde se encuentra el vector.
5 5.4. ENTRENAMIENTO 119 Figura 5.5: Representación gráfica de la ocurrencia de los vectores de cada vocal en cada cluster a e i o u a e i o u Cuadro 5.1: Tabla de ocurrencia de los vectores de cada vocal en cada cluster. Con las secuencias obtenidas de la pronunciación de las vocales se han entrenado Modelos Ocultos de Markov de 3, 4 y 5 estados. Se ha escogido como conjunto de entrenamiento quinientas de las mil grabaciones realizadas para cada vocal. Con este conjunto de entre-
6 120 CAPÍTULO 5. EXPERIMENTOS namiento se han entrenado modelos con un volumen de entrenamiento desde cinco hasta quinientas unidades en incrementos de cinco unidades. Como ya se ha visto, un modelo con más estados tiene más parámetros que adaptar así como con 32 índices de observación se requieren más parámetros que con Reconocimiento Para estudiar la capacidad de reconocimiento de los modelos entrenados en el apartado anterior se escoge como conjunto de evaluación las quinientas grabaciones de cada vocal que no se han incluido en el conjunto de entrenamiento. Cada una de las pronunciaciones se evalúa con el modelo de cada vocal y se asigna a aquel que devuelva una mayor probabilidad de ocurrencia. En las Tablas 5.2, 5.3, 5.4 se representan las asignaciones realizadas a cada observación de cada vocal del conjunto de evaluación (500 por vocal) cuando se ha aplicado todo el conjunto de entrenamiento (500 observaciones por vocal) para la construcción de los modelos. Estas tablas corresponden a los modelos de 3, 4 y 5 estados respectivamente. Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.2: Tabla de asignación para el modelo de tres estados. NA: no asignadas. Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.3: Tabla de asignación para el modelo de cuatro estados. NA: no asignadas. En la Figura 5.6 se observa la influencia del volumen de entrenamiento en el nivel de acierto en el reconocimiento para cada vocal. Aunque la tendencia es una eficacia creciente con el volumen se observan altibajos. Estos están provocados probablemente por la entrada
7 5.5. RECONOCIMIENTO 121 Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.4: Tabla de asignación para el modelo de cinco estados. NA: no asignadas. en el conjunto de entrenamiento de observaciones que incitan al modelo a acercarse al de otras vocales. Después de introducirse nuevas observaciones el porcentaje de acierto sigue creciendo. Figura 5.6: Porcentaje de acierto de cada vocal frente al volumen de entrenamiento para el modelo de cuatro estados. En la Figura 5.7 se representa el porcentaje de acierto acumulado para las cinco vocales también frente al volumen de entrenamiento (también para el modelo de cuatro estados). En principio un modelo se adapta mejor a los sucesos que representa cuanto mayor es el número de parámetros que contiene. Por contra, cuantos más parámetros formen un modelo mayor es el volumen de entrenamiento necesario para adaptarlos e incluso aparece redundancia en la información que contienen. En estos experimentos se han entrenado modelos ocultos de Markov de tres, cuatro y cinco estados. En la Figura 5.8 se representa conjuntamente el porcentaje de acierto total de cada modelo frente al volumen de entre-
8 122 CAPÍTULO 5. EXPERIMENTOS Figura 5.7: Porcentaje de acierto frente al volumen de entrenamiento para los modelos de cuatro estados. namiento. El modelo de tres estados es demasiado simple para modelar correctamente la ocurrencia de coeficientes cepstrales y obtiene tras su entrenamiento un menor porcentaje de acierto que el modelo de cuatro estados. Por otra parte, el modelo de cinco estados es demasiado complejo frente al de cuatro y con el entrenamiento aportado no alcanza el porcentaje de acierto en el reconocimiento que alcanza aquel. También es interesante observar el reconocimiento del conjunto de entrenamiento comparado con el conjunto de validación. En principio el conjunto de entrenamiento al haber sido usado para la obtención de los parámetros del modelo debe ser reconocido con un mayor porcentaje de acierto pero su evolución con el volumen de entrenamiento debe ser muy distinta. Véase lo expuesto al respecto al explicar el entrenamiento de las redes neuronales en el Apartado , y la representación de este hecho en la Figura 3.7. En la Figura 5.9 se representa el porcentaje de acierto del conjunto de validación junto al de entrenamiento para el modelo de cuatro estados. Se observa que el porcentaje de acierto del conjunto de entrenamiento, como era de esperar, es claramente superior al del conjunto de evaluación. También se observa la tendencia al alza del segundo, mientras el primero desciende levemente.
9 5.5. RECONOCIMIENTO 123 Figura 5.8: Porcentaje de acierto frente al volumen de entrenamiento para cada grupo de modelos entrenados. Figura 5.9: Porcentaje de acierto frente al volumen de entrenamiento para cada grupo de modelos entrenados Robustez frente al Cambio de Hablante El entrenamiento de los modelos de cada fonema se ha realizado para un único hablante. El sujeto con el que se ha realizado dicho entrenamiento es un hombre de veintinueve años. En este apartado se presentan los resultados de reconocimiento del sistema al ser empleado
10 124 CAPÍTULO 5. EXPERIMENTOS por otro hablantes distintos a aquel con que se entrenó. En primer lugar se presenta la tabla de resultados (Tabla 5.6) para una mujer de treinta años. En esta prueba se han realizado 20 grabaciones de cada vocal, que aun siendo pocas frente a los experimentos anteriores, son suficientes para hacer una apreciación del funcionamiento de los modelos en este caso. Se aprecia un alto índice de acierto de las vocales a, e, i, y o y el resultado llamativo de que las pronunciaciones de la u son confundidas en un 95 % con pronunciaciones de la vocal o. Se pone así de manifiesto las grandes diferencias existentes entre dos hablantes de distinto sexo y como en este sistema se confunden las características de la pronunciación de una vocal con las de otra al encontrarse diferencias de género. Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.5: Tabla de asignación de observaciones para la pronunciación de una mujer de 30 años. Por último se presentan los resultados con otro hablante diferente del que ha realizado el entrenamiento; se trata de un hombre de 27 años y de procedencia geográfica distinta. Al igual que en el caso anterior se han realizado 20 grabaciones de cada vocal. Se aprecia que aunque los aciertos son altos se da una mayor dispersión en las identificaciones. Con estas pruebas el sistema demuestra ser robusto ante un cambio de hablante. Asignada: a e i o u NA Pronunciada a Pronunciada e Pronunciada i Pronunciada o Pronunciada u Cuadro 5.6: Tabla de asignación de observaciones para la pronunciación de un hombre de 27 años.
Sistema Automático de Reconocimiento Fonético
PROYECTO FIN DE CARRERA para la obtención del título de Ingeniero Industrial Sistema Automático de Reconocimiento Fonético Alumno: Francisco José Cadaval Arrola Tutor: Dr. J. Ramiro Martínez de Dios Departamento
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detallesANEXO B REDES NEURONALES
ANEXO B REDES NEURONALES En la búsqueda de la arquitectura de la red neuronal se conto con aproximadamente 30300 datos para 3 líneas diferentes. Se realizaron diferentes configuraciones para encontrar
Más detallesCapítulo 7. Sistema de reconocimiento de Voz. Como se mencionó en el capítulo anterior, dos fonemas, debido a los problemas
Capítulo 7 Sistema de reconocimiento de Voz Como se mencionó en el capítulo anterior, dos fonemas, debido a los problemas de discapacidad pueden presentar la misma señal en frecuencia, por lo que podría
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detallesCAPÍTULO Reconocimiento de voz usando redes neuronales artificiales del CSLU
CAPÍTULO 5 Reconocimiento de voz usando redes neuronales artificiales del CSLU Una vez teniendo los datos listos para ser usados, el paso siguiente es entrenar un reconocedor de voz usando alguna técnica
Más detallesTabla 7: Ejemplo matriz CaractE
8 RESULTADOS EXPERIMENTALES 8.1 MATRICES DE CARACTERÍSTICAS Con el fin de dar una idea más precisa de cómo se conforman las matrices de características usadas en el reconocimiento de patrones y qué valores
Más detalles5. Resultados Estimadores.
5. Resultados. 5.1. Estimadores. Para evaluar la idoneidad de la metodología de rellenado de huecos empleada para completar la base de datos radiométricos del GTER, es necesario el uso de indicadores estadísticos
Más detallesConciencia Tecnológica ISSN: Instituto Tecnológico de Aguascalientes México
Conciencia Tecnológica ISSN: 1405-5597 contec@mail.ita.mx Instituto Tecnológico de Aguascalientes México De Luna Ortega, Carlos Alejandro; Martínez Romo, Julio César; Mora González, Miguel Reconocimiento
Más detallesTECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
UNIVERSIDAD POLITECNICA DE CATALUÑA Departamento de Teoria de la señal y comunicaciones TECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
Más detallesTECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
UNIVERSIDAD POLITECNICA DE CATALUÑA Departamento de Teoria de la señal y comunicaciones TECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
Más detallesVQ. Algorítmica de reconocimiento de voz VQ.1. Reconocimiento de patrones
VQ. Algorítmica de reconocimiento de voz VQ.1. Reconocimiento de patrones Por reconocimiento de patrones se entiende la realización de una comparación entre una muestra representativa de la señal de voz,
Más detallesCAPITULO 5. Introducción al procesamiento de imágenes. Continuar
CAPITULO 5 Introducción al procesamiento de imágenes Continuar Introducción De forma similar al estudio de las señales de voz, los sistemas de comunicación manipulan datos que corresponden a imágenes y
Más detallesINFORME TAREA N 4 CLUSTERING
Universidad de Chile Facultad de Ciencias Físicas y Matemáticas Departamento de Ingeniería Eléctrica EL4106 Inteligencia Computacional INFORME TAREA N 4 CLUSTERING Nombre Alumno : Profesor : Profesor Auxiliar
Más detalles6 Identificación de Palabras Clave usando Sílabas como Fillers
Capítulo 6 6 Identificación de Palabras Clave usando Sílabas como Fillers Este capítulo es similar al anterior, con la diferencia de que en vez de modelar habla fuera del vocabulario con fonemas, se usan
Más detalles2.1. Introducción Análisis exploratorio Análisis exploratorio para variables con muchas modalidades
Tema 2 Análisis gráfico Contenido 2.1. Introducción............................. 1 2.2. Análisis exploratorio......................... 2 2.2.1. Análisis exploratorio para variables con pocas modalidades
Más detalles2 La accesibilidad de los ciudadanos a los servicios públicos autonómicos
PRESENTACIÓN PARA EL WORKSHOP SOBRE FINANCIACIÓN AUTONÓMICA 30 de noviembre de 2015 Dirección General de Tributos y Financiación Autonómica Consejería de Economía y Hacienda Junta de Castilla y León 1
Más detallesCAPÍTULO 4. RESULTADOS Y CONCLUSIONES
CAPÍTULO 4. RESULTADOS Y CONCLUSIONES COMPORTAMIENTO DE PRODUCTOS HIDRÓFUGOS APLICADOS EN PIEDRAS DE DIFERENTE NATURALEZA. CAMBIOS EN LAS PROPIEDADES HÍDRICAS Y RESPUESTA A LOS FACTORES DE DETERIORO 83
Más detallesBLOQUE IV. CLASIFICACIÓN
BLOQUE IV. CLASIFICACIÓN CAPÍTULO 11 Clasificación de mínima distancia. IV. 11.1 Pasos para realizar la clasificación. Es necesario comentar que se trata de una clasificación muy básica, que, en este caso,
Más detallesProcesamiento de voz - Reconocimiento de voz II
Procesamiento de voz - Reconocimiento de voz II Marc S. Reßl Roxana Saint-Nom 2009 Ingeniería Electrónica Instituto Tecnológico de Buenos Aires Reconocimiento de voz Las técnicas que vimos hasta ahora
Más detallesCapítulo III. Corpus de voz. 3.1 Corpus de dígitos
Capítulo III Corpus de voz Un corpus es la colección de grabaciones de voz con transcripciones de texto, los cuales se preparan y dividen para el desarrollo, prueba y entrenamiento de un reconocedor. La
Más detallesCapitulo Entrenamiento del reconocedor CSLU Toolkit.
Capitulo 4 4.1 Entrenamiento del reconocedor CSLU Toolkit. La documentación del CSLU Toolkit generada en el Center for Spoken Language Understanding, del Oregon Graduate Institute en conjunto con el laboratorio
Más detallesDistribuciones bidimensionales. Correlación.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 4: Distribuciones bidimensionales. Correlación. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesCapitulo 1: Introducción al reconocimiento de patrones (Secciones )
Capitulo 1: Introducción al reconocimiento de patrones (Secciones 1.1-1.6) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C
Más detalles9. CLIMA MARÍTIMO...85
ÍNDICE 9. CLIMA MARÍTIMO...85 9.1. INTRODUCCIÓN... 85 9.2. VERTIENTE ESTE... 85 9.2.1. RÉGIMEN DE OLEAJE... 85 9.2.2. ESTUDIO DEL RÉGIMEN MEDIO DE OLEAJE... 85 9.2.3. ESTUDIO DEL RÉGIMEN EXTREMAL DE OLEAJE...
Más detallesLA FRECUENCIA FUNDAMENTAL DE LA VOZ Y SUS EFECTOS EN RECONOCIMIENTO DE HABLA CONTINUA
LA FRECUENCIA FUNDAMENTAL DE LA VOZ Y SUS EFECTOS EN RECONOCIMIENTO DE HABLA CONTINUA RESUMEN C. García, D. Tapias División de Tecnología del Habla Telefónica Investigación y Desarrollo, S.A. Unipersonal
Más detallesMATERIAL DIDACTICO PROYECTABLE Licenciatura en Economía
Universidad Autónoma del Estado de México UAEMEX Facultad de Economía MATERIAL DIDACTICO PROYECTABLE Licenciatura en Economía UNIDAD DE APRENDIZAJE: PLANEACION REGIONAL UNIDAD DE COMPETENCIA II ECONOMIA
Más detallesTELL ME MORE Funcionamiento del reconocimiento de voz
TELL ME MORE Funcionamiento del reconocimiento de voz Índice INFORMACION GENERAL... 3 CUADRO DEL RECONOCIMIENTO DE VOZ... 3 ACTIVIDADES CON RECONOCIMIENTO DE VOZ... 3 DOS MODOS DE FUNCIONAMIENTO... 3 MODO
Más detallesAnálisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Más detallesE.A.E , , , , y
IMAGEN Y SONIDO LA MURALLA Paco Martínez Bloque 8. PARTE 1 DE 1 E.A.E. 8.1.1., 8.1.2., 8.1.3., 8.1.4., 8.1.5. y 8.1.6. Bloque 8. CUALIDADES TÉCNICAS DEL EQUIPO DE AUDIO IDÓNEO EN RADIO Y MEDIOS AUDIOVISUALES
Más detallesCapítulo 8. Análisis Discriminante
Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables
Más detallesEstadística Descriptiva: Elementos Básicos. José Enrique Martín García Universidad Politécnica de Gimialcón (Copyright 2016)
Estadística Descriptiva: Elementos Básicos José Enrique Martín García Universidad Politécnica de Gimialcón (Copyright 2016) Población Población estadística, también llamada universo o colectivo, es el
Más detallesESI. Distribución de los Ingresos en Chile Síntesis de Resultados. Descarga los resultados desde
ESI Distribución de los Ingresos en Chile Síntesis de Resultados Descarga los resultados desde www.ine.cl Presentación La presente síntesis y su respectivo documento tienen por objetivo abordar una de
Más detallesInteligencia Artificial II (Curso ) Ejercicios propuestos del tema 5
Inteligencia Artificial II (Curso 0-0) Ejercicios propuestos del tema Ejercicio : Diseñar un perceptrón simple con n valores de entrada y función umbral de activación que sirva para calcular la función
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesFigura 6.1. Esquema de redes neuronales
6. REDES NEURONALES 6.1. DESCRIPCIÓN DE LAS REDES NEURONALES Las redes neuronales, introducidas en el apartado 2.2.3, son una herramienta que puede utilizarse para aplicaciones donde los análisis funcionales
Más detallesANÁLISIS DE CORRESPONDENCIAS
Análisis de correspondencias 1 ANÁLISIS DE CORRESPONDENCIAS Uno de los fines del análisis de correspondencias es describir las relaciones existentes entre dos variables nominales, recogidas en una tabla
Más detallesIndicadores de fecundidad
Indicadores de fecundidad Estadísticas longitudinales de biografías reproductivas en Andalucía, 2002-2013 Nota metodológica Este producto estadístico ha sido concebido con el principal objetivo de poner
Más detallesTema 5 La información que recibimos 1.- Conceptos
Tema 5 La información que recibimos 1.- Conceptos Módulo 4 La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar
Más detallesCapítulo 5. Construcción de una Red Neuronal Artificial Asesora
Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 53 Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 5.1 Construcción de la red A lo largo de las investigaciones realizadas
Más detallesLa fonética judicial. La comparación de muestras de habla
La fonética judicial!ámbitos de la fonética judicial!la identificación del hablante en el contexto judicial!la comparación entre muestras de habla!el reconocimiento de voces por parte de testigos o de
Más detallesPattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
Más detallesEstadística Descriptiva
Frecuencias (f) Estadística Descriptiva Al resumir grandes colecciones de datos, resulta útil distribuirlos en clases o categorías, y determinar el número de individuos que pertenecen a cada clase, lo
Más detallesCAPÍTULO 6: PRUEBAS Y RESULTADOS
Capítulo 6 Pruebas y Resultados 50 CAPÍTULO 6: PRUEBAS Y RESULTADOS En este capítulo se proporciona una descripción de las pruebas a las que fue sometido el sistema de detección de intrusos, y se evalúan
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detalles5 Identificación de Palabras Clave usando Fonemas como Fillers
Capítulo 5 5 Identificación de Palabras Clave usando Fonemas como Fillers Aquí se investiga y experimenta la técnica de identificación de palabras clave usando fonemas como fillers También se introduce
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos
Más detalles2. SÍNTESIS DE VOZ Y SEGMENTACIÓN AUTOMÁTICA DE UNIDADES
2. SÍNTESIS DE VOZ Y SEGMENTACIÓN AUTOMÁTICA DE UNIDADES Continuando con el panorama general en el que se enmarca nuestro proyecto, en este capítulo hablaremos brevemente de la síntesis de voz, particularizaremos
Más detallesFUNCIONES DE VARIAS VARIABLES
CAPITULO III CALCULO II FUNCIONES DE VARIAS VARIABLES 3.1 DEFINICIÓN Se denomina función de varias variables a la función que tiene n variables independientes y m variables dependientes. Una función de
Más detalles2 ANÁLISIS EXPLORATORIO DE DATOS
2 ANÁLISIS EXPLORATORIO DE DATOS El objetivo de esta tarea es la descripción estadística de los parámetros. Para ello se hace necesario reducir la dimensión del espacio de los datos originales, sintetizando
Más detallesUna curva del plano correspondiente a la gráfica de una función si y sólo si ninguna recta vertical intercepta a la curva más de una vez
Función Una función f de un conjunto D a un conjunto E, es una regla de correspondencia que asigna a cada elemento x de D un elemento único y de E. Características de las funciones Dominio de una función:
Más detallesRelación 7 - Redes neuronales
Sistemas Inteligentes 0-0 Relación - Redes neuronales Problemas Ejercicio. Explicar cómo se usaría una red neuronal para obtener un reconocedor de letras escritas a mano. Describir con precisión qué estructura
Más detallesWEBS RECOMENDADAS. s1.htm
WEBS RECOMENDADAS NÚMEROS RACIONALES E IRRACIONALES http://descartes.cnice.mec.es/3_eso/numeros_reales_aproximaciones/numero s1. Presenta los números racionales http://descartes.cnice.mec.es/3_eso/numeros_reales_aproximaciones/numero
Más detallesSistema de reconocimiento de partituras musicales
Universidad Carlos III de Madrid Departamento de Telemática PROYECTO FIN DE CARRERA Sistema de reconocimiento de partituras musicales Autor: David Carretero de la Rocha Tutora: Dr. Raquel M. Crespo García
Más detallesFunciones I. Clasificación de funciones. PREUNIVERSITARIO POPULAR FRAGMENTOS COMUNES MATEMÁTICA Guía Teórico Práctica N 8.
Funciones I Una función es una regla que relaciona los elementos de dos conjuntos y, es decir a todos los elementos del conjunto, que llamaremos dominio se le asigna por medio de alguna regla, uno y sólo
Más detalles3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL Descripción del Problema: La identificación de un sistema consiste en
301 3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL 3.7.1 Descripción del Problema: La identificación de un sistema consiste en determinar una función que relacione las variables de entrada con las
Más detallesINTRODUCTION TO MACHINE LEARNING ISABELLE GUYON
INTRODUCTION TO MACHINE LEARNING ISABELLE GUYON 2008-02-31 Notas tomadas por: María Eugenia Rojas Qué es Machine Learning? El proceso de aprendizaje de maquina consiste en tener una gran base de datos
Más detallesINTRODUCCION A LA SIMULACION DE MODELOS. Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas.
Tema N 1 Definiciones INTRODUCCION A LA SIMULACION DE MODELOS Simulación es la descripción de un sistema a través de modelos que se pueden aplicar a varias disciplinas. La simulación esencialmente es una
Más detallesde un disco duro. 3/4 Contenido de un CD ROM.
3/4 Contenido de un disco duro. 3/4 Contenido de un CD ROM. CONTENIDO DE UN DISCO DURO En un disco duro, las pistas comienzan a numerarse por el exterior. Todas las pistas tienen el mismo número de sectores,
Más detallesProf. María L. Calvo Clase del 23 y 24 de abril de 2012
Teoría de la señal: Fundamentos de señales óptica Prof. María L. Calvo Clase del 23 y 24 de abril de 2012 Definición Qué entendemos por Tratamiento de señales? Operaciones lógicas: suma, resta, multiplicación,
Más detallesMETODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2013
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2013 Departamento de Pruebas Nacionales División de Evaluación de Logros de Aprendizaje AGENCIA DE CALIDAD DE LA EDUCACIÓN Índice 1.
Más detallesEL GÉNERO DE LAS VOCES
Castro, Sabrina; López Sabrina EL GÉNERO DE LAS VOCES El propósito de este trabajo fue determinar si la información que utiliza el cerebro para distinguir las vocales, depende del sexo del emisor. INTRODUCCIÓN
Más detallesMETODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS SIMCE 2011
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS SIMCE 2011 SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 2012 Índice 1. Antecedentes Generales 1 2. Metodología Utilizada 2 2.1.
Más detallesDefinir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales
Definir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales Abstract Este trabajo tiene como objetivo analizar, experimentar y comprender el funcionamiento y las características de los Sistemas
Más detallesAPLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU. Luis Azaña Bocanegra
APLICACIONES DE MINERA DE DATOS EN ADUANA DE PERU Luis Azaña Bocanegra TEMARIO CONCEPTOS DEFINICION DE MINERIA DE DATOS USOS DE LA MINERIA DE DATOS TECNICAS DE MINERIA DE DATOS ETAPAS DE UN PROYECTO DE
Más detallesÍndice: Sucesiones. El método de inducción completa. Posición relativa de un punto y una sucesión. Clasificación de sucesiones. Problemas.
LÍMITES LECCIÓN 1 Índice: Sucesiones. El método de inducción completa. Posición relativa de un punto y una sucesión. Clasificación de sucesiones. Problemas. 1.- Sucesiones Las progresiones aritméticas
Más detallesRealzado de Imagen. 11 de junio de El histograma de una imagen digital con niveles de gris en la amplitud de [0, L 1], es función discreta
Realzado de Imagen 11 de junio de 2001 Una operación clásica en el procesado de imagen es realzar una imagen de entrada de alguna manera para que la imagen de salida sea más fácil de interpretarla. La
Más detallesTema 6. Reconocimiento de voz
Tema 6. Reconocimiento de voz 6.1.- Introducción 6.2.- Problemática 6.3.- Clasificación 6.4.- Esquema de trabajo 6.5.- Técnicas de reconocimiento 6.6.- Conclusiones 6.1.- Introducción Reconocimiento de
Más detalles2. Ud. está con un amigo y deciden quedarse en casa viendo tele, definan que canal quieren ver, qué programa y por qué.
GUÍA ACTIVIDAD DE HABLA Objetivo general: Expresar ideas y situaciones de la vida real de manera acertada y eficaz, mediante la aplicación de los contenidos vistos en el curso. Objetivos específicos: Participar
Más detallesALGEBRA II. T(v 2 )=T(0,4)= (2(0) + 4, 0 2(4)) = (4, 8) , [T(v 2 )] B =
Ejercicios resueltos. Sección.. / ALGEBA II Sección.: Matrices de Transición y Semejanza Lo que sigue son las resoluciones de algunos ejercicios de la Sección. del libro Fundamentos de Algebra Lineal ;
Más detallesIngeniería Informática
Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas ESTADÍSTICA Ingeniería Informática TEORÍA UNIDAD 1 robabilidad QUÉ ES LA ESTADÍSTICA? La Estadística se ocupa de los métodos
Más detallesFLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- BLOQUE ESTADÍSTICA: ESTADÍSTICA VARIABLE UNIDIMENSIONAL. Estadística variable unidimensional
FLORIDA Secundaria. 1º BACH MATEMÁTICAS CCSS -1- Estadística variable unidimensional 1. Conceptos de Estadística 2. Distribución de frecuencias 2.1. Tablas de valores con variables continuas 3. Parámetros
Más detallesDefensa del anteproyecto de tesis de maestria
ESTIMACIÓN DE LA SUSCEPTIBILIDAD A DESLIZAMIENTOS DE TIERRA EN EL ÁREA METROPOLITANA DE SAN SALVADOR (AMSS) UTILIZANDO REDES NEURONALES ARTIFICIALES Defensa del anteproyecto de tesis de maestria Ricardo
Más detallesEstadística ESTADÍSTICA
ESTADÍSTICA La Estadística trata del recuento, ordenación y clasificación de los datos obtenidos por las observaciones, para poder hacer comparaciones y sacar conclusiones. Un estudio estadístico consta
Más detallesEl Desempleo en Venezuela
El Desempleo en Venezuela 71 Capítulo 5: Efecto del Salario Mínimo Sobre el Empleo en Venezuela Debido al mecanismo de rotación de las bases, cabe esperar que cinco sextas partes de una muestra sean entrevistadas
Más detallesObject detection and localization using local and global features
Object detection and localization using local and global features K. Murphy, A. Torralba, D. Eaton, and W. Freeman Victor Hugo Arroyo Dominguez 1 Instituto Nacional de Astrofísica Óptica y Electrónica
Más detalles5.1 Distribuciones frecuenciales
5.1 Distribuciones frecuenciales El objetivo de la estadística es estudiar los datos obtenidos de una muestra y a partir de ellos aprender sobre el comportamiento de una población, respecto a ciertas características.
Más detallesTEMA-1 CONCEPTOS BÁSICOS Y ORGANIZACIÓN DE DATOS INTRODUCCIÓN:
TEMA-1 CONCEPTOS BÁSICOS Y ORGANIZACIÓN DE DATOS INTRODUCCIÓN: Debemos diferenciar dos tipos de estadística: Estadística teórica que se ocupa de aspectos formales y educativos. Estadística aplicada que
Más detallesÍndice de precios al consumidor
VOL. 1 AÑO 9 Índice de precios al consumidor COMPORTAMIENTO DE LOS PRECIOS EN EL PRIMER SEMESTRE DEL 2017 San José, Costa Rica ENERO 2018 VOL. 1 AÑO 9 Índice de precios al consumidor COMPORTAMIENTO DE
Más detallesRECOMENDACIÓN UIT-R P Características de la precipitación para establecer modelos de propagación
Rec. UIT-R P.837-5 1 RECOMENDACIÓN UIT-R P.837-5 Características de la precipitación para establecer modelos de propagación (Cuestión UIT-R 201/3) (1992-1994-1999-2001-2003-2007) Cometido La Recomendación
Más detallesSesión 3: Análisis Exploratorio de Datos Espaciales (AEDE): Técnicas básicas
Sesión 3: Análisis Exploratorio de Datos Espaciales (AEDE): Técnicas básicas Profesora: Coro Chasco Yrigoyen Universidad Autónoma de Madrid 17 a 21 de mayo, 2010 2010, Coro Chasco Yrigoyen Índice del Curso
Más detallesMÉTODO DE TRABAJO DE ANÁLISIS HERRAMIENTA DIAGRAMAS DE DISPERSIÓN 3.6 MÉTODOS DE TRABAJO 0/7 MIGUEL MARTÍNEZ VIGIL CARMEN HERNÁNDEZ CORRAL
3.6 MÉTODOS DE TRABAJO 0/7 MÉTODO DE TRABAJO DE ANÁLISIS DIAGRAMAS DE DISPERSIÓN MIGUEL MARTÍNEZ VIGIL CARMEN HERNÁNDEZ CORRAL 64 FORUM CALIDAD 90/98 1/7 3.6.1-DEFINICIÓN Es una herramienta que permite
Más detallesCRITERIOS DE EVALUACIÓN DE CONOCIMIENTO DEL MEDIO PARA EDUCACIÓN PRIMARIA
CRITERIOS DE EVALUACIÓN DE CONOCIMIENTO DEL MEDIO PARA EDUCACIÓN PRIMARIA 1. Competencia en comunicación lingüística. 5. Competencia social y ciudadana. 2. Competencia matemática. 6. Competencia cultural
Más detallesCAPÍTULO 1 INTRODUCCIÓN
CAPÍTULO 1 INTRODUCCIÓN En este capítulo, primero se introducirán algunos conceptos estadísticos básicos, luego se dará una definición y división de la estadística. Finalmente se hará una clasificación
Más detallesClasificación. Agrupación de las partes de una imagen de forma homogénea
Clasificación Agrupación de las partes de una imagen de forma homogénea Clasificación o clustering Intenta clasificar los píxeles directamente en clases, en función de ciertas características de cada píxel.
Más detallesRevisión del algoritmo de Corte Normalizado
Capítulo 2 Revisión del algoritmo de Corte Normalizado El algoritmo Ncut realiza la segmentación planteando un problema de división de grafos, en el cual se pretende maximizar tanto la disimilitud entre
Más detalles1. Introducción. 1.1 Motivación
1. Introducción 1.1 Motivación El Análisis de Componentes Independientes (ICA) y la Factorización No Negativa de Matrices (NMF) representan técnicas de procesamiento de información que permiten extraer
Más detallesTemas de Estadística Práctica Antonio Roldán Martínez
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 3: Medidas típicas. Índices Resumen teórico Medidas típicas. Índices Clases de puntuaciones Índices de posición
Más detallesTemas de Estadística Práctica Antonio Roldán Martínez. Tema 3. Medidas típicas. Índices. Clases de puntuaciones. Medidas o puntuaciones típicas
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 3 Medidas típicas. Índices Clases de puntuaciones Índices de posición Números índices Clases de puntuaciones Las
Más detallesNormas sobre calidad de información geográfica
Normas sobre calidad de información geográfica Normalización y Calidad ISO 19113: Información Geográfica Principios de la calidad. ISO 19114: Información Geográfica Procedimientos de evaluación de la calidad.
Más detallesESTADÍSTICA SEMANA 2
ESTADÍSTICA SEMANA 2 ÍNDICE CUADROS DE DISTRIBUCIÓN DE FRECUENCIAS Y REPRESENTACIÓN GRÁFICA... 3 APRENDIZAJES ESPERADOS... 3 INTRODUCCIÓN... 3 REPRESENTACIÓN GRÁFICA... 3 MÉTODOS GRÁFICOS:... 3 DIAGRAMAS
Más detallesCAPITULO 5 DISEÑO DE UN CLASIFICADOR DE
Capitulo 5. Diseño de un Clasificador de Patrones. 60 CAPITULO 5 DISEÑO DE UN CLASIFICADOR DE PATRONES. En este capítulo se presenta un problema simple de clasificación de patrones, en el cual se pondrán
Más detallesInteligencia de Negocios
Inteligencia de Negocios T E C N O L O G Í A S D E A P O Y O Claudio Henríquez Berroeta Modelamiento de la toma de decisión y sus procesos Temario Introducción Data Warehouse Data Mining Modelamiento del
Más detallesMETODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012
METODOLOGÍA DE CONSTRUCCIÓN DE GRUPOS SOCIOECONÓMICOS Pruebas SIMCE 2012 Departamento de Pruebas Nacionales División de Evaluación de Logros de Aprendizaje AGENCIA DE CALIDAD DE LA EDUCACIÓN Índice 1.
Más detallesUn nuevo método para la minería de datos espaciales sobre imágenes georreferenciadas.
Un nuevo método para la minería de datos espaciales sobre imágenes georreferenciadas. Fabián Quirós Arce Universidad Latina Heredia Costa Rica farce@toolsoftcr.com Ricardo E. Monge Universidad Latina Heredia
Más detallesClasificación Digital de Imágenes Satelitales
Clasificación Digital de Imágenes Satelitales Editado por Marcos Angelini El objetivo de una clasificación consiste en agrupar los píxeles que posean una misma característica. Generalmente la característica
Más detalles> plot(salmon[,- 1],col=as.factor(salmon[,1]))
ANÁLISIS DISCRIMINANTE El análisis discriminante, se utiliza para identificar las características que permiten diferenciar a dos o más grupos de sujetos; además para clasificar nuevos casos como pertenecientes
Más detalles