Facultad Regional Buenos Aires

Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/6

Browse

Author: search.filters.author.Gómez, Juan CarlosSubject: search.filters.subject.artificial neural networks

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Moving in a Simulated Environment Through Deep Reinforcement Learning
    (IEEE, 2022-09-08) Esarte, Javier; Folino, Pablo Daniel; Gómez, Juan Carlos
    Reinforcement learning is a field of artificial intelligence that is continuously evolving and has a wide variety of applications. In recent years major progress has been made in the application of deep reinforcement learning to highdimensional problems with continuous state and action spaces. This paper presents a complete analysis of the application of the soft actor-critic algorithm to teach a four legged robot with three joints on each leg how to move towards the center of a virtually simulated environment. The general formulation of the reinforcement learning problem is first presented, followed by the description of the environment under analysis and the applied algorithm. Afterwards, the obtained results are compared against those of a manually programmed policy, closing with a discussion of some key design choices and common challenges.
  • Thumbnail Image
    Item
    Comparación de algoritmos para reconocimiento de habla aislada independiente del hablante
    (2018-04-01) Da Silva, Mariano Marufo; Verrastro, Claudio; Gómez, Juan Carlos
    Este trabajo describe la fundamentación teórica e implementación de un sistema de recono- cimiento de habla aislada independiente del hablante usando Modelos Ocultos de Markov, Máquinas de Vectores de Soporte y Redes Neuronales Artificiales. La evaluación fue realizada utilizando un corpus multihablante compuesto por once palabras del español argentino, y su rendimiento en términos de porcentaje de reconocimiento fue comparado entre los tres métodos de clasificación implementados. La comparación fue efectuada tanto para condiciones ideales como también con tres niveles distintos de ruido de fondo. Los resultados muestran que para bajos niveles de ruido el sistema basado en HMM consigue el mejor rendimiento, mientras que para mayores niveles de ruido los sistemas basados en SVM y ANN superan al anterior.