UTN- FRC -Producción Académica de Investigación y Desarrollo

Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/1932

Browse

Filters

2019 - 20202

Settings

Author: search.filters.author.Destefanis , EduardoSubject: search.filters.subject.Calidad vocal

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Data agumentation para la clasificación automática de la calidad vocal
    (Universidad Tecnológica Nacional Regional Córdoba., 2020) García , Mario Alejandro; Destefanis , Eduardo
    Se presenta el estado del plan de tesis “Valoración de la calidad vocal a través de deep scattering spectrum y aprendizaje automático” y se plantean tres transformaciones para incrementar la cantidad de datos de entrenamiento y reducir el sobreajuste. Estas transformaciones realizan un desplazamiento en frecuencia de los datos (audios), una segmentación por tiempo y la inversión del orden temporal (flipping). Como resultado, se obtiene un juego de datos 18 veces mayor al original. Se ejecuta un experimento que consta del el entrenamiento de una red neuronal profunda para evaluar el rendimiento con los datos aumentados. Se concluye que las transformaciones propuestas disminuyen el sobreajuste, mejoran el error de clasificación y se pueden utilizar en el ámbito de este plan de tesis, clasificación de la calidad vocal a partir de audios de vocales sostenidas
  • Thumbnail Image
    Item
    Clasificación automática de la calidad vocal
    (edUTecNe, 2019) García , Mario Alejandro; Destefanis , Eduardo
    Se presenta un enfoque para la construcción de un clasificador extremo­a­extremo de la calidad vocal en escala GRBAS basado en redes neuronales profundas. En base a este enfoque se muestran tres redes neuronales. Las redes presentadas calculan la transformada de Fourier de término reducido (STFT), el cepstrum y shimmer de una señal de audio. Las redes neuronales que calculan la STFT y shimmer se logran entrenar correctamente, mientras que la que calcula el cepstrum no. Para este último caso, se plantea una solución alternativa al cepstrum, la autocovariance, que sí se puede entrenar. Se concluye que las redes neuronales desarrolladas son compatibles con el enfoque planteado porque permiten que el gradiente del error se propague hacia atrás