MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

2 Las Redes Neuronales:

En este captulo se va a describir uno de los mtodos de clasificacin ms utilizados por su potencia, su fcil implementacin y su flexibilidad: las Redes Neuronales (RN ! "or estas caractersticas es el mtodo #ue $emos utilizado en este proyecto para obtener resultados a partir de nuestros experimentos con el fin de poder clasificar los ar%umentos de entrada a la Red Neuronal como buenos o malos para nuestros propsitos!

2.1 Introduccin
&as Redes Neuronales constituyen una familia muy variada de ar#uitecturas! Estn basadas en el modelo cerebral: las neuronas establecen conexiones entre ellas (sinapsis , de manera #ue cuando un animal recibe un estmulo, ciertas conexiones se refuerzan ms #ue otras, provocando una cierta respuesta! 'iempre #ue el animal reciba un estmulo (entrada similar, %enerar la misma respuesta (aprendiza(e : se puede decir #ue el cerebro reconoce diferentes patrones! Este comportamiento es fcilmente caracterizable mediante un modelado

matemtico (simulacin ! El tratamiento de la informacin (computacin no va a ser el tradicional: se basa en la evolucin temporal del sistema y en la interpretacin de ciertos parmetros (informacin ! El sistema se compone de un n)mero elevado de unidades muy simples (neuronas altamente interconectadas: el paralelismo es masivo! 'e puede decir #ue una neurona es un tipo de autmata (sistema dinmico , de a$ el carcter temporal! &as Redes Neuronales artificiales pueden aprender modificando el *peso+ de las conexiones entre las unidades, as es posible distin%uir patrones! &a idea de las Redes Neuronales es definir una funcin a partir de la cual poder distin%uir patrones con los datos de salida: dependiendo del valor obtenido catalo%amos la entrada como perteneciente a un cierto %rupo! El tipo de entradas y su n)mero determinar la capacidad de discriminacin de la Red [Martn-01]. En el e(emplo si%uiente, una entrada (x- no es suficiente para determinar si estamos en el patrn . o el /! 0on otra entrada (x1 ya somos capaces de discriminar!

0aptulo 1: Las Redes Neuronales

"%ina -1

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Figura 2-1: Eje !"# $e %"a&i'i%a%i()*

2.2 Historia
2c0ullo%$ y "itts realizaron en -345 un estudio biol%ico del cerebro obteniendo un modelo formal de neurona, con lo #ue introdu(eron as el concepto de umbral: una neurona responde a un cierto estmulo siempre #ue ste sobrepase un cierto umbral de activacin! "osteriormente, en -343, 6ebb desarroll el Hebbian Learning: aprendiza(e mediante adaptacin de sinapsis o reforzamiento de las conexiones! En -373, Rosenblat defini el perceptrn, uno de los conceptos ms importantes dentro del desarrollo de las Redes Neuronales: el perceptrn consiste en una estructura ms una re%la de aprendiza(e o re%la del perceptrn! Esa estructura es la combinacin de una neurona y una funcin de salida #ue es la #ue define el umbral de activacin! &a misin de la neurona es implementar una combinacin lineal de las entradas! 0ada entrada posee un peso, #ue se adapta temporalmente! Es esto lo #ue se conoce como aprendiza(e! 2is8y y "apert desarrollaron en -393 un perceptrn unicapa #ue conse%ua una clasificacin de primer orden (:;R ! 'e plante entonces el problema del entrenamiento de varias capas! .s, en -3<4 =erbos defini el al%oritmo de retropropa%acin y el uso de la funcin si%moidal como funcin de salida de un perceptrn! El al%oritmo de retropropa%acin permite modificar los pesos partiendo de la )ltima capa $asta la inicial basndose en el error cometido en la iteracin anterior! Ese error es la diferencia entre la salida de la Red Neuronal y la salida real #ue deberamos $aber obtenido! 0omo el al%oritmo de retropropa%acin est basado en la derivada del error, se decidi utilizar la

0aptulo 1: Las Redes Neuronales

"%ina -5

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

funcin si%moidea en vez del escaln para representar el umbral de activacin (la funcin escaln tiene derivada infinita en el ori%en ! "osteriormente se desarrollaron otros tipos de redes: >o$onen en los <? cre los mapas topol%icos y las memorias asociativas, y en -3@1 6opfield defini las redes de 6opfield! Ainalmente, en -3@9 Rumel$art y 2c0lelland desarrollaron el perceptrn multicapa, popularizndose as el al%oritmo de retropropa%acin! En -3@3, 0yben8o, 6orni8 et al! y Auna$as$i definieron el perceptrn multicapa como el aproximador universal [Martn-01].

2.3 Clasificacin
Existen diferentes criterios de clasificacin para las Redes Neuronales: o Cara%+eri,a%i() +e !#ra": se refiere a la caracterizacin temporal de las entradas! C#)+i)ua e) e" +ie !#: cuando la funcin de entrada es una funcin continua! Este tipo de redes se utiliza en sistemas donde es necesario una clasificacin inmediata de las entradas, como por e(emplo un sistema de alarma #ue se active ante la presencia de ciertos parmetros peli%rosos! Di&%re+a: cuando las entradas se toman en determinados instantes de tiempo! 'e utilizan en sistemas donde no es necesario un control inmediato de las entradas y slo se busca ver su evolucin sin saturar demasiado el sistema con una %ran cantidad de datos! E)+ra$a: se refiere a los valores #ue toman las entradas! -i)aria: cero o uno! 'e puede utilizar cuando las entradas son codificadas, por e(emplo, representando el intervalo sobre el #ue caen dentro de un ran%o! 'i el ran%o se divide en x intervalos, cada entrada se representa con x valores, todos a cero menos uno, el #ue corresponde al intervalo de valores de la entrada! C#)+i)ua: el valor de la entrada puede ser cual#uiera dentro de un ran%o! Es posible definir diferentes ran%os de variacin! o E)+re)a ie)+#: se refiere al aprendiza(e se%uido por la Red!

0aptulo 1: Las Redes Neuronales

"%ina -4

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Su!er.i&a$#: cuando se vi%ila la evolucin de la Red! "or e(emplo, cuando se le ofrecen a la Red e(emplos seBalando las salidas #ue se deberan obtener!

C#) re%# !e)&a/%a&+ig#: cuando la Red acierta se le ofrece una recompensa! 0uando falla se le casti%a! .s aprende cmo debe comportarse!

N# &u!er.i&a$#: no se le dice a la Red lo #ue debe dar! Esto se suele utilizar en a#uellos casos en #ue tenemos una serie de entradas y no sabemos cmo clasificarlas! Cependiendo de lo #ue se obten%a tras el entrenamiento tendremos un criterio de clasificacin!

Rea"i e)+a%i(): Feedforward: realimentacin $acia delante! Es la estructura normal, donde las salidas de una capa se introducen en la si%uiente! Feedback: realimentacin $acia atrs! &as salidas de ciertas capas se introducen en capas anteriores para #ue stas sepan cul $a sido el comportamiento posterior y se adapten en consecuencia!

Entre los modelos ms representativos se encuentran los mapas asociativos, el perceptrn multicapa, las redes de 6opfield (memorias autoasociativas , los mapas topol%icos autoor%anizativos de >o$onen y las redes $ebbianas [Martn-01].

2.4 Caracterizacin de una Red Neuronal

&os tres puntos clave para desarrollar una Red Neuronal son: o o o 0aracterizacin de la neurona (unidad bsica de computacin ! Cefinicin de una topolo%a de interconexin! Cefinicin de unas re%las de aprendiza(e!

2.4.1 Propiedades
&as propiedades #ue comparten todas las Redes Neuronales son: o o o .lto %rado de paralelismo: varias neuronas pueden estar traba(ando a la vez! Acil implementacin 6ardDare (o 'oftDare ! Robustez frente a posibles fallos: la informacin est distribuida!
"%ina -7

0aptulo 1: Las Redes Neuronales

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

o o

Naturaleza adaptativa #ue sustenta la capacidad de aprendiza(e! 0apacidad de %eneralizacin: a partir de unas entradas definimos un patrn!

2.4.2 Neurona
Ena neurona artificial se implementa de la si%uiente manera: las entradas (x se introducen en las dendritas! 0ada una posee un peso (D i(, neurona ( F entrada i ! Centro del cuerpo se aplican diferentes funciones de procesamiento (propa%acin, activacin, salida $asta lle%ar al axn (salida y ! Godo esto #ueda refle(ado en la si%uiente %rfica:

Figura 2-2: Neur#)a '0&i%a*

Figura 2-1: Re!re&e)+a%i()

a+e 2+i%a $e u)a )eur#)a*

En la prctica, las funciones de propa%acin y activacin no suelen diferenciarse y constituyen una combinacin lineal de las entradas o su distancia eucldea! &a funcin de salida se establece fuera de la neurona!

0aptulo 1: Las Redes Neuronales

"%ina -9

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Figura 2-3: Re!re&e)+a%i() 'i)a" $e u)a )eur#)a*

.parte de las entradas propias de la neurona, se puede considerar un cierto umbral (#i #ue comporta una cierta decisin como se ver ms adelante!

2.4.3 Topolo !a
0omprende varios aspectos: o De'i)i%i() $e %#)e%+i.i$a$: se refiere a la forma de conectarse las neuronas para formar una cierta estructura! Ce esta forma, podemos obtener redes monocapa o multicapa! &as redes monocapa consi%uen una clasificacin de primer orden como puede ser un :;R! 'in embar%o, una red de varias capas puede diferenciar entre diferentes re%iones, como se ver prximamente! o Te !#ri,a%i() # &i)%r#)i,a%i() $e" '"uj# $e i)'#r a%i(): Tie !# %#)+i)u#-$i&%re+#: se refiere a si la informacin se actualiza continuamente o slo en ciertos instantes de tiempo! Se%ue)%ia $e %# !u+a%i#)e&: flu(o directo o bucles de realimentacin! El flu(o directo consiste en un mero paso de informacin de una capa a la si%uiente! "ero con la realimentacin una capa obtiene informacin sobre lo #ue estn $aciendo las capas #ue la si%uen, y as, se obra en consecuencia!

0aptulo 1: Las Redes Neuronales

"%ina -<

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Figura 2-4: Eje !"#& $e +#!#"#g0a&*

En una red multicapa se definen tres tipos de capas: de entrada, oculta y de salida!

Figura 2-5: Re$ Neur#)a" $e +re& %a!a&*

Cependiendo del n)mero de capas ocultas #ue consideremos y movindonos dentro de un espacio bidimensional, se pueden definir re%iones (con(unto de entradas #ue conforman un patrn de diferentes formas, como se puede apreciar en la fi%ura 1H<!

0aptulo 1: Las Redes Neuronales

"%ina -@

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Figura 2-6: Regi#)e& 7ue &e !ue$e) $e"i i+ar &eg8) e" )8 er# $e Ca!a& O%u"+a& 7ue &e %#)&i$ere)*

2.4.4 "ntrena#iento o aprendiza$e

El aprendiza(e consiste en el a(uste de pesos de interconexin entre las neuronas! Existen diferentes criterios de a(uste: o Su!er.i&a$#: 9eur0&+i%#: perceptrn! Mi)i i,a) 'u)%i() $e %#&+e :a"g#ri+ #& +ra$i%i#)a"e& $e a$a!+a%i();: se minimiza la funcin de error de evaluacin para a(ustar los pesos! En e(emplo es el perceptrn multicapa! o Me$ia)+e re'uer,# :%#) re%# !e)&a/%a&+ig#;: o A%+#r/%r0+i%#* Q-learning.

N# &u!er.i&a$#: 9e<<ia)#: 6opfield! C# !e+i+i.#: 2apas topol%icos de >o$onen! M27ui)a& $e -#"+, a))*

0aptulo 1: Las Redes Neuronales

"%ina -3

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

El aprendiza(e es un al%oritmo por el cual se le dan datos a la neurona y sta aprende a reconocer patrones con ellos! El aprendiza(e no supervisado es a#ul en el #ue se tienen un con(unto de patrones pero no estn catalo%ados! El ob(etivo es #ue sea la Red la #ue los clasifi#ue se%)n los criterios #ue se le suministran (similitudes #ue deben cumplir los patrones para pertenecer a una clase y se%)n posibles analo%as #ue pueda encontrar en los datos de entrada! El aprendiza(e supervisado es a#ul en el #ue se cuenta con patrones catalo%ados #ue sirven de e(emplo a la Red!

2.% "l perceptrn #ulticapa

Este tipo de redes se caracterizan por su facilidad de implementacin! 'u aprendiza(e se basa en la retropropa%acin: se parte de unos pesos iniciales en las conexiones interneuronales! "ara un con(unto de entradas se obtiene una cierta salida! /asndose en #ue se conoce la salida #ue deberamos $aber obtenido (patrn catalo%ado F aprendiza(e supervisado , calculamos el error! . partir de este error se modifican los pesos si%uiendo el sentido inverso al de evolucin de la Red (se parte de la salida $asta lle%ar a la entrada ! Ce la misma manera se opera con el resto de entradas de entrenamiento! 'e puede observar #ue el error ir disminuyendo a medida #ue se apli#ue el al%oritmo! 'in embar%o un entrenamiento reiterado con las mismas entradas acaba provocando un sobreHentrenamiento a la Red Neuronal, memorizando caractersticas de un con(unto, impidiendo as #ue aprenda a %eneralizar! "or eso tras cada iteracin $ay #ue evaluar: introducir nuevos valores distintos a los de entrenamiento y calcular el error de salida! Ce esta manera se obtiene una funcin (error de evaluacin de la #ue nos interesa $allar su mnimo absoluto (puede $aber mnimos locales ! Ceterminando el n)mero de iteraciones con #ue se alcanza dic$o valor, nos ase%uramos, en cierta forma, obtener un ba(o error para cual#uier con(unto de datos de entrada! Cespus, se puede aplicar un test con un con(unto nuevo de entradas #ue nos dar una medida de la capacidad de discriminacin de la Red!

2.%.1 &'u( es un perceptrn)

En perceptrn es una estructura neuronal ms una re%la de aprendiza(e! 0omo se explicaba anteriormente, una neurona se compone de un con(unto de entradas, cada una con un peso, #ue se introducen en el cuerpo de la misma para su procesamiento! Ese procesamiento puede consistir en:

0aptulo 1: Las Redes Neuronales

"%ina 1?

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

0ombinacin lineal:

y = i x i
i

Cistancia eucldea:
y=

( x )
i i i

Este resultado se introduce posteriormente en un blo#ue caracterizado por una de las si%uientes funciones:

Figura 2-=: Ta<"a $e "a& !#&i<"e& 'u)%i#)e& $e &a"i$a $e" !er%e!+r()*

&a funcin #ue representa el comportamiento ideal de una neurona es la funcin escaln: dependiendo de la entrada se activa la conexin entre neuronas (salida I - o no (salida I ? ! Esta decisin puede depender de un cierto umbral (#ue la salida sea capaz de superarlo , representado en las expresiones anteriores por #: introducir este trmino ne%ativo e#uivale a considerar #ue la funcin vale uno a partir de # y no a partir de cero como se representa en la tabla!

0aptulo 1: Las Redes Neuronales

"%ina 1-

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

.un#ue ste sea el comportamiento ideal, en la prctica se suele utilizar la funcin si%moidea! Esto se debe a #ue es una funcin muy parecida al escaln y derivable en el entorno de cual#uier punto del e(e x! 0omo se ver, esto es necesario en el al%oritmo de retropropa%acin ya #ue est basado en la minimizacin del error con respecto al valor de los pesos, por lo #ue $ay #ue derivar e i%ualar a cero! El al%oritmo de aprendiza(e para un perceptrn aislado es el si%uiente:

Wk +1 = Wk X t y d y
donde: o o o o o o = I vector de pesos! 8 I iteracin actual! $ I factor de aprendiza(e! : I vector de entradas! yd I salida deseada! y I salida obtenida en la iteracin 8!

Ena propiedad muy importante de este al%oritmo es la conver%encia en presencia de solucin y la posibilidad de implementar ciclos lmite en ausencia de la misma! El factor de aprendiza(e $ determina la rapidez del al%oritmo pero tambin su exactitud! 0uanto mayor sea, necesitaremos menos iteraciones (antes alcanzaremos las cercanas del mnimo error de evaluacin pero el aprendiza(e es muy %rosero (es ms probable #ue nos #uedemos oscilando en las cercanas del mnimo error de evaluacin #ue lo alcancemos realmente ! 0uanto menor sea, ms lento es pero ms fino en el aprendiza(e! "or lo tanto $ay #ue lle%ar a un compromiso!

2.%.2 Retropropa acin

. continuacin, se va a explicar el mtodo utilizado para entrenar un perceptrn multicapa!

0aptulo 1: Las Redes Neuronales

"%ina 11

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

2*4*2*1 A"g#ri+ #
El aprendiza(e de un perceptrn multicapa es ms comple(o! 0omo se apunt anteriormente, el entrenamiento de este tipo de Redes Neuronales es un entrenamiento supervisado! 'e define un con(unto de pares de patrones (: i, Ji de entrenamiento y se define una funcin de error (diferencia entre la salida deseada y la obtenida ! Ena vez obtenido dic$o error se actualizan los pesos para minimizarlo! El procedimiento #ue se emplea es el descenso en la direccin del %radiente: una manera muy eficiente de implementarlo es a travs de un procedimiento e#uivalente a computar la Red $acia atrs! Esto da lu%ar al al%oritmo de retropropa%acin:

ET = E p =
p =1

1 P S 2 ( d p Op ) 2 p =1

donde: o o o o o EG I error total de salida! Ep I error de la salida p! " I n)mero de neuronas de la )ltima capa! ;p' I salida obtenida en la neurona p de la capa ' (la de salida ! dp I salida esperada en la neurona p!

El al%oritmo de aprendiza(e es:

L ij ( k + 1) = ijL ( k )

ET L (k) ij

donde: o o o Di(& I peso de la entrada i de la neurona ( en la capa &! 8 I iteracin actual! m I factor de aprendiza(e!

&a derivada del error es e#uivalente a:

0aptulo 1: Las Redes Neuronales

"%ina 15

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

L (k) ij

ET

=
p =1

L (k) ij

E p

&a salida es una funcin si%moidea de la combinacin lineal de las variables de entrada:

OL j =
donde: o o o

1 1+ e
yL j

L L1 ; yL j = ij Oi i =1

NL

N& I n)mero de neuronas de la capa &! ;(& I salida de la neurona ( de la capa &! y(& I estado de activacin de la neurona ( de la capa &!
L y L ET ET O j j = L L L ij ( k ) O L y j j ij ( k )

O L j y
y L j
L j

(1 + e )
yL j
L 1 i

yL j

1 1+ e
yL j

yL j yL j

1+ e

L = OL j (1 O j )

L ij (k)

=O

para la primera capa,

1 ij (k )

y 1j

= ii

donde ii I entrada i de la Red! "ara la )ltima capa:

E T O L j

= d j OS j
L =S

ET S S = d j OS = j Oj 1Oj y S j

= d j O Sj f ' y Sj = jS
donde K(' I seBal de error!

) ( )

0aptulo 1: Las Redes Neuronales

"%ina 14

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

"ara el resto de las capas, cuando vara la salida de la neurona de una de ellas afecta a la salida de las neuronas de la si%uiente capa:
L +1 L +1 ET ET y1L +1 ET y 21 ET y N L +1 = L +1 + L +1 + ... + L +1 = L L L O L y O y O y O j 1 j 21 j N L +1 j

N L +1

ET y iL +1 N L +1 L +1 L +1 = i ij (k) L +1 L O j i =1 y i i =1

N L+1 N L+1 ET L L L+1 L+1 L = O j (1 O j ) i ij ( k ) = f ' ( y j ) iL + 1 ijL + 1 = jL L y j i=1 i=1

2*4*2*2 Re&u e)
En resumen, el al%oritmo de actualizacin de pesos #ueda:
L ij ( k + 1) = ijL ( k ) OiL 1 jL

donde las seBales de error son:

S jS = f ' ( y S j ) (d j O j )

L +1 +1 jL = f ' ( y L L j ) k j (k) N L +1 i =1

2*4*2*1 Pa&#& $e" a"g#ri+ #

&os pasos a se%uir son: -! Lnicializar pesos y umbrales! 1! "resentar nuevo patrn y salida deseada! 5! 0alcular salida de todos los nodos en red! 4! 0alcular seBales de error de todos los nodos: nodos de salida a nodos de primera capa! 7! .daptar pesos en funcin de seBales de error!

0aptulo 1: Las Redes Neuronales

"%ina 17

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

9! Lr al paso 1!

2*4*2*3 Mej#ra& > .aria)+e&

'e pueden introducir al%unas me(oras a este al%oritmo #ue pretenden ase%urar la conver%encia o $acer ms rpido el proceso: o o o o I)i%ia"i,a%i() $e !e&#&: enfocado a la conver%encia! Fa%+#r $e a!re)$i,aje: enfocado a la conver%encia! Ta a?# $e "a re$: enfocado a la %eneralizacin! T@r i)# $e" # e)+#: enfocado a obtener mnimos locales en la funcin de

error y a acelerar el proceso!

L L L ( k + 1) = ijL ( k ) jL O L ij j + ij ( k ) ij ( k 1)

2.%.3 Caracter!sticas del perceptrn #ulticapa

"ara finalizar, cabe destacar al%unas de las caractersticas de este tipo de Redes Neuronales: o "uede aproximar cual#uier funcin continua J I A (: con soporte compacto $asta una precisin dada! o Meneraliza la respuesta frente a nuevos patrones de entrada (basado en aproximacinNinterpolacin ! o Ldnea cuando sabemos #u #ueremos conse%uir pero no cmo $acerlo y adems disponemos de patrones de referencia: #ueremos #ue %eneralice a nuevos patrones! o .plicaciones: Reconocimiento de patrones: Reconocimiento de caracteres en im%enes! Reconocimiento de fonemas en voz!

"rediccin de series temporales (demandas, etc : Ldentificacin y control de sistemas!

0aptulo 1: Las Redes Neuronales

"%ina 19

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

0ompresin de im%enes y reduccin de dimensionalidad! etc!

Godas las ideas de este )ltimo apartado $an sido extradas de [Martn-01], [ ardo, 00] y [!u"iria, #$].

0aptulo 1: Las Redes Neuronales

"%ina 1<