Documentos de Académico
Documentos de Profesional
Documentos de Cultura
VQ AlgoritmiaRecVoz ASAL
VQ AlgoritmiaRecVoz ASAL
VQ.1
VQ.2
Vectores de coeficientes
(LPC, Cepstrum, MFCC, , ...)
Patrn
VQ.3
VQ.4
SISTEMA DE RECONOCIMIENTO
CLASES
Palabras
Reconocimiento de locutores
Locutores
Idiomas
VQ.5
VQ.6
Gestin
VQ.8
VQ.9
Patrones de referencia
Patrn
de test
VQ.10
la clase reconocida ser aquella que haga mxima la probabilidad de que ese
vector de observacin pertenezca a dicha clase.
VQ.11
VQ.12
ot i j
D i (ot ) = j
j
j =1
2
, R = diag 12 , 22 , ..., m
3.- Distancia eucldea: si suponemos tambin que todos los coeficientes del
vector de caractersticas tienen varianzas iguales:
m
D i (ot ) = ot j i j
j =1
)2
VQ.14
VQ.15
VQ.16
Ventajas de la representacin VQ
1.
3.
Desventajas de la representacin VQ
1.
VQ.18
d(,)
Conjunto de
vectores de
entrenamiento
{o1, o2, .. , oT}
Algoritmo de
agrupamiento
(K-means)
Codebook
N=2B vectores
d(,)
Cuantificador
VQ
VQ.19
VQ.20
VQ.21
VQ.22
generalizado y realista.
2.
VQ.23
4.- Iteracin: repetimos los pasos (2) y (3) hasta que la distancia promedio
(distorsin) caiga por debajo de un umbral predeterminado, o hasta que no
haya nuevas reasignaciones de vectores a las clases.
VQ.25
VQ.26
VQ.28
k = arg min d( ot , yn )
1 n N
con el algoritmo de clculo de distancia que se haya seleccionado
previamente.
VQ.29
VQ.30
VQ.2.6. Distorsin de un VQ
Se denomina distorsin de un VQ a la distancia acumulada de un patrn de
VQ.31
Uso
de
mltiples
codebooks,
creados
de
forma
separada
VQ.32
VQ.33
como
espectrales
VQ.34
son
usadas
para
cuantificar
una