![](/jspui/image/default/superior_home.png)
Please use this identifier to cite or link to this item:
http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/2317
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor | 520164 | es_ES |
dc.contributor.advisor | José Ismael de la Rosa Vargas | es_ES |
dc.coverage.spatial | Global | es_ES |
dc.creator | Becerra Sánchez, Aldonso | - |
dc.date.accessioned | 2021-04-20T18:51:58Z | - |
dc.date.available | 2021-04-20T18:51:58Z | - |
dc.date.issued | 2017-11 | - |
dc.identifier | info:eu-repo/semantics/publishedVersion | es_ES |
dc.identifier.uri | http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/2317 | - |
dc.description | The speech recognition module within a spoken dialogue system has become a key factor over time. The improvements that can be made with the new approaches and techniques have shown the evolutionary path that can be carried out in many processes of training and architecture definition in order to obtain superior recognition rates. In this sense, the present research has as objective to investigate new schemes to improve the word error rates (WER). The present work is based on the idea of using the deep neural networks and hidden Markov models (DNNHMM) architecture, which relies heavily on the behavior of the Gaussian mixture models and hidden Markov models (GMM-HMM) approach. First, experimental comparisons are made taking into consideration both approaches. The research process has been performed by using a corpus of personalized voices in Spanish from the northern central part of Mexico, based on a connected-words phone dialing task through the recognition of digit strings and personal name lists. The specified recognition task is defined as speaker-independent, text-dependent and mid-vocabulary. In the first experimental case study, a relative improvement of 30% was obtained using the acoustic model based on neural networks (WER of 1:49%), compared to the classic acoustic model based on Gaussian mixtures (2:12%). In the second case study, a relative improvement of 20:71% was achieved with the connectionist approach (neural networks, WER of 3:33%) with regard to the Gaussian mixture model (4:20%). The presented recognition task shows that the current approaches based on connectionist models, originated in artificial intelligence, surpass the traditional approaches of Gaussian mixtures in most of the speech recognition tasks. With the purpose of obtaining improvements in the recent speech recognition models, the second part of the thesis proposes new cost functions to train a neural network, calling these functions as non-uniform mapped criteria. These functions allow superior recognition rates in comparison with the conventional cross-entropy function within the training of a deep neural network, by using the back-propagation algorithm and an optimization with the gradient descent procedure. The obtained results (a relative improvement of 12:3% and 10:7% was achieved with the two proposed approaches, with respect to the conventional model of cross-entropy) have shown improvements in the word error rates, suggesting that the proposed cost functions have arguments to be considered as interesting alternatives in this type of tasks. Nevertheless, we must continue with the work of testing this and new cost function mechanisms with different voice corpus in several conditions with and without environmental noise, in addition to considering radical variations in the speakers’ speech sources. | es_ES |
dc.description.abstract | El módulo de reconocimiento de voz dentro de un sistema de dialogo hablado se ha convertido en un punto clave con el paso del tiempo. Las mejoras que se le pueden hacer con los nuevos enfoques y técnicas han mostrado el camino evolutivo que se puede dar en muchos procesos de entrenamiento y definición de arquitecturas con el fin de obtener mejores tasas de reconocimiento. En este sentido, el presente trabajo tiene como objetivo investigar esquemas que permitan mejorar las tasas de error por palabra (WER). El trabajo se fundamenta en la idea del uso de la arquitectura de red neuronal profunda y modelos ocultos de Markov (RNP-MOM), la cual se basa en gran medida en el comportamiento del enfoque de modelo de mezclas Gaussianas y modelos ocultos de Markov (MMG-MOM). En primera instancia se hacen comparaciones experimentales en el funcionamiento de ambos enfoques tomando como punto de partida un corpus de voces personalizado en Español de la parte norte central de México, basado en una tarea de marcado telefónico a través de reconocimiento de dígitos numéricos y nombres completos de personas, con independencia de locutor, con dependencia de texto, de tamaño mediano y con palabras conectadas. En el primer caso de estudio experimental se obtuvo una mejora relativa del 30% usando el modelo acústico de redes neuronales (WER de 1:49%), en comparación con el modelo clásico de mezclas Gaussianas (2:12%). En el segundo caso de estudio se consiguió una mejora relativa de 20:71% en la tasa de error por palabras del enfoque conexionista (redes neuronales, WER de 3:33%) con respecto al modelo de mezclas Gaussianas (4:20%). En las tareas de reconocimiento presentadas se muestra que los enfoques actuales cimentados en modelos conexionistas, con origen en la inteligencia artificial, superan en la mayoría de los procesos de reconocimiento a los enfoques tradicionales de mezclas Gaussianas. Con el fin de conseguir mejoras en los modelos recientes de reconocimiento de voz, en la segunda parte del trabajo se proponen nuevas funciones de costo para entrenar una red neuronal, denominando a estas funciones como mapeadas no uniformes. Estas funciones permiten obtener mejores tasas de reconocimiento en comparación con la función convencional de entropía cruzada dentro del entrenamiento de una red neuronal profunda, utilizando para ello el algoritmo de retro-propagación y una optimización con el gradiente descendente. Los resultados obtenidos (se consiguió una mejora relativa de 12:3% y 10:7% con los dos enfoques planteados, con respecto al modelo base de entropía cruzada) han mostrado mejoras en las tasas de error por palabra, sugiriendo que las funciones de costo propuestas tienen argumentos para ser consideradas como alternativas interesantes en este tipo de tareas. No obstante, se debe seguir en la labor de probar este y nuevos mecanismos de función de costo con diferentes corpus de voces y en diversos entornos con y sin ruido ambiental, además de considerar variaciones radicales en los origenes de voz de los locutores. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Universidad Autónoma de Zacatecas | es_ES |
dc.relation.isbasedon | Doctor en Ciencias de la Ingeniería | es_ES |
dc.relation.uri | generalPublic | es_ES |
dc.rights | Atribución-NoComercial-CompartirIgual 3.0 Estados Unidos de América | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/us/ | * |
dc.subject.classification | INGENIERIA Y TECNOLOGIA [7] | es_ES |
dc.subject.other | Reconocimiento de voz | es_ES |
dc.subject.other | Modelos Markovianos | es_ES |
dc.subject.other | redes neuronales | es_ES |
dc.subject.other | Markov | es_ES |
dc.subject.other | mezclas Gaussianas | es_ES |
dc.subject.other | Markov models | es_ES |
dc.subject.other | Gaussian mixtures | es_ES |
dc.title | Reconocimiento de voz a través de técnicas híbridas utilizando modelos Markovianos y nuevos tipos de redes neuronales | es_ES |
dc.type | info:eu-repo/semantics/doctoralThesis | es_ES |
Appears in Collections: | *Tesis*-- Doc. en Ciencias de la Ing. |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
11Tesis_DOCII_Nov_2017 Aldonso_Becerra_Sanchez.pdf | 10,11 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License