La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

TRABAJO FIN DE CARRERA. Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre.

Presentaciones similares


Presentación del tema: "TRABAJO FIN DE CARRERA. Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre."— Transcripción de la presentación:

1 TRABAJO FIN DE CARRERA

2 Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre estados y observaciones Filtro SIR aplicado Generación de Máscaras Soft Técnica de Realce Multiplicativo Test y Resultados Conclusiones Trabajo Futuro SUMARIO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

3 Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre estados y observaciones Filtro SIR aplicado Generación de Máscaras Soft Técnica de Realce Multiplicativo Test y Resultados Conclusiones Trabajo Futuro 1. INTRODUCCIÓN Y MOTIVACIÓN TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

4 Acto de hablar: Usualmente en entornos acústicos ruidosos Alta capacidad de reconocimiento en el ser humano Necesidad de adaptación de los sistemas ASR 1. INTRODUCCIÓN Y MOTIVACIÓN TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

5 Acto de hablar: Usualmente en entornos acústicos ruidosos Alta capacidad de reconocimiento en el ser humano Necesidad de adaptación de los sistemas ASR Algunas técnicas para mejorar el matching: Adaptación de los modelos Descomposición de HMMs Realce de las características de voz 1. INTRODUCCIÓN Y MOTIVACIÓN TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

6 1. INTRODUCCIÓN Y MOTIVACIÓN TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

7 Motivaciones Mejora del rendimiento de un sistema ASR Ventajas de la metodología de realce Aplicaciones: Búsqueda de información Ejecución de transacciones Control de sistemas (entornos industriales) … 1. INTRODUCCIÓN Y MOTIVACIÓN TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

8 Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre estados y observaciones Filtro SIR aplicado Generación de Máscaras Soft Técnica de Realce Multiplicativo Test y Resultados Conclusiones Trabajo Futuro 2. FUNDAMENTOS DEL SEGUIMIENTO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

9 Seguimiento: Estimación de la secuencia de estados de un sistema a partir de sus observaciones Modelo compuesto de dos procesos Proceso de estados Proceso observado Solución MMSE 2. FUNDAMENTOS DEL SEGUIMIENTO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

10 Justificación del filtro de partículas Evaluación compleja: Solución: modelado markoviano Aproximación numérica: (muestreo y remuestreo de importancia + integración de Monte Carlo) 2. FUNDAMENTOS DEL SEGUIMIENTO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

11 Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre estados y observaciones Filtro SIR aplicado Generación de Máscaras Soft Técnica de Realce Multiplicativo Test y Resultados Conclusiones Trabajo Futuro 3. DISEÑO DEL FILTRO BAYESIANO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

12 Seguimiento de ruido en el domino log Mel Ruido (estado del sistema) Voz limpia (ruido que contamina la observación) Voz ruidosa (observación) Definición del espacio de estados dinámico Proceso de ruido, Proceso observado, 3. DISEÑO DEL FILTRO BAYESIANO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

13 3.1 Modelado del proceso de ruido TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

14 Codificación de la previsibilidad del ruido: proceso AR en el dominio log Mel 3.1 Modelado del proceso de ruido TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

15 Definición implícita de una distribución gaussiana para el ruido: Selección de orden unidad para el modelo AR Distribución a priori modelada como una gaussiana: 3.1 Modelado del proceso de ruido TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

16 3.2 Relación entre estados y observaciones TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

17 Se parte de la aproximación: ¿Cuál es la relación entre las observaciones y el ruido? 3.2 Relación entre estados y observaciones TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

18 ¿Cuál es la relación entre las observaciones y el ruido? 3.2 Relación entre estados y observaciones TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

19 ¿Cuál es la relación entre las observaciones y el ruido? Distribución para la voz limpia: 3.2 Relación entre estados y observaciones TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

20 Imponemos Se aplica la ley fundamental de transformación de probabilidades De esta forma, 3.2 Relación entre estados y observaciones TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

21 3.3 Filtro SIR aplicado TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

22 1.Generación de N partículas 2.Cálculo de pesos normalizados 3.Remuestreo sobre las partículas 3.3 Filtro SIR aplicado TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

23 Existencia de problemas en la práctica Si no se cumple para ningún j DROPOUT SOLUCIÓN: Evolución independiente de la observación Pérdida de la trayectoria de seguimiento SOLUCIÓN: Procedimiento de reinicialización del filtro 3.3 Filtro SIR aplicado TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

24 Existencia de problemas en la práctica Modos de reinicialización Generación de nuevas hipótesis sobre la distribución a priori de ruido Inferir partículas de ruido a partir de muestrear un GMM 3.3 Filtro SIR aplicado TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

25 Existencia de problemas en la práctica Pobre modelado de ruido Subestimación de hipótesis SOLUCIÓN: Se incentiva una futura reinicialización si 3.3 Filtro SIR aplicado TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

26 Existencia de problemas en la práctica Mitigación de dropouts TEST DE ACEPTACIÓN RÁPIDA 3.3 Filtro SIR aplicado TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

27 Modos de inicialización Uso de las l primeras tramas Empleo de la distribución a priori de ruido 3.3 Filtro SIR aplicado TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

28 Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre estados y observaciones Filtro SIR aplicado Generación de Máscaras Soft Técnica de Realce Multiplicativo Test y Resultados Conclusiones Trabajo Futuro 4. GENERACIÓN DE MÁSCARAS SOFT TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

29 4. GENERACIÓN DE MÁSCARAS SOFT TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

30 Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre estados y observaciones Filtro SIR aplicado Generación de Máscaras Soft Técnica de Realce Multiplicativo Test y Resultados Conclusiones Trabajo Futuro 5. TÉCNICA DE REALCE MULTIPLICATIVO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

31 5. TÉCNICA DE REALCE MULTIPLICATIVO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

32 Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre estados y observaciones Filtro SIR aplicado Generación de Máscaras Soft Técnica de Realce Multiplicativo Test y Resultados Conclusiones Trabajo Futuro 6. TEST Y RESULTADOS TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

33 Uso de la base de datos Aurora-2 Empleo del conjunto de test A: 1001 grabaciones con secuencias de dígitos Ruidos: metro, multitud conversando, coche y sala de exposiciones SNRs: -5dB, 0dB, 5dB, 10dB, 15dB, 20dB y caso limpio 6. TEST Y RESULTADOS TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

34 Test de reconocimiento del habla Aparente independencia del número de partículas 6. TEST Y RESULTADOS TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

35 Test de reconocimiento del habla Aparente independencia del número de partículas 6. TEST Y RESULTADOS TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

36 Test de reconocimiento del habla Aparente independencia del número de partículas WAcc = 1 - WER 6. TEST Y RESULTADOS TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

37 Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre estados y observaciones Filtro SIR aplicado Generación de Máscaras Soft Técnica de Realce Multiplicativo Test y Resultados Conclusiones Trabajo Futuro 7. CONCLUSIONES TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

38 Verificación experimental de la utilidad de una técnica de realce Preferible, por el momento, uso de ruido estimado mediante promediado espectral: Mayor rendimiento del sistema ASR Menor coste computacional Necesidad de mejorar la calidad de las estimaciones resultantes del filtro de partículas 7. CONCLUSIONES TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

39 Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre estados y observaciones Filtro SIR aplicado Generación de Máscaras Soft Técnica de Realce Multiplicativo Test y Resultados Conclusiones Trabajo Futuro 8. TRABAJO FUTURO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

40 Solventar usuales pérdidas del seguimiento en el filtro de partículas Nuevo modelo de ruido a priori Inclusión del término de fase relativa (FAT innecesario) Optimización de la implementación Experimentación con otros conjuntos de test Actualización del modelo AR de ruido y de la distribución a priori Uso de un detector de actividad de voz Experimentar con un filtro RPF 8. TRABAJO FUTURO TFC | Generación de Máscaras Soft para Compensación de Características en RSR | Iván López Espejo

41 GRACIAS


Descargar ppt "TRABAJO FIN DE CARRERA. Introducción y Motivación Fundamentos del Seguimiento Diseño del Filtro Bayesiano Modelado del proceso de ruido Relación entre."

Presentaciones similares


Anuncios Google