Resumen

Para mejorar el rendimiento de la clasificación de imágenes y el reconocimiento de voz, el optimizador se considera un factor importante para lograr una alta precisión. El optimizador de última generación puede funcionar en aplicaciones que no requieren una precisión muy alta, sin embargo, la demanda de clasificación de imágenes y reconocimiento de voz de alta precisión está aumentando. Este estudio implementa un método adaptativo para aplicar la técnica de filtro de partículas con un optimizador de descenso de gradiente para mejorar el rendimiento del aprendizaje del modelo. El uso de un modelo preentrenado ayuda a reducir el tiempo computacional para implementar un modelo de clasificación de imágenes y utiliza una red neuronal convolucional profunda simple para el reconocimiento de voz. El método aplicado resulta en una puntuación de precisión de reconocimiento de voz más alta del 89.693% para el conjunto de datos de prueba que el método convencional, que alcanza el 89.325%. El método aplicado también se desempeña bien en la tarea de clasificación de imágenes, alcanzando una precisión del 89.860% en el conjunto de

• Materias:Teoremas Semigrupos Captura de vectores Vértice reflexivo Funciones trigonométricas
• Subjects:Theorems Semigroups Vector capture Reflexive vertex Trigonometric functions
• Palabras claves:Rendimiento; Optimizador; Clasificación de imágenes; Reconocimiento de voz; Método adaptativo; Modelo preentrenado
• Keywords:Performance; Optimizer; Image classification; Speech recognition; Adaptive method; Pretrained model