Resumen

Este artículo presenta un esquema de aprendizaje automático para el reconocimiento del habla basado en la envoltura temporal dinámica (DTW). Se han desarrollado dos categorías de estrategias de aprendizaje, supervisadas y no supervisadas, para DTW. En este estudio se proponen dos métodos de aprendizaje supervisado, el aprendizaje incremental y el aprendizaje de rechazo prioritario. El método de aprendizaje incremental es conceptualmente sencillo, pero adolece de una gran base de datos de palabras clave que coincidan con la plantilla de prueba. El método de aprendizaje de rechazo prioritario puede reducir eficazmente el tiempo de emparejamiento con una ligera disminución de la precisión del reconocimiento. En cuanto a la categoría de aprendizaje no supervisado, en este estudio se ha desarrollado un enfoque de aprendizaje automático, denominado "aprendizaje de mayor coincidencia", que se basa en el aprendizaje de rechazo prioritario. El aprendizaje de mayor coincidencia puede utilizarse para elegir de forma inteligente los enunciados adecuados para el aprendizaje del sistema. La eficacia y eficiencia de los tres enfoques de aprendizaje automático propuestos para DTW se demostraron mediante experimentos de reconocimiento del habla con palabras clave.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:dtw, prioridad, aprendizaje por rechazo, experimentos de reconocimiento del habla por palabras clave, método de aprendizaje automático, método de aprendizaje incremental, método de aprendizaje por rechazo, métodos de aprendizaje supervisado, categoría de aprendizaje no supervisado, aprendizaje
• Keywords:dtw, priority, rejection learning, keyword speech recognition experiments, automatic learning approach, incremental learning method, rejection learning method, supervised learning methods, unsupervised learning category, learning