Cuantificación vectorial: algunas variantes del método de obtención de un diccionario de prototipos y su aplicación al reconocimiento del habla

• Autores: José V. Navarro, Ferrán Pla , José Miguel Benedí Ruiz
• Localización: Revista de informática y automática, ISSN 0210-8712, Año 21, Nº. 4, 1988, págs. 38-48
• Idioma: español
• Títulos paralelos:
  • Vector quantization: some variations to the methodof obtaining a dictionary of prototypes, and its applications to automatic speech recognition
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    La Cuantificación Vectorial (CV) puede considerarse como un método clásico de Reconocimiento de Formas: agrupamiento por aprendizaje no supervisado ("clustering"). El objetivo principal de la CV es la creación de un diccionario de prototipos. El mecanismo elegido para dicha creación se basa en un método iterativo compuesto por un proceso de división de un diccionario y una posterior optimización del mismo. En este trabajo presentamos algunas variantes a este método, junto con un algoritmo alternativo de división. A continuación se muestran los resultados experimentales para una aplicación real en Reconocimiento Automático del Habla. Esta etapa experimental se divide en una fase de aprendizaje o de obtención de un diccionario de prototipos y una fase de reconocimiento , en la que se comparan los resultados con los conseguidos a partir de un conjunto de protipos obtenidos mediante un método de agrupamiento por aprendizaje supervisado.

  • English

    Vector Quantization (VQ) can be considered as a classical method of Pattern Recognitiom; i.e., non supervising dictionary of prototypes. The selected mechanism is based on an interactive method which is composed by a dictionary division process, and a subsequent optimization of it. In this work, we present some variants to this method, together with an alternative algorithm for division. Then, we present the experimental results for a realistic application to Automatic Speech Recognition. This experimental step is divided in a phase of training, or obtaining a prototype dictionary, and a phase of recognition in which we compare the results obtained with those obtained by means of a clustering method with supervising learning.