Reconocedor de Palabras con el uso de Regresión Lineal y Coeficiente Muestral

• Autores: Carlos Alejandro de Luna Ortega, Miguel González Mora, Julio César Martínez Romo, Francisco Javier Luna Rosas
• Localización: ConCiencia Tecnológica, ISSN-e 1405-5597, Nº. 44, 2012, págs. 5-9
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En el presente trabajo se aborda el uso de la técnica del coeficiente de correlación muestral como un método de reconocimiento de palabras aisladas pronunciadas por un hablante, tratando de combatir el problema de respuesta y complejidad en el proceso algorítmico en un sistema embebido, este método se propone para su uso en lugar de algoritmos más complejos en su estructura algorítmica.

    La implementación de la técnica, consiste en caracterizar la señal de voz mediante el uso de los Coeficientes de Predicción Lineal (LPC), para la obtención de un vector característico, que será procesado por la técnica del coeficiente de correlación muestral R, para realizar el reconocimiento de la palabra contra la muestra y obtener un resultado. Con este método propuesto, se trabajó con la pronunciación de las palabras adelante, atrás, derecha e izquierda, obteniendo un 8% de error en el reconocimiento de manera global, ofreciendo un porcentaje igual o cercano a algoritmos de estructura compleja como las redes neuronales.

  • English

    This paper presents the use of the technique of the sample correlation coefficient as a method of recognition of isolated words uttered by one speaker, trying to combat the problem of response and algorithmic complexity in the process in an embedded system, this method are proposed instead of others algorithms with more complex algorithm structure.

    The implementation of the technique consists in characterize the speech signal using Linear Prediction Coefficients (LPC) to obtaining a characteristic vector that will be processed by the technique of the sample correlation coefficient R for the speech recognition against the sample and get a result. With this proposed method worked with the pronunciation of words forward, backward, left and right, getting a 8% error in the recognition globally, offering a rate equal or close to structure of complex algorithms such as neural networks.