Clasificación de género basada en señales de voz mediante modelos difusos y algoritmos de optimización

• Luis Miguel Cortés-Martinez ^[1] ; Helbert Eduardo Espitia-Cuchango ^[1]
  1. [1] Universidad Distrital Francisco José de Caldas

     Universidad Distrital Francisco José de Caldas

     Colombia

     
• Localización: ITECKNE: Innovación e Investigación en Ingeniería, ISSN-e 2339-3483, ISSN 1692-1798, Vol. 16, Nº. 2 (July - December), 2019, págs. 126-143
• Idioma: español
• Títulos paralelos:
  • Gender classification based on voice signals using fuzzy models and optimization algorithms
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En este documento se describe un esquema de clasificación de género, basado en señales de voz, en el que se proponen y prueban 16 modelos difusos diferentes que son optimizados mediante cuatro algoritmos bioinspirados y el método cuasi-Newton. El esquema de clasificación considera cuatro conjuntos de datos y cinco características de voz diferentes para definir los valores de entrada de un algoritmo en el proceso de optimización. Los valores de entrada de cada modelo difuso definen la media y varianza de sus funciones de pertenencia gaussianas, y su desempeño se evalúa mediante los valores de entrada del algoritmo de optimización y el error cuadrático medio como función objetivo para minimizar. Se hace un análisis comparativo entre modelos, algoritmos y conjuntos de datos para obtener conclusiones de acuerdo con los resultados de cada modelo optimizado.

  • English

    This paper describes a gender classification scheme based on voice signals in which 16 different fuzzy models are proposed and optimized using four bio-inspired optimization algorithms and the quasi-Newton method. The classification scheme considers four data sets and five different voice features to define the input values of an algorithm in the optimization process. The inputs of each fuzzy model define the mean and variance of their Gaussian membership functions, and their fitness is evaluated by the input values of the algorithm and mean squared error as objective function to be minimized. A comparative analysis between models, algorithms and data sets is made to obtain conclusions according to the results of each optimized model.