UNIVERSIDADE FEDERAL DE SANTA CATARINA - UFSC
CENTRO TECNOLÓGICO - CTC
DEPARTAMENTO DE AUTOMAÇÃO E SISTEMAS - DAS
PROJETO:
ANÁLISE DE EXPERIMENTOS ESTATÍSTICOS
FATORIAL PARA SISTEMAS DE RECONHECIMENTO DE
FALA
Por: David Daniel e Silva, Doutorando - DAS
[email protected]
Orientador: Prof. Marcelo Ricardo Stemmer, Dr
[email protected]
Motivação
 ESTADO DA ARTE


DISCIPLINA DE ANÁLISE DE EXPERIMENTOS
POSSIBILIDADE DE CONTRIBUIÇÃO NOS
PROJETOS DE SISTEMAS DE REC. DE FALA
Introdução
( APRESENTAÇÃO DO TRABALHO )
 Reconhecimento de Fala







Conceito e Aplicações;
Características;
Dificuldades/Problemas;
Soluções;
Modelos;
Comentários;
Projeto de Análise de Experimentos Estatístico
Aplicado ao RF.
Reconhecimento de Fala
( CONCEITO E APLICAÇÕES )
 Conceito
Processo de conversão de um sinal acústico,
capturado por um microfone ou dispositivo
transdutor similar, para um conjunto de
palavras.
 Aplicações
A palavra reconhecida pode ser o resultado
final, para aplicações de controle ou dados
de entrada. (Interface homem-máquina).
Reconhecimento de Fala
( CARACTERÍSTICAS )
 PARÂMETROS / FATORES
Os sistemas de reconhecimento de fala podem
ser caracterizados por muitos parâmetros que o
afetam...
ALGUNS PARÂMETROS
Modo de Fala
FAIXA/TIPO
Isolada
Contínua
Estilo da Fala
Lida
Expontânea
Vocabulário
Simples ( < 20 )
Grande ( > 20K )
Reconhecimento de Fala
( CARACTERÍSTICAS )
 PARÂMETROS / FATORES
( CONTINUAÇÃO )
ALGUNS PARÂMETROS
Locutor
FAIXA/TIPO
Dependente
Independente
Modelo de Linguagem
Estados finitos
Sensível ao contexto
Perplexidade
Pequena ( < 10 )
Grande ( > 100 )
Transdutor
Microfone sem ruído
Telefone
RSR(Razão Sinal Ruído)
Alta ( > 30 db )
Baixa ( < 10 db )
Reconhecimento de Fala
( DIFICULDADES DOS SISTEMAS DE REC.)
FORÇA MUSCULAR
TRATO NASAL
PALATO
MOLE
NARINAS
T
T
PULMÕES
TRAQUÉIA
CORDAS
VOCAIS
BOCA
TRATO VOCAL
MODELO DO SISTEMA DO TRATO VOCAL
Reconhecimento de Fala
( DIFICULDADES DOS SISTEMAS DE REC.)
Reconhecimento de fala geralmente é mais
difícil de ser realizado quando os vocabulários
são grandes e/ou tem muitas palavras com sons
similares.
O reconhecimento de fala é um problema
difícil devido às várias fontes de variabilidade
associadas ao sinal de voz.
Reconhecimento de Fala
( DIFICULDADES DOS SISTEMAS DE REC.)
VARIABILIDADE FONÉTICA
a acústica dos fonemas (menor unidade
sonora na composição de uma palavra), é
altamente dependente do contexto
em
que aparecem.
Reconhecimento de Fala
( DIFICULDADES DOS SISTEMAS DE REC.)
VARIABILIDADE FONÉTICA
Nas fronteiras entre palavras, as
variações contextuais podem tornar-se
bem mais acentuadas fazendo, por
exemplo, com que a frase “a justiça é...”
seja reconhecida como “ajusticé...”
Reconhecimento de Fala
( DIFICULDADES DOS SISTEMAS DE REC.)
VARIABILIDADES ACÚSTICAS
Podem resultar de mudanças no ambiente
assim como da posição e características do
transdutor.
Reconhecimento de Fala
( DIFICULDADES DOS SISTEMAS DE REC.)
VARIABILIDADES INTRA-LOCUTOR
Podem resultar de mudanças no estado
físico/emocional dos locutores, velocidade de
pronúncia ou qualidade de voz.
Reconhecimento de Fala
( DIFICULDADES DOS SISTEMAS DE REC.)
VARIABILIDADES ENTRE-LOCUTORES
Podem resultar das diferenças na
condição sócio-cultural, dialeto, tamanho
e forma do trato vocal para cada uma das
pessoas. Um exemplo: “O caminho está
iluminado” - “O caminho está alumiado”.
Reconhecimento de Fala
( SOLUÇÕES DAS DIFICULDADES DOS SISTEMAS DE REC.)
 SOLUÇÕES
Em termos fonéticos acústicos, a variabilidade
dos locutores é tipicamente modelada usando
técnicas estatísticas aplicadas a grandes
quantidades de dados de treinamento.
Também tem sido desenvolvidos algoritmos de
adaptação ao locutor que adaptam modelos
acústicos independentes do locutor para os
do locutor corrente durante o uso.
Reconhecimento de Fala
( SOLUÇÕES DAS DIFICULDADES DOS SISTEMAS DE REC.)
 SOLUÇÕES
As variações acústicas são tratadas com o uso
de adaptação dinâmica de parâmetros, uso de
múltiplos microfones e processamento de sinal.
Na parametrização dos sinais, os pesquisadores
desenvolveram representações que enfatizam
características independentes do locutor, e
desprezam características dependentes do
locutor.
Reconhecimento de Fala
( SOLUÇÕES DAS DIFICULDADES DOS SISTEMAS DE REC.)
 SOLUÇÕES
Os efeitos do contexto linguístico em termos
fonético-acústicos são tipicamente resolvidos
treinando modelos fonéticos separados para
fonemas em diferentes contextos, isto é
chamado de modelamento acústico dependente
do contexto.
Reconhecimento de Fala
( SOLUÇÕES DAS DIFICULDADES DOS SISTEMAS DE REC.)
 SOLUÇÕES
A diferença de pronúncias das palavras são
processadas de forma que alternativas mais
comuns de cada palavra, assim como os efeitos
de dialeto e sotaque são tratados ao permitir
aos algoritmos de busca encontrarem caminhos
alternativos de fonemas através de redes dessas
alternativas.
Reconhecimento de Fala
( SOLUÇÕES DAS DIFICULDADES DOS SISTEMAS DE REC.)
 SOLUÇÕES
Modelos estatísticos de linguagem, baseados
na estimativa de ocorrência de seqüências de
palavras, são geralmente utilizados para
guiar a busca através da seqüência de
palavras mais provável.
Reconhecimento de Fala
( MODELOS DE RECONHECIMENTO DE FALA )
MODELOS
Atualmente, os algoritmos mais populares na
área de reconhecimento de fala baseiam-se em
métodos matemáticos e estatísticos. Dentre
estes, dois métodos tem se destacado:
ANN´s
- Artificial Neural Networks
HMM
- Hidden Markov Models
Reconhecimento de Fala
( MODELOS DE RECONHECIMENTO DE FALA )
MODELO - ANN´s
ARTIFICIAL NEURAL NETWORKS
Método Baseado no Sistema Neuronal Humano (Neurônio).
Teoria combatida por Minsky e Papert que publicaram um
livro em 1969 e provocou a não aceitação das RNA`s entre
os pesquisadores.
Atualmente, muitas pesquisas estão sendo feitas com o
uso de avançados modelos de redes neurais baseados
nas mais recentes descobertas do comportamento do
neurônio humano.
Reconhecimento de Fala
( MODELOS DE RECONHECIMENTO DE FALA )
MODELO - ANN´s
ANN - ARTIFICIAL NEURAL NETWORKS
 Boa Capacidade de Generalização;
 Função de ativação;
 Certo Grau de Robustez Para Reconhecimento de Padrões;
 Teoria bem definida (base na matemática);
Reconhecimento de Fala
( MODELOS DE RECONHECIMENTO DE FALA )
MODELO - HMM
HMM - Hidden Markov Models
Método é definido como um par de processos estocásticos
(X, Y). O processo X é a medida linear de primeira ordem, e
não é diretamente observável, quando o processo Y é uma
seqüência de variáveis randômicas de valores tomados de
parâmetros acústicos, ou observações.
Reconhecimento de Fala
( MODELOS DE RECONHECIMENTO DE FALA )
MODELO - HMM
HMM - Hidden Markov Models
 Boa Capacidade de seleção;
 Certo Grau de Robustez Para Reconhecimento de Padrões;
 Comparações estatísticas de probabilidade com base em um
conjunto de amostra;
 Teoria bem definida (base estatística e matemática);
Reconhecimento de Fala
( MODELOS DE RECONHECIMENTO DE FALA )
MODELO MAIS RECENTE - SVM
SUPPORT VECTOR MACHINE
Método Baseado na Teoria de Vapnik (1995)
The Nature of Statistical Learning Theory.
Reconhecimento de Fala
( MODELOS DE RECONHECIMENTO DE FALA )
MODELO MAIS RECENTE
SVM - SUPPORT VECTOR MACHINE
 Teoria bem definida (Base na estatística e matemática);
 Elevada Capacidade de Generalização;
 Robustez em Grandes Dimensões (imagens);
 Diferentes núcleos caracterizam seu modo de reconhecimento
de padrões. A correta definição de seus parâmetros implica em
alta influência nos resultados obtidos por uma SVM.
 Convexidade da função objetivo, implicando na
otimização de uma função quadrática, que tem apenas
um mínimo (vantagem sobre as RNA´s);
Reconhecimento de Fala
( COMENTÁRIO )
COMENTÁRIO
Tanto HMM, como SVM e demais algoritmos
para reconhecimento de fala, usam
técnicas
estatísticas, levando em consideração ocorrências
de palavras, fonemas, etc.
Reconhecimento de Fala
( COMENTÁRIO )
COMENTÁRIO
As variáveis que influenciam no processo de
reconhecimento de fala são em quantidade
razoavelmente grandes e de difícil controle.
QUE TAL ENTÃO UMA AJUDA...?
DA ESTATÍSTICA....?
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( CONCEITO DE EXPERIMENTO )
 Experimento Estatístico
Literalmente:
um teste.
Formalmente:
série de testes em que manipula-se as
variáveis de entrada de um processo ou
sistema para identificar as razões que
afetam a saída .
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( MODELO GERAL DE UM PROCESSO OU SISTEMA )
x1 x2 . . . xn
Entrada
SISTEMA
Saída
z1 z2 . . . zm
Onde: x1, x2, ..., xn são fatores controláveis;
z1, z2, ..., zm são fatores não controláveis.
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( CONCEITO DE PROJETO FATORIAL )
Muitos experimentos, envolvem o estudo de
efeitos de dois ou mais fatores.
Por projeto fatorial, entendemos que em
cada teste completo ou replicação do
experimento todas as possíveis combinações
dos níveis dos fatores são investigadas.
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL )
Exemplo:
Seja
A - Fator 1 com a níveis;
B - Fator 2 com b níveis;
Cada replicação contem todas as combinações
dos ab tratamentos.
O efeito do fator é definido pela mudança na
resposta produzida pela variação no nível do
fator.
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL )
A, B
Efeito Principal
-
Efeito da Interação
- AB
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL COM DOIS FATORES A DOIS NÍVEIS )
Para dois níveis (alto ou baixo) em A e B,
pode-se considerar os efeitos de cada um como
sendo a diferença entre a resposta média do
nível alto para o nível baixo do fator.
EfA = A+ - AEfB = B+ - B-
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL COM DOIS FATORES A DOIS NÍVEIS )
Numericamente:
Alto (+)
30
52
20
40
Fator B
Baixo (-)
Baixo (-)
Alto (+)
Fator A
EfA = A+ - AEfB = B+ - B-
EfA = (40 + 52)/2 - (20 + 30)/2 = 21
EfB = (30 + 52)/2 - (20 + 40)/2 = 11
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL COM DOIS FATORES A DOIS NÍVEIS )
EfA = (40 + 52)/2 - (20 + 30)/2 = 21
EfB = (30 + 52)/2 - (20 + 40)/2 = 11
Os resultados acima indicam que incrementando
o nível do fator A do baixo para o alto, causa um
incremento de 21 unidades na resposta.
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL COM DOIS FATORES A DOIS NÍVEIS )
Quando passa-se do nível baixo de B para o
nível alto, não afetando o comportamento
da resposta para o fator A, sugere-se uma
não interação entre os fatores.
P/ BA = 40 - 20 = 20
P/ B+
A = 52 - 30 = 22
Alto (+)
30
52
20
40
Fator B
Baixo (-)
Baixo (-)
Alto (+)
Fator A
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL COM DOIS FATORES A DOIS NÍVEIS )
Quando passa-se do nível baixo de B
para o nível alto, afetando
o
comportamento da resposta para o
fator A, sugere-se uma interação
entre os fatores.
P/ BA = 50 - 20 = 30
P/ B+
A = 12 - 40 = -28
Alto (+)
40
12
20
50
Fator B
Baixo (-)
Baixo (-)
Alto (+)
Fator A
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL COM DOIS FATORES A DOIS NÍVEIS )
Sem Interação
R
e
s
p
o
s
t
a
60
B+
50
40
30
Com Interação
B+
B-
20
10
B-
Fator A
+
R
e
s
p
o
s
t
a
60
50
40
30
20
BB+
B-
B+
10
-
Fator A
+
AB = (AB+ - AB-)/2
AB = (-28 - 30)/2 = -29
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL COM DOIS FATORES A DOIS NÍVEIS )
Supondo Valores Quantitativos
Modelo de Regressão Linear
y = 0 + 1x1 + 2x2 + 12x1x2 + 
Onde:
y é a resposta;
´s são valores correspondentes aos efeitos;
x1 é a variável que representa o fator A, x2 o fator B
e  é um erro devido ao processo aleatório.
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL COM DOIS FATORES A DOIS NÍVEIS )
Para os fatores A e B sem Interação:
y=35.5 + 10.5x1 + 5.5 x2 + 0.5 x1x2
OU
y=35.5 + 10.5x1 + 5.5 x2
Curva de resposta
Resíduo
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
( EXEMPLO DE PROJETO FATORIAL COM DOIS FATORES A DOIS NÍVEIS )
59
49
1
39
y
29
19
-1
-0,6
-0,2
0,2
0,6
1
0,6
0,2
-0,2 x2
-0,6
-1
x1
Resposta da superfície do modelo de regressão.
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
(DOIS FATORES )
Problema:
Um experimento é feito para verificar a taxa de acerto de
sistemas computacionais de reconhecimento de fala com 4
replicações. Um locutor diferente é sorteado para cada ensaio. A
taxa de acerto dos sistemas é verificada frente a dois fatores: 1)
quantidade de palavras faladas; 2) Tipo do sistema usado
Os dados de resposta são mostrados na tabela abaixo. a) Faça a
análise de variância e diga se o sistema usado e o número de
palavras influenciam na taxa de acerto das palavras; b) Plote o
gráfico para os resíduos e analise o modelo.
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
(DOIS FATORES )
Dados do experimento
o
N de Palavras
Tipo de
Sistema
2
ANN
90 87
89 91
HMM
91 90
90 93
HMM/ANN 97 99
96 98
4
85 86
84 84
88 84
86 90
96 97
93 98
6
80 78
76 92
80 91
90 88
95 93
97 95
8
80 80
75 90
80 89
87 92
96 95
90 91
10
80 82
75 76
90 78
80 79
93 91
95 90
Tipo de
Sistema
No Palavras
2
4
6
8
yi..
10
90 87
89 91
89,25
85 86
84 84
84,75
80 78 80 80 80 82
103,78
76 92 75 90 75 76
81,6
81,25
78,25
91 90
90 93
91,00
97 99
HMM/ANN
96 98
97,50
88 84
86 90
87,00
80 91
90 88
87,00
80 89
87 92
87,00
90 78
108,44
80 79
81,75
96 97
93 98
96,00
95 93
97 95
95,00
96 95
90 91
93,00
93 91
95 90
92,25
89,25
87,87 87,08 84,08 110,215
ANN
yij.
HMM
y.j.
92,58
118,44
y...
Hipóteses
yijk =  + i + j + ( )ij + ijk
H0: Não há diferença entre os sistemas.
1 = 2 = ... = a = 0
H0: O No de palavras não afeta o grau de
acerto do sistema.
1 =  2 = ... = b = 0
H0: A iteração entre os fatores não afetam
a resposta. ( )ij = 0 para todo i, j.
ANOVA
Fonte de
variação
Sistema
Soma de
gl Quad.
quadrados
médio
F
P
1.438,0
2
719,0
49,23
0,000000
463,1
4
115,8
7,93
0,000063
64,6
8
8,1
0,55
0,809907
Erro
657,3
45
14,6
Total
2623
59
No Palavras
Sist.*Palavras
Conclusão I
Rejeita H0 : O sistema e o número de
palavras afetam a resultado.
Aceita Ho para a iteração entre eles.
Gráfico de médias
S
s
i
t
e
m
a
;L
S
M
e
a
n
s
C
u
r
r
e
n
te
f
f
e
c
t
:F
(
2
,4
5
)
=
4
9
,
2
2
9
,p
=
,
0
0
0
0
0
E
f
f
e
c
t
v
i
e
h
y
p
o
t
h
e
s
s
i
d
e
c
o
m
p
o
s
t
i
o
i
n
V
e
r
t
c
i
a
lb
a
r
s
d
e
n
o
t
e
0
,
9
5
c
o
n
f
d
i
e
n
c
e
n
i
t
e
r
v
a
s
l
9
8
9
6
9
4
9
2
Acerto
9
0
8
8
8
6
8
4
8
2
8
0
7
8
1
2
S
s
i
t
e
m
a
3
Gráfico de médias
P
a
a
l
v
r
a
s
;L
S
M
e
a
n
s
C
u
r
r
e
n
te
f
f
e
c
t
:F
(
4
,4
5
)
=
7
,
9
2
6
2
,p
=
,
0
0
0
0
6
E
f
f
e
c
t
v
i
e
h
y
p
o
t
h
e
s
s
i
d
e
c
o
m
p
o
s
t
i
o
i
n
V
e
r
t
c
i
a
lb
a
r
s
d
e
n
o
t
e
0
,
9
5
c
o
n
f
d
i
e
n
c
e
n
i
t
e
r
v
a
s
l
9
8
9
6
9
4
9
2
Acerto
9
0
8
8
8
6
8
4
8
2
8
0
2
4
6
P
a
a
l
v
r
a
s
8
1
0
Gráfico de médias
S
s
i
t
e
m
a
*
P
a
a
l
v
r
a
s
;L
S
M
e
a
n
s
C
u
r
r
e
n
te
f
f
e
c
t
:F
(
8
,4
5
)
=
,
5
5
3
1
6
,p
=
,
8
0
9
9
1
E
f
f
e
c
t
v
i
e
h
y
p
o
t
h
e
s
s
i
d
e
c
o
m
p
o
s
t
i
o
i
n
V
e
r
t
c
i
a
lb
a
r
s
d
e
n
o
t
e
0
,
9
5
c
o
n
f
d
i
e
n
c
e
i
n
t
e
r
v
a
s
l
1
0
5
1
0
0
9
5
Acerto
9
0
8
5
8
0
7
5
7
0
1
2
S
s
i
t
e
m
a
3
P
a
a
l
v
r
a
s
2
P
a
a
l
v
r
a
s
4
P
a
a
l
v
r
a
s
6
P
a
a
l
v
r
a
s
8
P
a
a
l
v
r
a
s
1
0
Gráfico de médias
S
s
i
t
e
m
a
*
P
a
a
l
v
r
a
s
;L
S
M
e
a
n
s
C
u
r
r
e
n
te
f
f
e
c
t
:F
(
8
,4
5
)
=
,
5
5
3
1
6
,p
=
,
8
0
9
9
1
E
f
f
e
c
t
v
i
e
h
y
p
o
t
h
e
s
s
i
d
e
c
o
m
p
o
s
t
i
i
o
n
V
e
r
t
c
i
a
lb
a
r
s
d
e
n
o
t
e
0
,
9
5
c
o
n
f
d
i
e
n
c
e
i
n
t
e
r
v
a
s
l
1
0
5
1
0
0
9
5
Acerto
9
0
8
5
8
0
7
5
7
0
2
4
6
P
a
a
l
v
r
a
s
8
1
0
S
s
i
t
e
m
a
1
S
s
i
t
e
m
a
2
S
s
i
t
e
m
a
3
Gráfico de Resíduos
N
o
r
m
a
lP
r
o
b
.P
o
l
t
;R
a
w
R
e
s
d
i
u
a
s
l
D
e
p
e
n
d
e
n
tv
a
r
a
i
b
e
l
:A
c
e
r
t
o
(
A
n
a
y
l
s
s
i
s
a
m
p
l
e
)
3
,
0
2
,
5
,
9
9
2
,
0
,
9
5
1
,
5
1
,
0
,
7
5
0
,
5
,
5
5
ExpectdNormalValue
0
,
0
,
3
5
0
,
5
1
,
0
,
1
5
1
,
5
,
0
5
2
,
0
,
0
1
2
,
5
3
,
0
1
0 8 6 4 2
0
2
R
e
s
d
i
u
a
l
4
6
8
1
0 1
2 1
4
Histograma de Resíduos
H
s
i
t
o
g
r
a
m
o
fR
a
w
R
e
s
d
i
u
a
s
l
D
e
p
e
n
d
e
n
tv
a
r
a
i
b
e
l
:A
c
e
r
t
o
(
A
n
a
y
l
s
s
i
s
a
m
p
e
l
)
2
0
1
8
1
6
1
4
1
2
No.fobs.
1
0
8
6
4
2
0
1
21
0 8 6 4 2 0
2
4
X
<
=
C
a
t
e
g
o
r
y
B
o
u
n
d
a
r
y
6
8
1
0 1
2 1
4
Conclusão II
O gráfico dos resíduos x preditos mostram comportamento
dos pontos aleatórios.
Os pontos dos resíduos mostram uma curva normal.
Logo, o modelo é adequado.
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
(2k-p )
CONSIDERAÇÃO AO PROJETO FATORIAL
PARA RECONHECIMENTO DE FALA
perplexidade = Modelo de Linguagem x Vocabulário
Considerando 8 fatores...
Resolução
Tratamentos
2v8-2
64
2iv8-3
32
2v8-4
16 (menos custo)
Fatores
A-Transdutor B-Vocabulário
E- Modelo Linguagem
C- Modo de Fala
F-RSR
D- Estilo de Fala
G- Sistema
H-locutor
Resolução 2v8-4 = 16 Tratamentos
Confusões
E = BCD
F = ACD
G= ABC
H = ABD
TABELA PARA O PROJETO FATORIAL
A-Transdutor B-Vocabulário
E- Modelo Linguagem
E = BCD
C- Modo de Fala
F-RSR
F = ACD
28-4
D- Estilo de Fala
G- Sistema
G= ABC
H = ABD
A B C D BCD ACD ABC ABD
-1 -1 -1 -1
-1
-1
-1
-1
2
+1 -1 -1 -1
-1
+1
+1
+1
3
-1 +1 -1 -1 +1
-1
+1
+1
+1 +1 +1 +1 +1
+1
+1
+1
4
5
6
7
Y
Y - RESPOSTA
1
8
H-locutor
REFERÊNCIAS BIBLIOGRÁFICAS
[01] Douglas C. Montgomery. “Design and Analysis of Experiments”. Sixth Edition,
Arizona State University, 2005.
[02] Editorial Board: Ronald A. Cole; Joseph Mariani; Hans Uszkoreit; Annie Zaenen and
Victor Zue. “Survey of the State of the Art in Human Language Technology”. National
Science Foundation Directorate XIII-E of the Commission of the European Communities
Center for Spoken Language Undertanding, Oregon Graduate Institute, November 1995.
[03] Sujun Huan and Zhirong Sun. “Support Vector Machine Approach for Protein
Subcellular Localization Prediction” Institute of Bioinformatics, Department of Biological
Sciences and Biotecnology, Tsinghua University, China. April 2001.
[04] Klaus-Robert Müller, Sebastian Mika, Gunnar Rätch, Koji Tsuda, and Bernhard
Schölkopf . “Na Introduction to Kernel-Based Learning.” IEEE Transaction on Neural
Networks, vol. 12, No. 2 March 2001.
[05] Marcelo C. Medeiros; Timo Teräsvirta and Gianluigi Rech. “Aspectos Estatísticos da
Modelagem de Redes Neurais em Séries Temporais”. DEE, PUC - RJ.
Projeto e Análise de Experimentos Estatísticos
Fatorial Para Reconhecimento de Fala
FIM
[email protected]
FELIZ NATAL E
2006 CHEIO DE...
SAÚDE E PAZ!!!!