Técnicas de aprendizaje maquinal para la separación ciega de fuentes sonoras

LEANDRO EZEQUIEL DI PERSIA

Mendoza

Workshop; Workshop de Inteligencia Artificial, en el marco de la Tercera Escuela de Postgrado de la red PROTIC; 2008

Red PROTIC

El análisis de componentes independientes ha surgido recientemente en el contexto delaprendizaje maquinal como una técnica muy importante para el análisis y la extracciónde información de señales complejas.Una de sus aplicaciones es la separación ciega de fuentes, en la que se intenta obtener, apartir de registros con múltiples sensores, versiones aisladas de todas las fuentes sonorasactivas en un determinado instante. El problema es complejo, dado que la mezcla de lasseñales no es una simple superposición, sino que el ambiente las modifica debido a losecos que se producen al rebotar las ondas sonoras en todas las superficies sólidas,fenómeno que se conoce como reverberación.Una aplicación de especial interés tecnológico es el reconocimiento automático delhabla. Entre las dificultades que presenta esta aplicación, una de las principales es ladisminución del desempeño de dichos sistemas frente al ruido proveniente de otrasfuentes sonoras.La reverberación, a su vez, actúa como un ruido, de manera que un sistema dereconocimiento que recibe como entrada una única señal (sin contaminar con ruido)pero en presencia de reverberación, también reducirá su desempeño. El objetivo de estainvestigación es la aplicación de técnicas de aprendizaje, en particular basadas enanálisis de componentes independientes, que mejoren la separación de las fuentes ypermitan aumentar la tasa de aciertos de sistemas de reconocimiento automático delhabla.