HMM espectrales para el reconocimiento de emociones
HMM espectrales para el reconocimiento de emociones
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Pereira : Universidad Tecnológica de Pereira
Tipo de Material
Fecha
2015
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen
Los modelos ocultos de Markov han sido popularmente utilizados durante mucho tiempo ya que pueden manejar bases de datos muy grandes y a partir de estas recrear el modelo apropiado para obtener predicciones en muy poco tiempo, anteriormente los par ámetros utilizados eran calculados bajo la estimaci ón de la verosimilitud EM que si bien es sencillo y de m últiples aplicaciones tiene como desventaja que debido a que los estados ocultos no son observables al m étodo de aprendizaje entonces lo que hace es alternar entre los estados ocultos atribuidos como tambi én las matrices de observaci ón y transici ón para as maximizar la probabilidad de la muestra y del mismo estado, todo este proceso requiere de mucho tiempo y es computacionalmente m as demandante, por esta raz ón se han desarrollado nuevas t écnicas de aprendizaje como la espectral que como novedad promete ser mucho m as simple y ligero ya que se vale del álgebra lineal y utiliza la descomposici ón en valores singulares (SVD) y multiplicaci ón de matrices, sin importar el n úmero de observaciones discretas. En este trabajo se compara las t écnicas de entrenamiento EM y ESPECTRAL en el reconocimiento de emociones, la base de datos que se us ó fue la Cohn-Kanade la cual posee 7 emociones pero solo se tienen en cuenta 4, despu és de aplicar cada m étodo se encentran los valores m as importantes que son el tiempo y la precisi ón, los resultados obtenidos muestran que la precisi ón utilizando el entrenamiento ESPECTRAL es casi que la misma obtenida aplicando el entrenamiento EM y respecto al tiempo el entrenamiento ESPECTRAL es much ísimo menor que el entrenamiento EM.