| dc.contributor | | pt-BR |
| dc.creator | EVERTON FERNANDES DA CUNHA; Universidade Tecnológica Federal do Paraná, Curitiba, Paraná, Brasil | |
| dc.creator | MARCELO DE OLIVEIRA ROSA; Universidade Tecnológica Federal do Paraná, Curitiba, Paraná, Brasil | |
| dc.date | 2017-10-23 11:29:49 | |
| dc.date.accessioned | 2022-12-07T17:25:36Z | |
| dc.date.available | 2022-12-07T17:25:36Z | |
| dc.identifier | https://eventos.utfpr.edu.br//sicite/sicite2017/paper/view/983 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/5303833 | |
| dc.description | O presente trabalho tem como objetivo final fazer uma replicação dos trabalhos de reconhecimento de fonemas previamente gravados através de Redes Neurais Artificiais (RNA) usando a ferramenta TensorFlow (TF) - que agrega bibliotecas como NumPy e usa a linguagem Python. Para facilitar o entendimento da ferramenta da arquitetura da rede, dados sintéticos foram gerados a partir de funções gaussianas em um plano bidimensional (gerando como entrada vetores de duas dimensões) para duas classes distintas (usou-se também vetores de duas dimensões para a saída da rede). Essas classes apresentaram graus distintos de sobreposição que foram controlados de modo a avaliar a capacidade de reconhecimento das RNAs. A partir de uma rede neural perceptron de multicamadas, variou-se o número de camadas escondidas e o número de seus neurônios com uma taxa de aprendizagem e épocas de treinamento fixas de 0.001 e 300, respectivamente. Os resultados mostraram que os dados com alta sobreposição tem o melhor desempenho com 1 camada escondida de 50 neurônios obtendo uma acurácia de em média 88.6% e erro em média de 0.297. Entretando, para a classe com pouca sobreposição obteve-se uma acurácia de 97%, e erro de 0.1324, sem a necessidade de camadas escondidas. | pt-BR |
| dc.language | en | |
| dc.publisher | Seminário de Iniciação Científica e Tecnológica da UTFPR | pt-BR |
| dc.rights | Autores que submetem a esta conferência concordam com os seguintes termos:<br /> <strong>a)</strong> Autores mantém os direitos autorais sobre o trabalho, permitindo à conferência colocá-lo sob uma licença <a href="https://creativecommons.org/licenses/by/4.0/">Licença Creative Commons-Attribution</a>, que permite livremente a outros acessar, usar e compartilhar o trabalho com o crédito de autoria e apresentação inicial nesta conferência.<br /> <strong>b)</strong> Autores podem abrir mão dos termos da licença CC e definir contratos adicionais para a distribuição não-exclusiva e subsequente publicação deste trabalho (ex.: publicar uma versão atualizada em um periódico, disponibilizar em repositório institucional, ou publicá-lo em livro), com o crédito de autoria e apresentação inicial nesta conferência.<br /> <strong>c)</strong> Além disso, autores são incentivados a publicar e compartilhar seus trabalhos online (ex.: em repositório institucional ou em sua página pessoal) a qualquer momento antes e depois da conferência. | |
| dc.source | Seminário de Iniciação Científica e Tecnológica da UTFPR; XXII Seminário de Iniciação Científica e Tecnológica da UTFPR | 0 |
| dc.subject | Artificial neural networks; Multilayer perceptron network; Tensorflow; Pattern recognition. | pt-BR |
| dc.title | Reconhecimento de padrões usando redes neurais artificiais para problemas de fala. | 0 |
| dc.type | Documento avaliado pelos pares | pt-BR |
