Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionales

Autores
García, Mario Alejandro; Destéfanis, Eduardo Atilio
Año de publicación
2019
Idioma
inglés
Tipo de recurso
artículo
Estado
versión publicada
Descripción
A model of neural network with convolutional layers that calculates the power cepstrum of the input signal is proposed. To achieve it, the network calculates the discrete-time short-term Fourier transform internally, obtaining the spectrogram of the signal as an intermediate step. Although the proposed neural networks weights can be calculated in a direct way, it is necessary to determine if they can be obtained through training with the gradient descent method. In order to analyse the training behaviour, tests are made on the proposed model, as well as on two variants (power spectrum and autocovariance). Results show that the calculation model of power cepstrum cannot be trained, but the analysed variants in fact can.
Se propone un modelo de red neuronal con capas de convolución que calcula el power cepstrum de una señal de audio. Para logarlo, la red calcula internamente la Transformada Discreta de Fourier de Tiempo Reducido, obteniendo el espectrograma de la señal como paso intermedio. Si bien los pesos de la red neuronal propuesta se pueden calcular de forma directa, uno de los objetivos de este trabajo es determinar si esta puede ser entrenada con el método del gradiente descendiente. Para analizar el comportamiento del entrenamiento se realizan pruebas sobre el modelo propuesto y también sobre dos variantes (power spectrum y autocovarianza). Los resultados indican que el modelo de cálculo del power cepstrum no se puede entrenar, pero las variantes analizadas sí.
Facultad de Informática
Materia
Ciencias Informáticas
Cepstrum
Discrete Fourier transform
Spectrogram
Deep learning
Convolutional neural network
Transformada discreta de Fourier
Espectrograma
Aprendizaje profundo
Red neuronal convolucional
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/87765

id SEDICI_f77f47de90228828faf4d51df8c1a4ce
oai_identifier_str oai:sedici.unlp.edu.ar:10915/87765
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionalesGarcía, Mario AlejandroDestéfanis, Eduardo AtilioCiencias InformáticasCepstrumDiscrete Fourier transformSpectrogramDeep learningConvolutional neural networkTransformada discreta de FourierEspectrogramaAprendizaje profundoRed neuronal convolucionalA model of neural network with convolutional layers that calculates the power cepstrum of the input signal is proposed. To achieve it, the network calculates the discrete-time short-term Fourier transform internally, obtaining the spectrogram of the signal as an intermediate step. Although the proposed neural networks weights can be calculated in a direct way, it is necessary to determine if they can be obtained through training with the gradient descent method. In order to analyse the training behaviour, tests are made on the proposed model, as well as on two variants (power spectrum and autocovariance). Results show that the calculation model of power cepstrum cannot be trained, but the analysed variants in fact can.Se propone un modelo de red neuronal con capas de convolución que calcula el power cepstrum de una señal de audio. Para logarlo, la red calcula internamente la Transformada Discreta de Fourier de Tiempo Reducido, obteniendo el espectrograma de la señal como paso intermedio. Si bien los pesos de la red neuronal propuesta se pueden calcular de forma directa, uno de los objetivos de este trabajo es determinar si esta puede ser entrenada con el método del gradiente descendiente. Para analizar el comportamiento del entrenamiento se realizan pruebas sobre el modelo propuesto y también sobre dos variantes (power spectrum y autocovarianza). Los resultados indican que el modelo de cálculo del power cepstrum no se puede entrenar, pero las variantes analizadas sí.Facultad de Informática2019-10info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf132-142http://sedici.unlp.edu.ar/handle/10915/87765enginfo:eu-repo/semantics/altIdentifier/issn/1666-6038info:eu-repo/semantics/altIdentifier/doi/10.24215/16666038.19.e13info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/Creative Commons Attribution 4.0 International (CC BY 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:17:28Zoai:sedici.unlp.edu.ar:10915/87765Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:17:29.142SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionales
title Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionales
spellingShingle Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionales
García, Mario Alejandro
Ciencias Informáticas
Cepstrum
Discrete Fourier transform
Spectrogram
Deep learning
Convolutional neural network
Transformada discreta de Fourier
Espectrograma
Aprendizaje profundo
Red neuronal convolucional
title_short Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionales
title_full Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionales
title_fullStr Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionales
title_full_unstemmed Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionales
title_sort Power Cepstrum Calculation with Convolutional Neural Networks : Cálculo del power cepstrum con redes neuronales convolucionales
dc.creator.none.fl_str_mv García, Mario Alejandro
Destéfanis, Eduardo Atilio
author García, Mario Alejandro
author_facet García, Mario Alejandro
Destéfanis, Eduardo Atilio
author_role author
author2 Destéfanis, Eduardo Atilio
author2_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Cepstrum
Discrete Fourier transform
Spectrogram
Deep learning
Convolutional neural network
Transformada discreta de Fourier
Espectrograma
Aprendizaje profundo
Red neuronal convolucional
topic Ciencias Informáticas
Cepstrum
Discrete Fourier transform
Spectrogram
Deep learning
Convolutional neural network
Transformada discreta de Fourier
Espectrograma
Aprendizaje profundo
Red neuronal convolucional
dc.description.none.fl_txt_mv A model of neural network with convolutional layers that calculates the power cepstrum of the input signal is proposed. To achieve it, the network calculates the discrete-time short-term Fourier transform internally, obtaining the spectrogram of the signal as an intermediate step. Although the proposed neural networks weights can be calculated in a direct way, it is necessary to determine if they can be obtained through training with the gradient descent method. In order to analyse the training behaviour, tests are made on the proposed model, as well as on two variants (power spectrum and autocovariance). Results show that the calculation model of power cepstrum cannot be trained, but the analysed variants in fact can.
Se propone un modelo de red neuronal con capas de convolución que calcula el power cepstrum de una señal de audio. Para logarlo, la red calcula internamente la Transformada Discreta de Fourier de Tiempo Reducido, obteniendo el espectrograma de la señal como paso intermedio. Si bien los pesos de la red neuronal propuesta se pueden calcular de forma directa, uno de los objetivos de este trabajo es determinar si esta puede ser entrenada con el método del gradiente descendiente. Para analizar el comportamiento del entrenamiento se realizan pruebas sobre el modelo propuesto y también sobre dos variantes (power spectrum y autocovarianza). Los resultados indican que el modelo de cálculo del power cepstrum no se puede entrenar, pero las variantes analizadas sí.
Facultad de Informática
description A model of neural network with convolutional layers that calculates the power cepstrum of the input signal is proposed. To achieve it, the network calculates the discrete-time short-term Fourier transform internally, obtaining the spectrogram of the signal as an intermediate step. Although the proposed neural networks weights can be calculated in a direct way, it is necessary to determine if they can be obtained through training with the gradient descent method. In order to analyse the training behaviour, tests are made on the proposed model, as well as on two variants (power spectrum and autocovariance). Results show that the calculation model of power cepstrum cannot be trained, but the analysed variants in fact can.
publishDate 2019
dc.date.none.fl_str_mv 2019-10
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/87765
url http://sedici.unlp.edu.ar/handle/10915/87765
dc.language.none.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/issn/1666-6038
info:eu-repo/semantics/altIdentifier/doi/10.24215/16666038.19.e13
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
dc.format.none.fl_str_mv application/pdf
132-142
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616047786721280
score 13.070432