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
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/87765
Ver los metadatos del registro completo
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 |