Power Cepstrum Calculation with Convolutional Neural Networks.

Autores
García, Mario Alejandro; Destefanis , Eduardo
Año de publicación
2019
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión aceptada
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 interme diate step. Although the proposed neural networks weights can be calculated in a direct way, it is nec essary 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 me´todo del gradiente descendiente. Para analizar el comportamiento del entrenamiento se realizan pruebas sobre el modelo propuesto y también sobre dos variantes (power spectrum y auto covarianza). Los resultados indican que el modelo de calculo del power cepstrum no se puede entrenar, pero las variantes analizadas s´ı.
Fil: García, Mario Alejandro. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Inteligencia Artificial; Argentina.
Fil: Destefanis, Eduardo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
Materia
Cepstrum
Discrete fourier transform
Spectrogram
Deep learning
Convolutional neural network
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-NonCommercial-NoDerivatives 4.0 International
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/13559
Acceder
id RIAUTN_5960c67f40d751d25682940f179d9054
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/13559
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Power Cepstrum Calculation with Convolutional Neural Networks.García, Mario AlejandroDestefanis , EduardoCepstrumDiscrete fourier transformSpectrogramDeep learningConvolutional neural networkA 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 interme diate step. Although the proposed neural networks weights can be calculated in a direct way, it is nec essary 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 me´todo del gradiente descendiente. Para analizar el comportamiento del entrenamiento se realizan pruebas sobre el modelo propuesto y también sobre dos variantes (power spectrum y auto covarianza). Los resultados indican que el modelo de calculo del power cepstrum no se puede entrenar, pero las variantes analizadas s´ı.Fil: García, Mario Alejandro. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Inteligencia Artificial; Argentina.Fil: Destefanis, Eduardo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.Journal of Computer Science y Technology.2025-07-29T22:02:37Z2019info:eu-repo/semantics/articleinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdfJournal of Computer Science y Technology, 2019.https://hdl.handle.net/20.500.12272/13559spaenginfo:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/García, Mario Alejandro; Destefanis, Eduardo.https://creativecommons.org/licenses/by-nc-nd/4.0/reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:48:09Zoai:ria.utn.edu.ar:20.500.12272/13559instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:48:09.686Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Power Cepstrum Calculation with Convolutional Neural Networks.
title Power Cepstrum Calculation with Convolutional Neural Networks.
spellingShingle Power Cepstrum Calculation with Convolutional Neural Networks.
García, Mario Alejandro
Cepstrum
Discrete fourier transform
Spectrogram
Deep learning
Convolutional neural network
title_short Power Cepstrum Calculation with Convolutional Neural Networks.
title_full Power Cepstrum Calculation with Convolutional Neural Networks.
title_fullStr Power Cepstrum Calculation with Convolutional Neural Networks.
title_full_unstemmed Power Cepstrum Calculation with Convolutional Neural Networks.
title_sort Power Cepstrum Calculation with Convolutional Neural Networks.
dc.creator.none.fl_str_mv García, Mario Alejandro
Destefanis , Eduardo
author García, Mario Alejandro
author_facet García, Mario Alejandro
Destefanis , Eduardo
author_role author
author2 Destefanis , Eduardo
author2_role author
dc.subject.none.fl_str_mv Cepstrum
Discrete fourier transform
Spectrogram
Deep learning
Convolutional neural network
topic Cepstrum
Discrete fourier transform
Spectrogram
Deep learning
Convolutional neural network
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 interme diate step. Although the proposed neural networks weights can be calculated in a direct way, it is nec essary 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 me´todo del gradiente descendiente. Para analizar el comportamiento del entrenamiento se realizan pruebas sobre el modelo propuesto y también sobre dos variantes (power spectrum y auto covarianza). Los resultados indican que el modelo de calculo del power cepstrum no se puede entrenar, pero las variantes analizadas s´ı.
Fil: García, Mario Alejandro. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Inteligencia Artificial; Argentina.
Fil: Destefanis, Eduardo. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Centro de Investigación en Informática para la Ingeniería; Argentina.
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 interme diate step. Although the proposed neural networks weights can be calculated in a direct way, it is nec essary 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
2025-07-29T22:02:37Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str acceptedVersion
dc.identifier.none.fl_str_mv Journal of Computer Science y Technology, 2019.
https://hdl.handle.net/20.500.12272/13559
identifier_str_mv Journal of Computer Science y Technology, 2019.
url https://hdl.handle.net/20.500.12272/13559
dc.language.none.fl_str_mv spa
eng
language spa
eng
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
García, Mario Alejandro; Destefanis, Eduardo.
https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
García, Mario Alejandro; Destefanis, Eduardo.
https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.none.fl_str_mv pdf
application/pdf
dc.publisher.none.fl_str_mv Journal of Computer Science y Technology.
publisher.none.fl_str_mv Journal of Computer Science y Technology.
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230953599860736
score 13.24418

Publicaciones similares