The Power Cepstrum Calculation with Convolutional Neural Networks

• García, Mario Alejandro ^[1] ; Destéfanis, Eduardo Atilio ^[1]
  1. [1] Universidad Tecnológica Nacional

     Universidad Tecnológica Nacional

     Argentina

     
• Localización: Journal of Computer Science and Technology, ISSN-e 1666-6038, Vol. 19, Nº. 2, 2019 (Ejemplar dedicado a: Fiftieth Issue; e13), págs. 132-142
• Idioma: inglés
• Enlaces
  • Texto completo
• Resumen
  • español

    Se propone un modelo de red neuronal con capas de convolución que calcula el power cepstrum de la la señal de entrada. Para logarlo, la red calcula internamente la Transformada Discreta de Fourier de Tiempo Reducido, obteniendo el espectrograma de la señal como paso intermedio.

    Los pesos de la red neuronal se pueden calcular de forma directa o se pueden obtener mediante entrenamiento con el método del gradiente descendiente. Se analiza el comportamiento del entrenamiento. El modelo propuesto originalmente no se puede entrenar de forma completa, pero sí se puede entrenar la parte que calcula el espectrograma y tambien una variante del cepstrum equivalente a la autocovarianza que mantiene gran parte de su utilidad.

    Para los casos de entrenamiento exitoso se realiza un analisis de los pesos obtenidos.

    Las principales conclusiones indican, por un lado, que es posible calcular el power cepstrum con una red neuronal y, además, que para el caso de los modelos entrenables, es posible utilizar estas redes como las capas iniciales de un modelo de aprendizaje profundo, donde los pesos se inicializan con los coeficientes de la Tranformada Discreta de Fourier y se entrenan para adapotarse a problemas particulares de clasificación o regresión.

  • English

    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. The weights of the neural network can be calculated in a direct way or they can be obtained through training with the gradient descent method. The behaviour of the training is analysed. The model originally proposed cannot be trained in a complete way, but both the part that calculates the spectrogram and also a variant of the cepstrum equivalent to the autocovariance that keeps a big part of its usefulness can be trained. For the cases of successful training, an analysis of the obtained weights is done. The main conclusions indicate, on the one hand, that it is possible to calculate the power cepstrum with a neural network; on the other hand, that it is possible to use these networks as the initial layers of a deep learning model for the case of trainable models. In these layers, weights are initialised with the discrete Fourier transform (DFT) coefficients and they are trained to adapt to specific classification or regression problems.