VoxID te Modela

Fase de Entrenamiento

El entrenamiento se basa en dos algoritmos de soft computing: algoritmos genéticos y expectation maximization. El segundo es una especie de algoritmo de hill climbing. El algoritmo genético se basa en la teoría de la evolución de los seres vivos. Primero se inicializa un grupo de GMMs de forma aleatoria. Por cada GMM se calcula su proximidad (fitness) con los datos. Mientras más alto sea el fitness de un GMM, más alta será su probabilidad de cruzarse con otro GMM. El cruce produce una mezcla de gaussianas y sus propiedades entre ambas GMM (también existe la posibilidad de que una GMM pase a la siguiente iteración sin cambio, lo que se conoce como elitismo). Este proceso se produce iterativamete, hasta contar con un GMM con un fitness suficientemente elevado. En cada iteración existe también una posibilidad de que se produsca mutación, en la cual se cambian de forma aleatoria algunas propiedades de un GMM. El algoritmo de expectation maximization consiste en una serie de cálculos que permiten obtener un GMM mejor o igual al de la iteración anterior (se basa en derivación y gradiente de funciones). Esta fase mezcla ambos algoritmos realizando una cierta cantidad de iteraciones de algoritmo genético y después otra cantidad de maximization expectation, lo que se repite varias veces. Esto permite una convergencia a la solución de forma más rápida, al mismo tiempo que, el algortimo genético, permite evitar estancarse en una solución máxima local. EL GMM final se almacena en una base de datos.