ࡱ> I aObjbj vYK]vvvv4BBBBhlB%FFFFFYYYacccUR$~YUYYYvvFFFYvlFFaBBvvvvYa/ru,aF*=dzeBB SRECONOCIMIENTO AUTOMTICO DE HABLA CONTINUA EN ESPAOL SOBRE UN VOCABULARIO RESTRINGIDO MARTN GRACIARENA, CLAUDIO ESTIENNE, LUCIANA FERRER Departamento de Ingeniera Electrnica, Facultad de Ingeniera. Universidad Nacional de Buenos Aires Paseo Coln 850 piso 5 (1063) Repblica Argentina. e-mail: {mgracia, cestien}@fi.uba.ar lferrer@cactus.fi.uba.ar Palabras Clave: Modelos de Markov, Procesamiento de Voz, Habla Continua Resumen El presente trabajo describe el diseo e implementacin de un sistema de reconocimiento automtico de habla continua en idioma espaol con independencia del hablante. Se detallan las diversas etapas encaradas con este fin. Entre estas, la creacin de modelos iniciales a partir de la base de datos inglesa TIMIT, entrenamiento de modelos fonticos contexto independiente y contexto dependiente, sobre la base de datos espaola LATINO-40, y la estimacin de modelos de lenguaje. Se describe tambin las diversas optimizaciones de parmetros para mejorar la performance del sistema. Se detallan los resultados de reconocimiento de palabra de cada una de estas etapas. Tambin se reporta la implementacin de un sistema de reconocimiento de habla continua de dgitos espaoles pronunciados en forma natural y su resultado de reconocimiento sobre una pequea base de datos de hablantes argentinos. 1. Introduccin El presente trabajo describe el diseo e implementacin de un sistema de reconocimiento automtico de habla continua en idioma espaol con independencia del hablante. El mismo fue concebido con dos objetivos principales. En primer trmino para ser utilizado como sistema de base, en el testeo de diferentes mejoras que actualmente se investigan. Las mismas incluyen inmunidad al ruido, adaptacin al hablante y modelizacin del lenguaje. En segundo lugar para su aplicacin a tareas especficas de vocabulario restringido. Especficamente para el desarrollo de un sistema de reconocimiento continuo de nmeros telefnicos. El sistema consta de dos mdulos claramente diferenciados. El primero realiza un pre-procesamiento de la seal de voz (front-end), en el cual se extraen vectores de caractersticas a intervalos de tiempo regulares (Rabiner, 1993, 1978). En nuestro caso los vectores de caractersticas estn dados por coeficientes cepstrum en escala mel y por coeficientes delta. El segundo mdulo, sobre el cual se centra nuestro trabajo, es un modelo estadstico fontico acstico de la voz basado en tcnicas que son el estado del arte en el rea de reconocimiento de voz. Estas son los modelos ocultos de Markov (HMM), (Juang et al., 1992, Young, 1995). En el presente trabajo se detallan las diversas etapas en la implemetacin del sistema de habla continua. Estas etapas incluyen la inicializacin de modelos, su entrenamiento y la optimizacin de parmetros del sistema. Se reportan los resultados de reconocimiento de cada una de las etapas. Asimismo se describe la implementacin de un sistema de reconocimiento de dgitos telefnicos emitidos en forma natural. 2. Desarrollo del Sistema 2.1. Base de Datos La base de datos es la LATINO-40 en espaol. Esta consta de 40 hablantes de origen caribeo y latinoamericano, donde cada uno emite 125 frases. Se separ la base en tres partes, una de entrenamiento que consta de 30 hablantes otra de validacin cruzada que consta de 2 hablantes y una tercera de reconocimiento que consta de 8 hablantes. Todas estn balanceadas por sexo y por regin de Latinoamrica. 2.2. Modelos Iniciales La primera etapa en el desarrollo fue la creacin de modelos iniciales de fonemas. Se utilizaron modelos de tres estados con 50 gaussianas por estado. Para el entrenamiento de dichos modelos se utiliz la base de datos fontica inglesa TIMIT, debido a que est rotulada a nivel fontico. Para lo cual se mapearon los 64 fonemas ingleses a los 28 fonemas espaoles, tomando solo los fonemas ingleses que tuvieran un equivalente fontico en espaol. 2.3. Modelos Contexto Independientes Una vez generados los 28 modelos iniciales se procedi a su entrenamiento con material de la base LATINO-40. Con estos modelos, que llamaremos de primera pasada, se generaron segmentaciones fonticas de la base de datos de entrenamiento. Esto tiene por objetivo romper el vnculo inicial que los fonemas guardan con la fontica inglesa. A partir de estos alineamientos se reentrenaron los modelos fonticos del espaol. Estos nuevos modelos los llamaremos como modelos de nuevos alineamientos. 2.4. Modelos Contexto Dependientes Se realiz una modelizacin fontica con Modelos Ocultos de Markov (HMM) contexto dependiente (CD). Estos modelos son mejores que los modelos contexto independiente (CI) ya que modelan el efecto de la coarticulacin, esto es, fonemas dichos en un contexto dado a izquierda y derecha. Este tipo ms general de modelo es llamado trifono. Estos modelos son extrados de los CI. Todos los modelos trifonos cuyo fonema central es el mismo, comparten el conjunto de gaussianas de los modelos CI. Cada modelo de trifono tiene su nico conjunto de pesos de mezcla. Se entrena entonces el modelo CI, se crea luego los modelos CD y finalmente se entrenan los modelos CD con ejemplos especficos modificndose solamente los pesos de las mezclas. Con objeto de reducir la carga computacional de estos modelos se limit la cantidad mnima de ejemplos de entrenamiento por cada modelo trifono a cinco. El objeto de esto es lograr un entrenamiento robusto de estos modelos. Esto redujo la cantidad de modelos de 3159, modelos iniciales creados como trifonos de la base de entrenamiento, a 2340. Tambin se debi tener cuidado con las transcripciones de las palabras de la gramtica de reconocimiento. Esto es, si la modelizacin CD de estas palabras contiene trifonos no entrenados, se debe usar los modelos CI. En la siguiente etapa se realizaron pruebas de reconocimiento sobre una base de datos reducida (20 frases por hablante), con un vocabulario de 677 palabras. Se presenta el porcentaje de reconocimiento por palabra con dos ndices. El primero es el % correcto, que resulta de computar como errores solamente las exclusiones y las sustituciones de palabras, y el segundo es el % exacto, que resulta de computar como errores las exclusiones, las inserciones y las sustituciones de palabras. Estos resultados se reportan en la tabla 1. Las caractersticas usadas son 26 coeficientes, 12 MEL cepstral coeficientes, C0 coeficiente del cesptral y sus derivadas temporales. Una ventana de Hamming se us con 25 mseg de duracin y 10 mseg solapamiento Tabla 1- Modelizacin Contexto Dependiente e Independiente Modelo% Correcto% ExactoContexto Indep. CI Primera Pas.61.2450.00Contexto Indep. CI Nuevos Alin.69.1354.82Contexto Dep. CD75.9865.51 Se observa el importante aumento en la performance obtenido con los modelos CD. Esto se debe a que el detalle logrado en la modelizacin fontica es mayor. 2.5. Estimacin de Bigramas, Optimizaciones La siguiente etapa es la modelizacin de la estadstica del lenguaje. Para esto, se modelaron las probabilidades de ocurrencia de una determinada palabra as como las probabilidades de que a una palabra le anteceda otra. La modelizacin de la transicin entre palabras permite incorporar conocimientos de mayor nivel, esto es, de tipo gramatical. Esta modelizacin toma la forma de probabilidades de transicin entre palabras. Estas son estimadas a partir de muestras masivas de texto. Se colect una gran cantidad de texto en formato ASCII, de la misma fuente que la usada en la base de datos LATINO40, esto es, agencias de noticias. Se filtraron los datos de caracteres extraos (comas, comillas, signos de exclamacin y acentuacin, etc.). Finalmente se estim las probabilidades, dejando un piso mnimo de probabilidad para no anular combinaciones de palabras no presentes en la base de estimacin. Diversas optimizaciones son requeridas con objeto de explotar el potencial de las Bigramas. La primera de ellas es la optimizacin de un exponente al cual son elevadas las probabilidades entre palabras para compensarlas frente a las probabilidades de los modelos de palabras. Se presenta a continuacin los resultados de reconocimiento de las Bigramas incorporadas a modelos contexto independiente. Las condiciones de reconocimiento son las mismas que las detalladas anteriormente. Se presenta primero los resultados del modelo baseline. Luego cada una de las optimizaciones, primero la del exponente de los Bigramas, a continuacin la compensacin y finalmente el nivel de podado. Tabla 2 Optimizacin exponente Bigramas s Modelo% Correcto% ExactoCI sin big.69.1354.82CI big. s = 171.1654.52CI big. s = 272.9763.78CI big. s = 373.4267.92CI big. s = 473.8770.48 Observamos que si se incorporan los Bigramas al sistema y el exponente es igual a uno, su efecto es despreciable. En cambio a medida que se la aumenta el exponente, los resultados de reconocimiento mejoran sensiblemente. Observamos que el ptimo para este caso es un exponente cercano a 4. Se probaron con mayores exponentes obtenindose mejoras marginales. La segunda de las optimizaciones es la compensacin por la cantidad de inserciones frente a la cantidad de sustituciones. Esto se logra imponiendo una penalizacin a la transicin entre palabras. El efecto es de acuerdo al valor de la penalizacin, penalizar o estimular las transiciones Este coeficiente lo llamaremos como p. Tabla 3 Optimizacin compensacin, s=4 Modelo% Correcto% ExactoCI sin big.69.1354.82CI big. p=073.8770.48CI big. p=173.9570.43CI big. p=273.7269.43 La optimizacin de la compensacin no provoc resultados importantes, por lo tanto se utiliz un coeficiente p=0; La tercera optimizacin es del nivel de podado. Esto es, el descarte de caminos no promisorios en el reconocimiento. Un camino es descartado si su diferencia con la verosimilitud del mejor camino sobrepasa un determinado umbral. Este umbral lo llamaremos como ndice t. Esto ltimo reduce la carga computacional de reconocimiento pero no mejora la performance de reconocimiento. Se presenta en la tabla 4 los resultados de reconocimiento para varios niveles de podado y la correspondiente duracin del reconocimiento. Tabla 4 Optimizacin podado t, s=4 Modelo% Correcto% ExactoDur.CI sin big.69.1354.821HCI big. t=20073.8770.482.45HCI big. t=10073.8770.481.13HCI big. t=5071.4366.840.37H El podado permiti reducir sensiblemente los tiempos de procesamiento sin una prdida importante de performance. La incorporacin de los Bigramas elev los tiempos de procesamiento de 1 hora a casi 3 horas. Un nivel de podado de 100 retorn los tiempos a los originales sin prdida de performance. Un valor de podado de 50 baja los tiempos an ms, pero a costa de reducir la performance. 2.6. Combinacin Bigramas y Modelos CD Se combin los Bigramas y los modelos CD en un nico sistema. Se presenta a continuacin los resultados de reconocimiento. En este caso se vuelve a optimizar el exponente de las Bigramas con los nuevos modelos fonticos. Se comparan en la siguiente tabla todos los sistemas intermedios obtenidos. Tabla 5 Optimizacin exponente Bigramas s para modelos CD y Bigramas Modelo% Correcto% ExactoCI sin big.69.1354.82CD sin big.75.9865.51CI big. s= 4, t=10073.8770.48CD big. s=2, t=10078.4671.61CD big. s=3, t=10078.6173.64CD big. s=4, t=10077.7174.77CD big. s=5, t=10077.0375.00 Se observa que los incrementos de performance a partir de los modelos CI, no son aditivos de cada una de las fuentes de conocimiento, CD y Bigramas, pero que sin embargo cada una aporta nueva informacin ya que la performance del sistema combinado es mejor que la obtenida por cada uno de ellos por separado. 3. Reconocimiento de Dgitos Telefnicos 3.1. Objetivo: El objetivo de esta etapa del trabajo es obtener una transcripcin en dgitos de un nmero de telfono emitido por un hablante en forma natural. El nmero podr ser dicho de cualquier manera, no necesariamente dgito por dgito, y de forma continua. Por ejemplo, el nmero 431-5970 puede ser expresado de las siguientes maneras: cuatro tres uno cinco nueve siete cero, cuatro treintiuno cincuentinueve setenta, etc. De esta manera la persona no est obligada a decir el nmero de telfono dgito por dgito, permitiendo as que el nmero sea emitido de forma natural. En los sistemas de este tipo, en general, se requiere una explicacin previa a la emisin para informar a la persona la manera en que se espera que exprese el nmero, lo cual no ser necesario en este caso. Sin embargo esta mayor libertad para el usuario complica el sistema desde distintos puntos de vista. En principio, el vocabulario deber tener una gran cantidad de palabras (comparado con los diez dgitos que seran necesarios en el otro caso) y la gramtica deber considerar las mltiples combinaciones de esas palabras. Esto a su vez provoca una disminucin importante en el porcentaje de reconocimiento respecto de un sistema con menor vocabulario. Por otra parte se generan complicaciones en el programa que traduce la cadena de palabras a dgitos, porque frente a dos o ms posibles traducciones ste deber elegir slo las que pueden ser nmeros de telfono (tiene siete dgitos). Si hay slo una posible ese ser el nmero reconocido. Por ejemplo, "cuatrocientos tres dos mil" puede traducirse como 40032000 4032000 pero slo el ltimo es un posible nmero de telfono y el programa deber elegir ese. Existen casos en que la forma de expresar el nmero es ambigua. Por ejemplo, el nmero expresado como trescientos dos cuatrocientos tres tiene dos posibles traducciones: 300-2403 302-4003. Esta ambigedad deber ser solucionada pidiendo al hablante que repita la emisin expresando el nmero de distinta manera. 3.2. Aplicaciones Este sistema podra ser utilizado siempre que una empresa o compaa necesite conocer el nmero de telfono del cliente que llama, por ejemplo para pedir arreglo en el caso de una compaa de telfono. Tambin podra utilizarse como dictado sin manos. 3.3. Solucin propuesta: Para este sistema se utilizaron los modelos fonticos contexto independiente debido a su menor nmero lo cual da mayor velocidad al sistema. La gramtica se estructur de manera de tomar todos las formas posibles de expresar un nmero de telfono. Para esto se consideraron la caracterstica y el nmero por separado. La caracterstica (de tres dgitos) es expresada, normalmente, de tres formas diferentes: dgito-dgito-dgito, dgito-dos dgitos, o tres dgitos. Por ejemplo 313 puede expresarse como tres uno tres, tres trece o trescientos trece. Estas tres posibilidades se ponen en paralelo en la gramtica. Anlogamente, para el nmero (de cinco dgitos) se consideraron seis formas diferentes de expresarlo, puestas estas tambin en paralelo. De esta manera se obtiene el nmero completo, teniendo en total dieciocho formas de expresar cada nmero. El primer bloque del sistema produce como salida una cadena de palabras que es el resultado del reconocimiento. Este resultado ser acorde con la gramtica anterior, acotndose as las posibilidades de error. El segundo bloque del sistema transforma esta cadena de palabras en dgitos. Esto se hace recorriendo la cadena por palabras y guardando la transcripcin en dgitos. Cada vez que aparece una posible ambigedad la lista se divide en dos continuando la transcripcin por separado para cada caso posible. Por ejemplo, se lee trescientos y a continuacin se lee dos. Esto podra corresponder a 302 3002. Esto depender de cul de las dos versiones sea coherente de manera que la cantidad de dgitos total sea siete. Entonces, en ese caso, se divide la lista en dos y se sigue leyendo el archivo para cada caso. Finalmente se elimina de la lista todos los elementos que no tengan siete dgitos. Si la lista final tiene ms de un elemento se pedir una nueva emisin expresando al nmero de diferente forma. Si tiene un solo elemento ese ser el resultado final del sistema. 3.4. Resultados de Reconocimiento Se recopil una base de datos de reconocimiento de numeros telefnicos emitidos en forma natural. Esta consta de 5 hablantes y cada uno emite 20 numeros. Los hablantes son de origen argentino, ms especficamente de Buenos Aires. Se comput el ndice de reconocimiento por numero telefnico. Los resultados de reconocimiento se presentan en la tabla siguiente, donde se detallan los resultados por hablante. Tabla 6 Reconocimiento Dgitos Hablante% DgitoMA100.00LU70.00P52.62CA55.00CL60.00Total67.67 Observamos que el porcentaje es bajo para la tarea encarada. Esto posiblemente se deba en parte a la gran cantidad de dialectos presentes en la base de entrenamiento y el dialecto nico de la base de reconocimiento. Otra razn es el uso de modelos CI en este experimento. Observamos tambin que existe una gran dispersin de resultados de reconocimiento por hablante. Lo cual se debera a que los modelos no son verdaderamente independientes del hablante. Analizando los resultados, detectamos muchos errores comunes en la pronunciacin de nmeros en espaol. Como ejemplos podemos citar la confusin entre las palabras cuatro y ocho, y las palabras siete y cero, etc. 4. Conclusiones y Tareas Futuras Se desarroll un sistema de un sistema de reconocimiento automtico de habla continua en idioma espaol con independencia del hablante. El mismo consta de modelos fonticos contexto dependiente y gramtica con modelo de lenguaje. Diversas mejoras son posibles al sistema. Entre estas podemos mencionar. Modelizacin de acentos de las vocales. En el sistema actual solo se cuenta con modelos fonticos de vocales no acentuadas. Implementacin de algoritmos de adaptacin al hablante. Al adaptar a cada hablante en particular se reduce la disparidad de resultados de reconocimiento entre diferentes hablantes. Recopilacin de una base de datos de hablantes nativos argentinos. La base utilizada, LATINO-40, contiene hablantes de diversos orgenes latinoamericanos. La performance del sistema mejorara si fuera entrenado con hablantes del mismo origen que los hablantes a reconocer. En cuanto al sistema de reconocimiento de nmeros telefnicos, se detallan a continuacin las tareas futuras. Uso de modelos CD. Esta implementacin permitira mejorar sensiblemente los resultados de reconocimiento. Optimizacin de velocidad para implementacin en tiempo real. El uso eficiente de esta tecnologa implica una respuesta rpida del sistema al usuario. Por lo tanto se pondr mucho esfuerzo en las optimizaciones necesarias para lograr este fin. Extensin de gramtica a nmeros no tradicionales (0-800, 107, etc.). Esto permitir una mayor flexibilidad del sistema. Referencias Rabiner L R.., Juang B., Fundamentals of Speech Recognition. Prentice Hall, (1993) Rabiner L R.and Schafer R. W., Digital Processing of Speech Signals. Englewood Cliffs, N.J.: Prentice Hall, (1978). Huang, X. D., Ariki, Y, Jack, ,M, Hidden Markov Models for Speech Recogniton, Edinburgh University Press, (1992) Young S. Large Vocabulary Continuous Speech Recognition: A review. IEEE Workshop on Speech Recogniton, Diciembre (1995). Z[/fghv: = M !(st #p%w%%%<&=&'(()))) *,,2,3,,,X..////00=2M23333Z5O8j8Q9s9&:5;úúúCJOJQJmH OJQJmH 5OJQJmH 6CJmH 5CJmH CJmH 5mH 6B*mH 6mH mH CJmH 5CJmH IZ[(Ngh8 9 : ; < = M =x$xx $S$ $Z[(Ngh8 9 : ; < = M = u!'(HNTUflrst< "#p%%%%%%%%%%%%%%%%&&&& &!&/&5&;&<&=&'())%).)/);) \ u!'(H-$$TFFi H$$$$$$x$$xHNTUflrst< "#p%%%%%x$$$x$xxC$$x-$$TFFi H$$$%%%%%%%%%%%%&&&& &!&/&5&;&<&=&dllll$x$$$-$$TFF= =&'())%).)/);)A)G)H)U)[)a)b)o)dhh-$$TFF -$$TFF_> $$$$$$x;)A)G)H)U)[)a)b)o)u){)|)))))) *,3,:,E,N,S,T,`,f,l,o,p,~,,,,,,,,,,,,,,,,X..///0 0 000"0#0/050;0<0P0V0\0]0p0v0|0}000000000000002=2M23Z5&:8:5;O;<>?BC `o)u){)|)))))) *,3,:,E,N,S,h$$$x$x$$x-$$TFF_> $$$S,T,`,f,l,o,p,~,,,,,,,,,,,,,,,pDŽDŽǀ$$$8$$TF\: ,,X..///0 0 000"0#0/050dd-$$TFFzY -$$TFFzY $$$$$$x$x$$x50;0<0P0V0\0]0p0v0|0}0000̄̀-$$TFFzY -$$TFFzY $$$ 000000000002=2M23Z5&:8:5;O;ҀҀ$xx x$x$$x$$$-$$TFFzY 5;O;H=U=Y=c=h=y=>?@@@@BDDDD EEEGGGGGGGGMMN:NNN!OCOWOYOZO`OaOmH CJOJQJmH OJQJmH 5OJQJmH 6CJmH CJmH mH *O;<>?BCDDDDDDDDDDDDDDDEE,($(("$$TF0_$$$$$$xCDDDDDDDDDDDDDDDEEE E EEEEE*FFGGHIIBJSKK+LMMMMkNNWOXOYOZO[O\O]O^O_O`OaO  4EE E EEEEE*FFGGHIIBJSKK+LM4 & Fx h7xx$x$$x"$$TF0_$$$MMMMkNNWOXOYOZO[O\O]O^O_O`OaO $d$ & Fx h770&P . A!n"S#$%7S0 j$: 00&P . A!n"S#$%7S0 j$6 00&P . A!n"S#$%7S P jFO0-9lO0@5$P0諞Pt5$P0苞\;85$P0p\s90tP5$P0$Et39E;`O0t = O0,9u`/P0 O0jHXQO0 O0 `O0`PO0E쉳5X P0TO0j`O0}HHh [$@$NormalmH F@FTtulo 1$$S@& 5CJmH ,Ttulo 2$$x@&C$Eƀ{2&CJmH ,6@6Ttulo 3 $$@&6mH ,FA@FFuente de prrafo predeter.DB@DTexto independiente$5B*FP@FTexto independiente 2$CJFQ@FTexto independiente 3$CJ:+":Texto nota al final>*@1>Ref. de nota al finalH*VC@BVSangra de t. independiente $mH ,bR@RbSangra 2 de t. independiente $xCJmH ,0b0Texto nota pie:&@q:Ref. de nota al pieH*JT@JTexto de bloque$S7CJmH ,44 Encabezado  C": @: Pie de pgina  C"bSbSangra 3 de t. independiente $xCJmH ,aK:=aKv9vuv5;aO)6H%=&o)S,,500O;EMaO*,-./1234579:;)CaO+08l ,b$TEˮHQDu@0(  B S  ?aK 16BF^a!!!!!! " "$"'"""""""6%9%K%N%e%h%%%N(Q([(^(s(v(((((,,*,-,?,B,`,c,,,,,,,h4i4w9y9????B?o?????????@@ @ @@@ @1@2@2@3@3@B@T@@@@@@@@@@@@@@@@@@@@@@AAAAAAAA A A AAAAAAAAAAA%AB=CsCCCDD'E6EuE}EEEEEIIIIIIIIIIIIIIIIJJJJJ(J)J+J,J2J3J:J!0dLLModelos AR y STFTSABI 99Adriana y Gustavoa}E} E龧lO0@VSCH P0EUuS9HEt8L@u/9x̷jppxh$P0C驷 P0靷u長j!Sh)] ;{j_WpHx]E'EEEPx褄tSSuxS!-u؍}ufE܍EPEPEPu)SuxS,uVuxu}EP$EPSj5lO0LPHP|POh+'0  4 @ L Xdlt|Modelos AR y STFTdSABI 99Adriana y Gustavoddri Normal.dotuarm83mMicrosoft Word 8.0@űL@`@(X@, we !>-&&L- "--%d ?&2<?O[BhwE})<}k &3BRO3[k&wkwOk ng&6?CNO_kxgKUN?#'66CKO_kx9<RR,X92*7CSw_l{tng *--&&-- "--%dh q&2?OK[khw<ag d  q&3BOn[Nk[w##?? k[&6wCqO_)kx/dB}qz'6CwO_kkx/8RNK*7zCST_Bl5{,khUk6#^#^*K--&&-- "--%d) k?&2 ?O/[hwz&aEH ,&a3BO[ kw, B k 5&a6CgO_kx[X)'&6#C}Ok_ kx9 k}<*67CS_l{gn<wX*5--&&F- "--%d) &q2?O [hwk#n  9 &R3HBO<[kw}nK} q&,6CO_kxdzdz9'n6HC2O?_kRx,#eatHO*E7C9Se_l{3)?d*--&&O-  "--%dNQ &62g?9O[hwgka #R&3BO[kwwn K&6CnO_Ekxz? w9d',6CdO_kXx#<<Xw*7CtS_Nl{ )Xg9<[k*--&&\- "--%da ^/&2d? O?[BhwwE,&mB R&3BO[Uktw#)9XE5   kB&g6CO_wkxBH Etg'/6gCO_)kxqtHwn*B75CS_l{qw}^*--&&b- "--%d  &d2 ?O[[hwn R?,X N&&3,B5O[[2kwgzREBz ?&6)CON_?kxka</Xg'6aCO^_qkxOk}nR#*d7CSg_al{H Xa?*?--&& - ՜.+,D՜.+,t0 px  Isabel PassoniFacultad de IngenieriaLL  Modelos AR y STFT Ttulo 6> _PID_GUIDAN{2D0C0207-5209-11D1-9C8F-002018703A1F}--%dt ^a&2 ?O<[hwaa&,&d &3?B}Ok[kw29wR[q^ q&H6hCO_?kxHE&Ew# '6BCXO_kex&XEk*K7CS#_nl{5k<g6<*--&&- "--%d &H2?O[Ehw<N HU^ U&3)BaO[EkKw&&&} ^&6&CzO)_wk9x'&6CkO_nkxe9ka 5*7KCS2_lK{B#*n--&&9-  "--%dk ^&2?;O[hw,d  /N&3B#OR[k,wd?X &6CkO_kkxHk^?5d ^'6COOX_kxm3R E*7tCS_l#{  )R*--&&9- "--%dtk k&t2[??O}[zh/wH,^#/ &3B)O[kgw#nka [&6CO_k#x5N#^/'6ECO_kx ,RwN9*7CS#_l{BN z&*;--&&V-  "--%d & &2k?O^[hw 6OB3 U&H3B OE[5kawdnU &?6RCOO_kgx<HB#'/6nCO_kx}#*7XCS _l{dqXHk)*--&&- "--%d wU&2?O[hwN/3  &3BOH[kw9wNz n&6?CO5_kxkH2d'6COR_kxKXRR2*[7CS5_Hl/{ &^t[ [*--&&h- "--%d< )&2? O2[,hw#kR ,&}39BOX[k}wtEN }&6CO_kxRdEk'6C O)_kxj2?*7C/S)_lw{n Bka*}--&&k  !"#$%&'()*+,-./0123456789:;=>?@ABCDEFGHIJKMNOPQRSUVWXYZ[^Root Entry F3Xυze`1Table<MWordDocumentvSummaryInformation(LDocumentSummaryInformation8TCompObjk  FDocumento Microsoft Word MSWordDocWord.Document.89qࡱࡱ> ]_\Oh+'0  4 @ L Xdlt|Modelos AR y STFTdSABI 99Adriana y Gustavoddri Normal.dotuarm84mMicrosoft Word 8.0@dL@`@(X@&| >-&&L- "՜.+,D՜.+,t0 px  Isabel PassoniFacultad de IngenieriaJL  Modelos AR y STFT Ttulo 6> _PID_GUIDAN{2D0C0207-5209-11D1-9C8F-002018703A1F}--%dt ^a&2 ?O<[hwaa&,&d &3?B}Ok[kw29wR[q^ q&H6hCO_?kxHE&Ew# '6BCXO_kex&XEk*K7CS#_nl{5k<g6<*--&&- 5;O;H=U=Y=c=h=y=>?@@@@BDDDD EEEGGGGGGGGMMN:NNN!OCOWOYOZO`OaOvvmH CJOJQJmH OJQJmH 5OJQJmH 6CJmH CJmH mH ,70&P . A!n"S#$%7S0 j$: 00&P . A!n"S#$%7S0 j$6 00&P . A!n"S#$%7S P j MMMMkNNWOXOYOZO[O\O]O^O_O`OaOvv $d$ & Fx h7 [$@$NormalmH F@FTtulo 1$$S@& 5CJmH ,Ttulo 2$$x@&C$Eƀ{2&CJmH ,6@6Ttulo 3 $$@&6mH ,FA@FFuente de prrafo predeter.DB@DTexto independiente$5B*FP@FTexto independiente 2$CJFQ@FTexto independiente 3$CJ:+":Texto nota al final>*@1>Ref. de nota al finalH*VC@BVSangra de t. independiente $mH ,bR@RbSangra 2 de t. independiente $xCJmH ,0b0Texto nota pie:&@q:Ref. de nota al pieH*JT@JTexto de bloque$S7CJmH ,44 Encabezado  C": @: Pie de pgina  C"bSbSangra 3 de t. independiente $xCJmH ,_K:=_Kv9vuvIIkJJWKXK`K@ 5;v)6H%=&o)S,,500O;EMv*,-./1234579:;)CaO+08l ,b$TEˮHQDu@0(  B S  ?_K 16BF^a!!!!!! " "$"'"""""""6%9%K%N%e%h%%%N(Q([(^(s(v(((((,,*,-,?,B,`,c,,,,,,,h4i4w9y9????B?o?????????@@ @ @@@ @1@2@2@3@3@B@T@@@@@@@@@@@@@@@@@@@@@@AAAAAAAA A A AAAAAAAAAAA%AB=CsCCCDD'E6EuE}EEEEEIIIIIIIIIIIIIIIIJJJJJ(J)J+J,J2J3J:J!0dJLModelos AR y STFTSABI 99Adriana y GustavoaI aObjbj xWK]vvv4BhH\lB )18T 8($)+~(p(9vv999vlBBvvvv9~9r,p-W&|B}Root Entry F3Xp-W&|1Table<MWordDocument~xSummaryInformation(  !"#$%&'()*+,-./012345d89f=>?@ABCDEFGHIJK7ehijklmnopqrstuvwxyz{|}DocumentSummaryInformation8 CompObjk0TablegH, (X@&| >՜.+,D՜.+,t0 px  Isabel PassoniFacultad de IngenieriaJL  Modelos AR y STFT Ttulo 6> _PID_GUIDAN{2D  FDocumento Microsoft Word MSWordDocWord.Document.89qࡱOh+'0  4 @ L Xdlt|Modelos AR y STFTdSABI 99Adriana y Gustavoddri Normal.dotuarm84mMicrosoft Word 8.0@dL@`@0C0207-5209-11D1-9C8F-002018703A1F}