T-ESPE-058123

1
Diseño de un clasificador para la identificación de los sonidos emitidos por aves mediante técnicas de
aprendizaje no supervisado y aprendizaje profundo
Herrera Jaramillo, Estefania Alejandra
Departamento de Eléctrica, Electrónica y Telecomunicaciones
Carrera de Ingeniería en Electrónica y Telecomunicaciones
Trabajo de titulación, previo a la obtención del título de Ingeniera en Electrónica y
Telecomunicaciones
Ing. Carrera Erazo, Enrique Vinicio
15 de agosto del 2023

2
3
4
5
6
Dedicatoria
Este gran logro lo dedico a mis padres y familia en general que siempre estuvo apoyándome y
aconsejándome en los momentos duros de esta etapa; a Dios por llenarme de salud, de fuerza y
sabiduría que me ayudó a enfrentar las grandes batallas y llegar a cumplir mis metas. No importa el
tiempo que te demores en llegar a la cima, solo se trata de seguir avanzando y subir.
Estefania Alejandra Herrera Jaramillo

7
Agradecimiento
Doy gracias a Dios por llenarme de salud y sabiduría y permitirme cada día seguir con fuerza y
constancia cada etapa de mi vida, por guiar mi camino y llenarme de valor para seguir adelante.
Agradezco de todo corazón a mis padres y hermanos que son el motor de mi vida y son testigos de todo
el esfuerzo por alcanzar mis metas, todo su amor y sus enseñanzas me ayudaron a formarme personal y
profesionalmente, ser fuerte y superarme cada día. A toda mi familia por sus consejos, su apoyo
brindado y por no dejarme vencer en cada paso durante esta etapa universitaria.
Agradezco a mi novio que estuvo a mi lado todo este camino lleno de obstáculos, y me ayudó a
superarlos. Gracias por creer en mí cuando a veces ni yo lo hacía, su confianza y su apoyo
incondicionales mi luz en esos momentos de oscuridad.
Quiero agradecer especialmente al Ing. Carrera Vinicio por toda su paciencia y su ayuda durante el
desarrollo del proyecto y el conocimiento transmitido para culminar con éxito este trabajo de
investigación.
Estefania Alejandra Herrera Jaramillo

8
Índice de Contenidos
Resumen...................................................................................................................................................... 12
Abstract ....................................................................................................................................................... 13
Capítulo I ..................................................................................................................................................... 14
Introducción ............................................................................................................................................ 14
Antecedentes ....................................................................................................................................... 14
Objetivos.............................................................................................................................................. 15
Metodología ........................................................................................................................................ 16
Organización ....................................................................................................................................... 17
Capítulo II .................................................................................................................................................... 18
Marco Teórico ......................................................................................................................................... 18
Aves en peligro de extinción del Ecuador ............................................................................................. 18
Pre-procesamiento de Audio ............................................................................................................... 19
Redes Neuronales ................................................................................................................................ 24
Métricas de Rendimiento ..................................................................................................................... 34
Capítulo III ................................................................................................................................................... 36
Materiales y Métodos ............................................................................................................................. 36
Pre-Procesamiento .............................................................................................................................. 38
Entrenamiento ..................................................................................................................................... 41
Capítulo IV ................................................................................................................................................... 48
Resultados ............................................................................................................................................... 48
Autoencoders más un clasificador simple ............................................................................................ 48
Redes Recurrentes de corto y Largo Plazo (LSTM) ............................................................................... 57
Capítulo V .................................................................................................................................................... 65
Conclusiones ........................................................................................................................................... 65
Trabajos Futuros...................................................................................................................................... 66
Bibliografía .................................................................................................................................................. 67
9
Índice de Tablas
Tabla 1 Funciones de Activación de las Redes Neuronales Artificiales ....................................................... 25

Tabla 2 Algoritmos de Aprendizaje no Supervisado .................................................................................... 27
Tabla 3 Matriz de Confusión ....................................................................................................................... 34
Tabla 4 Parámetros Regularizadores de los Autoencoders ......................................................................... 44
Tabla 5 Resultados al realizar pruebas utilizando Autoencoders en los diferentes escenarios .................. 56
Tabla 6 Resultados de las pruebas realizadas con diferentes variaciones .................................................. 62
Tabla 7 Resultados de las pruebas realizadas al modificar el orden de los coeficientes LPCs .................... 64
10
Índice de Figuras
Figura 1 Aves Silvestres en todo el Ecuador ................................................................................................ 18

Figura 2 Segmentación de la señal de audio ............................................................................................... 21
Figura 3 Ventana Hamming en el dominio del tiempo y de la frecuencia, respectivamente...................... 22
Figura 4 Red Neuronal Artificial/Biológica .................................................................................................. 25
Figura 5 Estructura de un Autoencoder ...................................................................................................... 29
Figura 6 Estructura básica de una Red Neuronal Recurrente (RNN) a lo largo del tiempo......................... 31
Figura 7 Arquitectura de la red LSTM.......................................................................................................... 33
Figura 8 Diagrama de Bloques del modelo de Clasificación........................................................................ 36
Figura 9 Base de Datos de los sonidos de las Aves del Ecuador .................................................................. 37
Figura 10 Amplitud de la señal normalizada a una escala entre 0 y 1........................................................ 38
Figura 11 Señal Segmentada en 20 ms ....................................................................................................... 39
Figura 12 Energía de cada uno de los segmentos de la señal de audio ...................................................... 40
Figura 13 Señal Normalizada con transformada de Fourier ....................................................................... 41
Figura 14 Total de los segmentos distribuidos para el entrenamiento y test ............................................. 42
Figura 15 Diagrama del Autoencoder con la capa oculta de 400 neuronas ............................................... 43
Figura 16 Segmentos de la señal de audio en serie .................................................................................... 45
Figura 17 Capas de la red LSTM .................................................................................................................. 46
Figura 18 Opciones de optimización de la red LSTM ................................................................................... 47
Figura 19 Exactitud del sistema con a) una capa oculta, b) dos capas ocultas y c) tres capas ocultas. ..... 49
Figura 20 Matriz de Confusión con 10 audios ............................................................................................. 50
Figura 21 Comportamiento del error cuadrático medio con 10 audios ...................................................... 51
Figura 24 Matriz de Confusión con 100 audios ........................................................................................... 52
Figura 25 Comportamiento del error cuadrático medio con 100 audios .................................................... 53
Figura 30 Matriz de Confusión con 100 audios ........................................................................................... 55
Figura 31 Comportamiento del error cuadrático medio con 100 audios .................................................... 56
Figura 32 Rendimiento del sistema con 10 audios y utilizando coeficientes LPC ........................................ 58
Figura 33 Rendimiento del sistema con 10 audios sin utilizar coeficientes LPC .......................................... 58
Figura 34 Rendimiento del sistema con 60 audios y ventanas de 500 ms .................................................. 59
Figura 35 Rendimiento del sistema con 60 audios y ventanas de 900 ms .................................................. 60
Figura 36 Rendimiento del sistema con 100 audios y ventanas de 500 ms ................................................ 61
Figura 37 Rendimiento del sistema con 130 audios y ventanas de 500 ms ................................................ 62
11
Figura 38 Rendimiento del sistema con 100 audios y un orden de 64 coeficientes LPC ............................. 63
Figura 39 Rendimiento del sistema con 130 audios y un orden de 64 coeficientes LPC ............................. 64
12
Resumen
Durante estos últimos años el hombre ha ido evolucionando y expandiendo más su territorio, ocupando
gran parte de los espacios naturales donde existen variedades de especies silvestres, destruyendo así su
habitad. Estas especies han disminuido su número al ser utilizadas por el hombre para su subsistencia,
llevando algunas a su extinción. Para evitar este suceso se han creado centros de apoyo para proteger la
fauna silvestre del mundo, ya que cada especie contribuye a mantener el equilibrio en la biodiversidad
del planeta; entre estas especies se encuentran las aves, por lo que es importante mantenerlas en
continuo monitoreo. Una de las formas para preservar las especies de aves en peligro de extinción es
clasificarlas para identificar las necesidades de cada una. El proceso de observación de las aves puede
tomar de días a semanas o hasta meses para identificar los distintos tipos que puedan encontrarse en
una determinada región. Con este proyecto se busca facilitar la clasificación de las aves, automatizando
el proceso por medio de inteligencia artificial aplicando modelos de aprendizaje no supervisado y
aprendizaje profundo, desarrollando así un clasificador que permite identificar las diferentes especies de
aves por medio de su canto. Este clasificador presentó resultados de su rendimiento mediante la
exactitud y el error cuadrático medio, para la extracción de características por medio de autoencoders
más el clasificador softmax llegó a obtener un porcentaje del 99.2% y un error del 0.0025954, y para el
modelo utilizando redes recurrentes LSTM se llegó a obtener un porcentaje del 85.67% utilizando una
mayor cantidad de audios.
Palabras clave: inteligencia artificial, redes neuronales, aprendizaje de máquina, aprendizaje
profundo.
13
Abstract
During these past years, humans have been evolving and expanding their territory, occupying a huge
portion of the natural spaces where various wild species exist, thus destroying their habitat. These
species have seen a decrease in their numbers as they have been used by humans for sustenance,
leading some to extinction. To prevent this occurrence, support centers have been established to
protect the world's wildlife, as each species contributes to maintaining the balance in the planet's
biodiversity; among these species are birds, making it important to keep them under continuous
monitoring. One of the ways to preserve endangered bird species is by classifying them to identify the
specific needs of each one. The process of bird observation can take days, weeks, or even months to
identify the diverse types that can be found in a particular region. This project aims to streamline the
classification of birds by automating the process through artificial intelligence using unsupervised
learning models and deep learning, thus developing a classifier that can identify different bird species
based on their calls. This classifier demonstrated its performance with metrics such as accuracy and
mean squared error. For feature extraction using autoencoders plus the softmax classifier, it achieved a
percentage of 99.2% and an error of 0.0025954. For the model utilizing recurrent LSTM networks, a
percentage of 85.67% was achieved, especially with a larger quantity of audio samples.
Keywords: artificial intelligence, neural networks, machine learning, deep learning.

14
Capítulo I
Introducción
Antecedentes
Existen diferentes especies de fauna silvestre a nivel mundial, las cuales se encuentran
amenazadas por el aumento excesivo de la población humana presentando varios factores que los han
llevado a estar en una situación de extinción. Todas las especies de animales forman una parte
importante de la diversidad biológica del planeta que nutren y mantienen en equilibrio el ecosistema
(Capacete, 2019); por ello, las aves también son especies importantes que necesitan ser protegidas ya
que a diario invaden y destruyen su habitad natural reduciendo su población.
Algunas especies de aves silvestres se encuentran en peligro de extinción, por esta razón existen
organizaciones que se encargan de recopilar información y realizar un monitoreo diario para la
conservación de esta especie. Durante estos años se han registrado un total de 10622 especies de aves a
nivel mundial que se pueden observar en la plataforma web eBird; los países que presentan una mayor
diversidad de aves son Colombia, Perú, Ecuador, Brasil e Indonesia que sobrepasan las 1500 especies de
aves (eBird, 2022).
Ecuador se encuentra entre los cinco países con mayor número de aves presentando un total de
1660 especies (eBird, 2022), considerando las provincias que más observaciones se ha tenido de las
diferentes especies de aves se encuentra liderando Napo, Sucumbíos y Morona Santiago (Cajas &
Villalva, 2019). Cada institución dedicada a realizar el monitoreo de las aves emplea distintos métodos
que les permiten obtener resultados óptimos, entre los centros de monitoreo que existen en el Ecuador
se encuentra el Centro de Investigación, Posgrado y Conservación Amazónica (CIPCA) que realiza una
técnica para el registro de las aves de forma visual y por medio de las grabaciones de los cantos de cada
una de las especies (Shiguango & Bañol, 2020).

15
Al pasar los años se han implementado nuevas técnicas para el monitoreo de las diferentes
especies de aves, en general, cada espécimen emite sonidos o llamados representativos de la especie
para comunicarse entre sí, por lo que los nuevos métodos de monitoreo integran patrones de sonidos
para identificar con mayor efectividad y emplear un método menos invasivo para las especies que se
necesiten realizar el estudio. Por otro lado, el reconocimiento de audio presenta cada vez una mayor
aplicación de los sistemas de aprendizaje automático, actualmente se utilizan técnicas como el
aprendizaje no supervisado y el aprendizaje profundo que permiten realizar la identificación del sonido
mediante una extracción de características, en la cual el sistema realiza de forma automática todo el
procesamiento del sonido. Los modelos de aprendizaje no supervisado y aprendizaje profundo tienen
una mayor accesibilidad en la identificación de los sonidos de las diferentes especies de aves por la
complejidad que se presenta para estudiarlas visualmente.
Objetivos
General
Diseñar un sistema que permita la clasificación de audios mediante técnicas de aprendizaje no
supervisado y aprendizaje profundo para la identificación de los sonidos emitidos por las aves.
Específicos
● Investigar las técnicas de aprendizaje automático y aprendizaje profundo para tareas de
procesamiento y clasificación de audio.
● Determinar las mejores bases de datos existentes con sonidos de las diferentes especies de
aves.
● Implementar el modelo de autoencoder para automatizar el proceso de extracción de
características y posterior clasificación.

16
● Comparar el modelo anterior con esquemas basados en aprendizaje profundo para establecer
las tendencias en cuanto a exactitud de clasificación.
● Evaluar el sistema de reconocimiento de los sonidos de las aves mediante una interfaz iterativa
realizada en el software Matlab.
Metodología
El desarrollo del sistema para el procesamiento de audio empieza mediante una investigación
del estado del arte de las técnicas de aprendizaje no supervisado como son los autoencoders y el
aprendizaje profundo. Adicionalmente, se realizará una recopilación de información sobre las mejores
bases de datos en la cual se encuentre los sonidos emitidos de diferentes especies de aves.
Se procede entonces a realizar la implementación del sistema para la identificación de los
sonidos emitidos por las aves con la ayuda del software Matlab, en la cual se realiza el procesamiento de
la señal de audio ingresada de la base de datos que proporciona la plataforma seleccionada; mediante el
modelo de aprendizaje no supervisado se automatiza el proceso de extracción de las características
utilizando autoencoders y se añade una capa softmax para la clasificación (Angulo, 2020).
Posteriormente, mediante el desarrollo por modelos de aprendizaje profundo, las señales de audio
obtenidas de la base de datos ingresarán en el algoritmo de redes neuronales recurrentes (RNN), los
cuales cuentan con capas que realizan la función de extracción de características y clasificación de los
datos (González J. , 2021). Al extraer los resultados finales, se aplicarán métricas de evaluación para
medir el rendimiento de los modelos utilizados, las cuales pueden ser: matriz de confusión, exactitud,
sensibilidad, precisión o puntuación F1 (Altamirano, 2021).
Finalmente se implementará el sistema de procesamiento y reconocimiento de audio mediante
el diseño de una interfaz iterativa en Matlab que realiza la identificación de los sonidos emitido por las
aves utilizando técnicas de aprendizaje no supervisado y aprendizaje profundo para su comparación.

17
Organización
El documento relata todo el proceso a desarrollar para realizar el trabajo de investigación
propuesto, en el cual toda la información se encuentra organizado en cinco capítulos que describe cada
una de las etapas que se siguió para llegar a la solución y poder tener una lectura más comprensiva.
En este primer capítulo se especifica una breve introducción que acoge los antecedentes del
proyecto, la justificación, la importancia, la metodología y los objetivos planteados para el trabajo de
investigación.
El segundo capítulo detalla el marco teórico, donde se presentan los conceptos básicos de las
técnicas principales que se utilizan para el desarrollo del trabajo de investigación, profundizando con
mayor detalle estos temas para una mejor comprensión de las bases en las que se sustenta este
proyecto.
En el tercer capítulo se describe la metodología utilizada para el sustento y desarrollo del
proyecto, indicando paso a paso el proceso que se debe seguir para cumplir todos los objetivos
planteados.
El cuarto capítulo presenta los resultados obtenidos de las múltiples evaluaciones realizadas
con los modelos y la comparativa para determinar el modelo más eficiente. Además, se proporcionan
ideas (basadas en experiencia) para un desarrollo más efectivo de este proyecto o de proyectos que se
deriven de este.
En el quinto capítulo se detallan las conclusiones que se obtuvieron en este trabajo de
investigación y propuestas de trabajos futuros para mejoras que se pueda realizar a este sistema de
clasificación.
18
Capítulo II
Marco Teórico
Aves en peligro de extinción del Ecuador
El Ecuador es un país con una alta variedad de especies de aves silvestres como se pude
visualizar en la ¡Error! No se encuentra el origen de la referencia., donde se encuentran alrededor de
1660 especies de aves distribuidas en todas las regiones, y se mantienen en continuas observaciones
por el alto índice de aves que se encuentran en peligro de extinción. Cada una de las especies se las
puede reconocer auditivamente mediante los cantos y llamados, cuyos sonidos se diferencian por la
información a transmitir, estas formas de relacionarse permiten identificarlas con mayor rapidez ya que
es compleja su visibilidad por el habitad en el que viven (González, Padrón, Barbero, Custodio, &
Merchán, 2019).
Figura 1
Aves Silvestres en todo el Ecuador

19
Muchas de estas especies de aves están vulnerables ante el crecimiento excesivo de la
población humana, que las caza por su colorido plumaje entre otras características. Esta actividad ha
llevado a la extinción de 6 especies en el país, y ha puesto a un gran número en diferentes categorías
por su severidad, estas son: 10 en peligro crítico (CR), 16 en peligro (EN), 63 como vulnerable (VU), 85
en margen de riesgo (MR) y 25 en datos insuficientes (DD) (Chanco & Narváez, 2018). Para reducir estos
valores y conservar la fauna silvestre del país se ha implementado en ciertos lugares sistemas de
monitoreo diario utilizando los sonidos emitidos por las diferentes especies de aves que pueden ser
cantos o llamados y permiten mantenerlas en constante vigilancia, dependiendo el comportamiento
que presenten las aves en el momento emiten varios sonidos característicos cada uno con un mensaje
diferente.
Las aves para relacionarse entre sí utilizan sus cantos, los cuales presentan una mayor
complejidad para el monitoreo ya que su estructura cuenta con notas o una serie de segmentos
diferentes en todo el sonido; en cambio los sonidos que realizan para comunicar una información lo
hacen mediante los llamados que están formados por repeticiones que ayudan a identificar con más
detalle el tipo de ave que lo está emitiendo (González, Padrón, Barbero, Custodio, & Merchán, 2019).
Estas muestras de audio se las puede encontrar en el sitio web Aves del Ecuador, el cual
contiene bases de datos de los cantos y llamados de las diferentes especies de aves silvestres del
Ecuador (bioWeb Ecuador, 2018).
Pre-procesamiento de Audio
Normalización
Las señales que ingresan deben presentar datos que pueden ser reconocidos por el sistema,
estas señales presentan amplitudes de diferentes escalas, y algunas pueden ser negativas. Por ello se
realiza un ajuste de los valores a un mismo rango, ya que el algoritmo utilizado de aprendizaje no
20
supervisado no acepta ese tipo de datos. Para alinear las medidas de tendencia de cada una de las
señales que van ingresando para su respectivo procesamiento, se utiliza la normalización basada en la
unidad. Esto quiere decir que todos los datos se escalan a un rango entre 0 y 1 de amplitud, este
método evita distorsiones en los resultados, excluyendo valores de la base de datos erróneos. La
normalización se realiza mediante la ecuación ( 1 ), en la cual, se cambia los valores máximos y mínimos
de cada señal.
𝑆 − 𝑆𝑚𝑖𝑛
𝑟̂𝑙 = (1)
𝑆𝑚𝑎𝑥 − 𝑆𝑚𝑖𝑛
En donde 𝑟̂𝑙 es la señal normalizada, S la señal original, 𝑆𝑚𝑖𝑛 los valores mínimos y 𝑆𝑚𝑎𝑥 los
valores máximos que presenta la señal.
Segmentación
Las señales de audio presentan longitudes diferentes que retrasan el procesamiento por la gran
cantidad de datos que ingresan, por ello, se realiza un proceso de segmentación que trata de dividir las
señales en fragmentos más pequeños de igual longitud para la mejora computacional y la facilidad de
aprovechar los segmentos que contengan información válida para el proceso. Esta segmentación
representa el número de muestras en base a la frecuencia de muestreo del audio de entrada (Martínez
S. , 2020). La longitud está definida por el tiempo de duración del segmento, y este tiempo depende de
la frecuencia de muestreo. En la ¡Error! No se encuentra el origen de la referencia. se muestra una
representación de la segmentación de la señal de audio.

21
Figura 2
Segmentación de la señal de audio
Se han considerado dos formas de realizar la segmentación de una señal de audio, las cuales
son:
Con solapamiento: cada fragmento se sobrepone uno del otro en un pequeño porcentaje,
repitiéndose ciertos datos en los segmentos posteriores.
Sin solapamiento: los segmentos serán continuos, es decir, no existirá separación entre dos
segmentos adyacentes.
Para facilitar la selección de los segmentos con más información útil, al realizar la segmentación,
se considera escoger tiempos bastante pequeños. El modelo con solapamiento fue utilizado para el
desarrollo de este trabajo de investigación, porque disminuye la pérdida de información duran el
procesamiento de la señal de audio.
Ventana de Hamming
Las señales segmentadas pueden tener transiciones bruscas que generan distorsiones al obtener
la FFT, por tal motivo es necesario realizar el proceso de ventanado para mejorar la dispersión y
22
resolución espectral de las señales (Martínez S. , 2020). El resultado de este proceso es una señal sin
discontinuidades mediante el producto con la función matemática que representa la ventana
suavizante. La función de ventana tiene efecto en el cambio del espectro de frecuencia de la señal y
depende de sus características se puede escoger entre varios tipos de ventanas.
En este proyecto se utiliza la ventana de Hamming, propuesta por Richard W. Hamming, para
obtener una buena resolución de la frecuencia y suavizar los datos antes de realizar la FFT, así poder
adecuar de una forma aceptable las mediciones ruidosas (Rodriguez, 2020).
La representación gráfica de la ventana de Hamming se observa en la ¡Error! No se encuentra el
origen de la referencia., en la cual se muestra a la izquierda la respuesta en el dominio del tiempo y a su
derecha en el dominio de la frecuencia.
Figura 3
Ventana Hamming en el dominio del tiempo y de la frecuencia, respectivamente
Nota. Recuperado de: (Rodriguez, 2020)
La ecuación de la ventana de Hamming en el dominio del tiempo es:

23
2𝜋𝑛
𝑊𝐻 (𝑛) = 0.54 − 0.46 cos (2)
𝑀−1
La ecuación de la ventana de Hamming en el dominio de la frecuencia es:
𝑁−1
𝑗𝑤
𝑊𝐻 (𝑒 ) = ∑ 𝑊𝐻 (𝑛)𝑒 −𝑗𝑤𝑛 (3)
𝑛=0
Coeficientes LPCs
Los coeficientes de predicción lineal (LPC) se utiliza con mayor frecuencia en el tratamiento de
las señales de audio, reduciendo al mínimo el error de predicción. Se utiliza en la aplicación de filtros y
codificación de voz (MathWorks, 2023). Los LPCs se los consideran filtros FIR que modela el tracto vocal
y su ecuación es:
𝑠(𝑛) = ∑ 𝑠(𝑛 − 𝑘)𝑎𝑘 + 𝐺𝑢(𝑛) (4)

𝑘=1
Donde 𝑠(𝑛) es la señal original, 𝑎𝑘 es el conjunto de coeficientes de predicción y 𝑝 es el orden
del filtro, cuyo valor debe ser menor e igual a la longitud del conjunto de entrada. Para obtener el error
de predicción 𝑒(𝑛) se aplica la ecuación ( 5 ):
𝑒(𝑛) = 𝑠(𝑛) − 𝑠 ′ (𝑛) = 𝐺𝑢(𝑛) (5)
Donde 𝑠 ′ (𝑛) es la señal predicha y 𝐺𝑢(𝑛) es la ganancia (García, Gallego, Domínguez, Correa, &
Rodríguez, 2017).
24
Potencia Promedio
En una señal de audio existen segmentos que no presentan una fuerte intensidad en el sonido,
por lo tanto, se busca identificar aquellos donde la fuerza del sonido aumenta ya que cuentan con
mayor información que puede analizarse. Esta intensidad se la puede medir como el flujo medio de
energía (potencia) y su ecuación es:
𝐸 = ∫ |𝑥(𝑡)|2 𝑑𝑡 (6)
−∞
Donde 𝑥(𝑡) es cada uno de los segmentos de la señal de audio (Rosario, 2017).
Redes Neuronales
El aprendizaje automático es una de las ramas de la Inteligencia Artificial en las que se basan las
redes neuronales, las cuales están inspiradas en el funcionamiento del cerebro humano. Están
estructuradas de componentes básicos o nodos (neuronas), los cuales se encuentran interconectados de
tal manera que permiten adaptarse a cualquier cambio, para procesar información y producir una salida
óptima, acorde a las necesidades del ámbito para el cual fueron diseñadas.
La red neuronal es un tema que se ha tratado desde el año 1943 basando su diseño y
funcionamiento de las redes neuronales biológicas relacionando cada una de sus partes como lo
muestra la ¡Error! No se encuentra el origen de la referencia.. Se han presentado casos como el de W.
McCulloch y W. Pitts que propusieron el funcionamiento del modelo basado de una neurona natural, su
desarrollo se detuvo en vista de la necesidad de una alta potencia computacional que no era suficiente
en esos tiempos en que la tecnología empezaba con su evolución, siendo una de las razones que
imposibilitaron el entrenamiento profundo de la red.

25
Figura 4
Red Neuronal Artificial/Biológica
Nota. Recuperado de: (Oña, 2020)
Las expresiones matemáticas de las funciones de activación utilizadas en el área de las redes
neuronales artificiales se muestran en la Tabla 1.
Tabla 1
Funciones de Activación de las Redes Neuronales Artificiales
Función de Activación Ecuación Ejemplo Gráfico
Adaline, linear
Linear ∅(𝑧) = 𝑧
regression
Unit Step (Heaviside 0 𝑧<0 Perceptron

∅(𝑧) = { 0.5 𝑧 = 0
Function) 1 𝑧>0 variant
−1 𝑧 < 0 Perceptron
Sign (signum) ∅(𝑧) = { 0 𝑧 = 0
1 𝑧>0 variant
26
Función de Activación Ecuación Ejemplo Gráfico
0 𝑧 ≤ − 1⁄2 Support vector

Piece-wise Linear ∅(𝑧) = 𝑧 + 1⁄2 − 1⁄2 ≤ 𝑧 ≤ 1⁄2
{ 1 𝑧 ≥ 1⁄2 machine
Logistic
1
Logistic (sigmoid) ∅(𝑧) = regression,
1 + 𝑒 −𝑧
Multilayer NN
Hyperbolic Tangent Multilayer NN,

𝑒 𝑧 − 𝑒 −𝑧
∅(𝑧) =
(tanh) 𝑒 𝑧 + 𝑒 −𝑧 RNNs
Multilayer NN,
ReLU 0 𝑧<0
∅(𝑧) = {
𝑧 𝑧>0
CNNs
Nota. Recuperado de: (Oña, 2020)
Aprendizaje No Supervisado
Es un tipo de algoritmos de Machine Learning (Aprendizaje de Máquinas) que puede clasificar
una serie de datos sin la necesidad de presenciar un supervisor que ayude en el aprendizaje del sistema,
los datos no presentan un etiquetamiento previo por lo cual el sistema se encarga de reconocer
patrones específicos que caractericen a cada uno de los datos de entrada y que se pueda etiquetar sin
problema nuevos datos que se siga recibiendo (González J. , 2019).
El uso de estas técnicas es muy favorable para diversas aplicaciones, ya que se puede presentar
un conjunto amplio de datos en la cual varía sus características en cualquier instante de tiempo siendo
esencial este procesamiento al no presentar una supervisión en cada momento, obteniendo resultados
óptimos y no presenta un elevado coste (Martínez R. , 2017).

27
Las técnicas de aprendizaje más comunes de este modelo de machine learning se puede
observar en la Tabla 2.
Tabla 2
Algoritmos de Aprendizaje no Supervisado
Aprendizaje no Supervisado Concepto
Esta técnica agrupa cada una de las observaciones a

K-Means, K-Medoids
un clúster diferente minimizando la distancia entre los
datos.
Este algoritmo presenta un elemento que
Difuso de C-Means
corresponde de manera difusa a cada grupo
generado.
Esta técnica hace referencia a realizar el
Jerárquico
agrupamiento dependiendo su nivel en orden en
forma de un árbol de clústeres.
Se ajusta a la probabilidad de que ciertos datos que
Mezclas Gaussianas
fueron asignados a un clúster realmente pertenezcan
a ese grupo.
Son redes interconectadas entre sí para transmitir
Redes Neuronales
señales, similar a una neurona biológica del sistema
nervioso.
Es un modelo estocástico que trata de recuperar una
Modelos Ocultos de Markov
secuencia de estados partiendo de datos observables
que generaron este conjunto.
Nota. Recuperado de: (MathWorks, 2022)
El modelo de aprendizaje no supervisado que es capaz de aprender mediante repeticiones y que
utiliza el algoritmo de redes neuronales es el autoencoder, en el cual está enfocado este trabajo de
investigación para realizar la extracción de características, a este proceso se integra una capa de
clasificación simple, softmax, que utiliza una metodología de aprendizaje supervisado.
Autoencoder
Los autoencoders son redes neuronales cuya estructura permite replicar los datos de entrada en
la salida de la red mediante una organización autónoma e inteligente, este algoritmo trata de reducir
significativamente la distorsión que se pueda presentar en los datos de salida del sistema, por tal motivo
28
se ha considerado para tratar señales ruidosas, como puede afirmar Marvin Coto Jiménez en su trabajo
acerca de la síntesis de voz (Coto, 2017), esta característica ayuda a eliminar el ruido introducido en las
señales de audio y tomar únicamente los datos que contengan información válida para el
procesamiento. La arquitectura del autoencoder está conformada por varias neuronas que se
distribuyen en conjuntos de acuerdo a una función que cumplen en común dependiendo del tipo de
información que ingrese a la neurona, cada conjunto de neuronas se las representa como capas
conectadas mediante enlaces por donde se moviliza la información (Caicedo & López, 2017), el
autoencoder presenta tres tipos de capas como se visualiza en la Figura 5, y estas son:
 Capa de entrada: esta capa se encuentra formada por un conjunto de neuronas que únicamente
cumple la función de recepción de las señales de entrada, transmitiendo los datos a la capa
posterior para procesarlos (Zumba & Zumba, 2022).
 Capa oculta: las neuronas de esta capa realizan un proceso de codificación que comprime los
datos, por tal razón, su número es inferior al número de neuronas de la capa de entrada,
permitiendo así capturar los conjuntos de características que presenten mayor importancia y
sean útiles para el aprendizaje de la red (Zumba & Zumba, 2022).
 Capa de salida: las neuronas de esta capa cumplen la función de decodificación de los datos
comprimidos por la capa anterior, encargándose de reconstruir las señales de entrada en la
salida obteniendo la respuesta del sistema, por ello, al replicar la señal su dimensión será la
misma que la capa de entrada (Zumba & Zumba, 2022).

29
Figura 5
Estructura de un Autoencoder
Nota. Recuperado de: (Coto, 2017)
Los autoencoders presentan varios tipos de arquitecturas que cumplen funciones de reducción
de dimensionalidad y extracción de características, cuyos métodos varían dependiendo de la rama de la
inteligencia artificial en la que fue introducido su modelo, la arquitectura que se muestra en la Figura 5
representa un autoencoder elemental, cuya expresión matemática se describe en la ecuación ( 7 ).
𝑥 = 𝑔(𝑓(𝑦)) (7)
En donde 𝑓(𝑦) contiene la codificación de la señal de entrada, la cual realiza el proceso de
extracción de características en la capa oculta, esta función vectorial se escribe en la ecuación ( 8 )
(Salgado, 2022).
𝑓(𝑦) = 𝜎𝑓 (𝑊1 𝑦 + 𝑏) (8)

30
Donde 𝑦 es un vector de los datos que ingresan a la red neuronal, 𝜎𝑓 es una función que se
encuentra en la capa oculta como activación, 𝑊1 es la matriz de pesos que se encuentra entre las capas
de entrada y oculta, y 𝑏 es una función vectorial que representa las bias de entrada (Salgado, 2022).
La salida de la arquitectura del autoencoder muestra la reconstrucción de la señal de entrada, es
decir, la decodificación de los datos internos que se obtiene de la capa oculta cuya expresión
matemática se describe en la ecuación ( 9 ).
𝑥 = 𝑔(𝑓(𝑦)) = 𝜎𝑔 (𝑊2 𝑓(𝑦) + 𝑐) (9)
Donde 𝜎𝑔 es una función que se encuentra en la capa de salida como activación, 𝑊2 es la matriz
de pesos que se encuentra entre las capas oculta y de salida, y 𝑐 es una función vectorial que representa
las vías de salida (Salgado, 2022).
Aprendizaje Profundo
El aprendizaje profundo es una rama del aprendizaje de máquina que cuenta con varios modelos
basados en redes neuronales. Desde el año 2006 ya se empezó a revelar estudios más concretos en la
utilización de aprendizaje profundo, se realizaron varias publicaciones acerca de estos modelos, entre
las cuales observaron un método descrito por G. Hinton, quién ganó el premio Turing junto a otros
informáticos en el año 2018 por el trabajo dedicado en Aprendizaje profundo, el cual demuestra
efectividad en el entrenamiento a una red neuronal con aprendizaje profundo (González J. , 2017).
Este avance dio apertura al desarrollo de nuevas técnicas mejoradas, que presentan
arquitecturas capaces de entrenar modelos con un alto número de datos de entrada y que puedan tener
comportamientos complejos, ante estos casos la implementación de la red neuronal profunda mantiene
un bajo coste computacional (Atienza, 2019). Hoy en día los algoritmos de aprendizaje profundo han
31
presentado buenos resultados que van cada vez introduciéndolos en varias aplicaciones para optimizar
su funcionamiento.
El aprendizaje profundo presenta otros algoritmos para el entrenamiento de una red neuronal
que son: redes neuronales convolucionales (CNN), redes neuronales recurrentes (RNN) y redes
neuronales dinámicas (DNN) (González J. , 2017). Para este proyecto de investigación se enfocó el
estudio en las redes neuronales recurrentes.
Redes Neuronales Recurrentes (RNN)
Son redes retroalimentadas cuyos datos para su procesamiento son secuenciales, estos bucles
son capaces de almacenar la información que se obtiene en cada capa en una memoria, alimentando el
paso actual con los datos adquiridos de los procesos anteriores, su estructura se lo puede observar en la
Figura 6.
Figura 6
Estructura básica de una Red Neuronal Recurrente (RNN) a lo largo del tiempo
Nota. Recuperado de: (González I. , 2019)
La expresión matemática de la salida en cada uno de los instantes de tiempo se describe en la
ecuación ( 10 ) y del estado temporal en la ecuación ( 11 ).

32
𝑌𝑡 = 𝑓𝑦 (𝑉𝑡𝑠𝑡𝑎𝑡𝑒 ) ( 10 )
𝑡𝑠𝑡𝑎𝑡𝑒 = 𝑓𝑡𝑠𝑡𝑎𝑡𝑒 (𝑈𝑋𝑡 + 𝑊𝑡𝑠𝑡𝑎𝑡𝑒 −1 ) ( 11 )
Donde 𝑈, 𝑉, 𝑊 son matrices que se encuentran conectando la entrada, el estado temporal y la
salida de la red como se observa en la Figura 6; 𝑓𝑦 y 𝑓𝑡𝑠𝑡𝑎𝑡𝑒 son funciones de activación de la salida y el
estado temporal (González I. , 2019).
Las redes neuronales recurrentes se las puede utilizar para el reconocimiento de la voz y el
análisis de la escritura, pero su entrenamiento puede resultar complejo si se utiliza una estructura básica
ya que presenta un problema de desvanecimiento del gradiente (Rivas, 2020). Esta red al utilizar la
información de partes anteriores y procesar un mayor valor de elementos puede olvidar cierta
información adquirida en los procesos de las primeras capas.
Se ha implementado una celda de memoria que puede extraer características utilizando datos
secuenciales que presenten mayores longitudes, esta celda solucionó el problema de memoria de corto
plazo, optando el nombre de Memorias de Corto y Largo Plazo (LSTM).
a) Redes de Memoria de Corto y Largo Plazo (LSTM)
Las redes LSTM ayudan a reducir el problema del desvanecimiento de la gradiente que presenta
las redes neuronales recurrentes básicas, logrando recordar información de datos anteriores durante un
tiempo bastante largo; en este tipo de redes las neuronas que forman la capa oculta son reemplazadas
por memorias, esta celda de memoria cuenta con tres puertas o gates para procesar la información y la
celda aprenda a identificar los datos con información relevante y desechar los que no lo tienen
(Martínez R. , 2019), estas puertas que controlan el estado de la celda y la protegen son (Oña, 2020):
 Input gate: la puerta de entrada se encarga de decidir los datos que ingresan a la celda.
33
 Forget gate: la puerta de olvido se encarga de validar si los datos no cuentan con información
importante para el aprendizaje y proceder a quitarlos de la celda.
 Output gate: en la puerta de salida se obtiene un vector de valores filtrados con datos
relevantes para el procesamiento.
Estos gates para dejar pasar la información necesaria cuentan con dos funciones de activación
llamadas Sigmoidal y Tanh (tangente hiperbólica); el resultado de las funciones de activación en las
capas para permitir o desechar los datos tendrá un valor de 0 y 1 (Rivas, 2020), si la información del
vector de datos que ingresa es válida se marca un valor de 1 y la información pasa, si se detecta que
ciertos datos del vector no contienen la información necesaria para el aprendizaje el valor resultante es
de 0 desechando esos datos evitando que pase a la siguiente capa. La arquitectura de la red LSTM en la
cual se observa las tres puertas y las funciones de activación para su funcionalidad se muestra en la
Figura 7.
Figura 7
Arquitectura de la red LSTM
Nota. Recuperado de: (González I. , 2019)

34
Métricas de Rendimiento
En este trabajo de investigación al utilizar algoritmos de Machine y Aprendizaje profundo para la
clasificación de un volumen alto de datos se necesita calcular el rendimiento del sistema, así determinar
el método que presenta mayor efectividad en el aprendizaje de la red. En este caso se utiliza la matriz de
confusión, la cual representa las predicciones resultantes de la clasificación y se puede evaluar la
precisión de los modelos implementados. En la Tabla 3 se observa la matriz de confusión, cuyas filas
representa la clase predicha y las columnas la clase real (Borja, Monleón, & Rodellar, 2020).
Tabla 3
Matriz de Confusión
Predicción
Positivo Negativo
Clase Real Positivo Verdadero Positivo (VP) Falso Negativo (FN)
Negativo Falso Positivo (FP) Verdadero Negativo (VN)
Nota. Recuperado de: (Altamirano, 2021)
En la matriz de confusión los valores que son verdaderos positivo y negativo representan los
datos que fueron correctamente clasificados (Borja, Monleón, & Rodellar, 2020), mientras que el falso
positivo muestra una predicción verdadera pero el valor real es falso, y el falso negativo el valor de la
predicción es falso y el valor real es verdadero.
Mediante estos valores que proporciona la Tabla 3 se puede obtener las siguientes métricas
(Altamirano, 2021):
 Exactitud
Indica la clasificación de predicciones correctas sobre el total de predicciones. Su fórmula
matemática es la siguiente:
35
𝑉𝑃 + 𝑉𝑁
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦(%) = ( 12 )
𝑉𝑃 + 𝑉𝑁 + 𝐹𝑃 + 𝐹𝑁
 Sensibilidad
Indica el valor de las predicciones positivas que se encuentran bien clasificadas. Su fórmula
𝑉𝑃
𝑅𝑒𝑐𝑎𝑙𝑙(%) = ( 13 )
𝑉𝑃 + 𝐹𝑁
 Especificidad
Indica el valor de las predicciones negativas que se encuentran bien clasificadas. Su fórmula
𝑉𝑁
𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦(%) = ( 14 )
𝑉𝑁 + 𝐹𝑃
 Precisión
Indica la relación de los valores que son verdaderos positivos sobre el total de predicciones
positivas. Su fórmula matemática es la siguiente:
𝑉𝑃
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛(%) = ( 15 )
𝑉𝑃 + 𝐹𝑃
36
Capítulo III
Materiales y Métodos
Este sistema fue programado en el software Matemático MATLAB versión R2020a, el algoritmo
permite manejar la base de datos donde se encuentran registrados los sonidos de las diferentes aves del
Ecuador para su procesamiento mediante la extracción de características detectadas en grabaciones de
audio. La resolución del sistema de identificación se la realizó por medio de dos procedimientos, el
primero utilizando autoencoders y el segundo utilizando redes neuronales recurrentes LSTM.
Cada sistema cuenta con un conjunto de etapas que realiza un procesamiento de la señal de
audio ingresada, y así obtener datos que pueda interpretar el método utilizado de Machine Learning y
Aprendizaje Profundo para su aprendizaje e identificación de los sonidos de las diferentes aves. El
procesamiento de la señal varía conforme al tipo de datos que debe ingresarse al sistema, por lo cual,
esta etapa difiere su metodología en el algoritmo que se esté utilizando. En la Figura 8 se observa las
etapas por las que interactuó la señal de entrada para obtener el resultado.
Figura 8
Diagrama de Bloques del modelo de Clasificación
En la primera etapa se evidencia el preprocesamiento de la señal de audio, el cual consta de una
normalización a la señal de entrada para evitar complejidades en el análisis de la misma, una
segmentación, obtención de la energía y enventanamiento utilizando el método de Hamming.

37
En la segunda etapa se aplica los algoritmos del autoencoder y redes neuronales LSTM para el
proceso de extracción de características y posterior obtención del modelo de clasificación de los sonidos
de las aves del Ecuador.
La base de datos “Aves del Ecuador” contiene un total de 1691 variedades de sonidos de aves,
tanto de los machos como de las hembras; para el pre-procesamiento se toman los audios que
representan los llamados de las diferentes aves, estos cuentan con mayor cantidad de información, por
lo tanto, el sistema puede tomarlos para su aprendizaje y posterior clasificación.
En la Figura 9 se puede observar los componentes más importantes de la base de datos que se
encuentran separados por columnas, así en la segunda columna llamada “sound” se visualizan las
muestras de cada uno de los audios, y en la tercera columna llamada “fs” se visualiza la frecuencia de
muestreo de cada una de las señales de audio con la que se va a trabajar.
Figura 9
Base de Datos de los sonidos de las Aves del Ecuador

38
Pre-Procesamiento
La señal de audio que contiene el canto de cada especie de ave presenta una frecuencia de
muestreo de 44100 Hz, el número de muestras varía con respecto a la duración de cada audio original.
Normalización
Las señales de audio presentan diversas amplitudes con respecto a la intensidad de los sonidos
que están capturados. Estas amplitudes presentan picos altos y bajos, lo que puede generar valores
negativos, que al ser utilizados en el algoritmo produce un bloqueo del sistema.
Para que los datos sean reconocidos e ingresen al algoritmo del aprendizaje, tanto para las
redes LSTM como para los autoencoders, se realiza una normalización de la señal de audio que ingresa y
se la lleva a una escala entre 0 y 1 de amplitud aplicando la ecuación ( 1 ). La señal normalizada se la
representa en la Figura 10, en la cual se observa también la escala de la señal antes de su normalización.
Figura 10
Amplitud de la señal normalizada a una escala entre 0 y 1

39
Segmentación
En este proyecto se utiliza el comando Buffer para la segmentación de la señal de audio
normalizada en la cual se ingresa tanto la señal como la longitud para el segmento. Cada una de las
señales de audio extrae una cantidad de muestras variables, por lo cual, para el procedimiento se realiza
una división en fragmentos de 20 milisegundos como se observa en la Figura 11.
Cada segmento presenta el mismo tamaño, aprovechando de mejor manera los segmentos que
contengan información válida, lo que permite obtener mejores resultados en el aprendizaje del sistema.
Con este proceso se obtiene vectores que cuentan con 882 muestras.
Figura 11
Señal Segmentada en 20 ms
En esta etapa se genera un vector de etiquetas que enumera cada uno de los segmentos,
permitiendo identificar el audio al que pertenecen.

40
Para acelerar y optimizar el proceso, se calcula el valor medio de cada segmento y se
seleccionan los que contengan mayor información o aquellos segmentos con un valor alto de energía.
Para realizar esta selección se estima un valor mínimo, es decir, se toman los segmentos con una media
de energía mayor a este valor. El valor estimado para realizar este procedimiento es 0.008 de la energía
de la señal.
Figura 12
Energía de cada uno de los segmentos de la señal de audio
En la Figura 12 se muestra la energía obtenida de las señales segmentadas, con ventanas de 20
ms cada uno, de los cuales se observa que algunos poseen un valor medio muy bajo. En estos segmentos
no existe mucha información que el algoritmo pueda tomar para el aprendizaje, debido a esto son
descartadas y se concentra el procesamiento en los segmentos con datos útiles.

41
Luego de este proceso se extrae de todos los segmentos los LPCs, así se trata de reducir el error
de predicción al mínimo. Para el orden del filtro se tomará un valor menor o igual a la longitud del
conjunto de segmentos.
Entrenamiento
Autoencoders y capa de clasificación softmax
Las señales de audio presentan una gran cantidad de ruido de entorno, mediante la
transformada rápida de Fourier se identifica con mayor eficiencia la frecuencia de la señal que ingresa al
algoritmo. Para este proceso se utiliza el comando “fft” en Matlab en la señal de entrada ya procesada
para la separación del ruido, así se pueden visualizar los picos de mayor magnitud al ingresar una gran
cantidad de datos. Esto podemos observarlo en la Figura 13.
Figura 13
Señal Normalizada con transformada de Fourier
En esta etapa se realiza la extracción de características utilizando el algoritmo del autoencoder
seleccionando, de la matriz de segmentos, los que se utilicen para el entrenamiento y para las pruebas,
42
como se muestra en la Figura 14. Se utiliza el comando cvpartition para seleccionar de forma aleatoria
un 70 % de los segmentos que ingresan para el entrenamiento del autoencoder, con un total de 13314
segmentos y, cada uno con 882 muestras. El 30% restante se utilizan para las pruebas, obteniendo un
total de 5706 segmentos; este proceso es ejecutado también para la selección de las etiquetas que
identifican el audio al cual pertenece cada uno de los segmentos.
Figura 14
Total de los segmentos distribuidos para el entrenamiento y test
Para la división de los segmentos se escogió el modelo de cvpartition especificando una división
HoldOut, ya que nos divide automáticamente los segmentos en dos conjuntos que se puede tomar para
entrenamiento y prueba, cuyo porcentaje para cada conjunto se escoge con libertad, este modelo
presenta un porcentaje mayor en el rendimiento del sistema y mejora la eficiencia computacional
acelerando el procesamiento.
Los autoencoders tienen pesos iniciales de forma aleatoria que pueden afectar los resultados.
Cada vez que se ejecute el algoritmo se obtendrán respuestas diferentes, por tal motivo se deben
establecer dichos pesos de forma explícita para evitar este comportamiento.
En el entrenamiento del autoencoder se establece un valor que especifica el número de
neuronas en la capa oculta. El proceso que se realiza desde la capa de entrada a la capa oculta es la
compresión de datos, por lo tanto, el número de neuronas debe ser menor al tamaño de los datos de
entrada, capturando así datos importantes para el aprendizaje.

43
Para un mejor reconocimiento de los datos, que representan las señales de sonido emitidos por
las aves, se trabajó con dos capas ocultas. En el algoritmo, el número de neuronas en la primera capa
oculta no debe ser un valor excesivamente pequeño comparado con el número de datos de entrada,
esto puede ocasionar que el sistema comprima abruptamente los datos aumentando el tiempo de
procesamiento y obteniendo una gran pérdida de información.
El número de neuronas en esta capa es de 400, como se visualiza en la Figura 15; este dato es
variable dependiendo del tamaño de entrada.
Figura 15
Diagrama del Autoencoder con la capa oculta de 400 neuronas
En la segunda capa se reduce aún más la cantidad de neuronas para que el autoencoder
aprenda representaciones más pequeñas de los datos, debido a esto cuenta con 90 neuronas. Se
escogieron estos valores mencionados para el tamaño de la primera y segunda capa oculta al observar
que en los resultados el porcentaje del desempeño del algoritmo supera el 80%.
Para que el aprendizaje de los autoencoders sea más eficiente, las capas ocultas cuentan con
parámetros regularizadores, cuyos valores estándar utilizables se los detalla en la Tabla 4.

44
Tabla 4
Parámetros Regularizadores de los Autoencoders
Parámetros Valor Estándar Valor Utilizado
0.001 (valor positivo) 0.0005

L2WeightRegularization
1 (valor positivo) 1
SparsityRegularization
0.05 (0 a 1) 0.1
SparsityProportion
Nota. Recuperado de: (MathWorks, 2023)
La configuración de los parámetros con valores cercanos a los propuestos en el estándar ayuda a
minimizar el error de validación. Las cantidades que se observan en la columna de “Valor Utilizado”, que
se encuentran configurados en la primera y segunda capa oculta, muestran mejores resultados en la
extracción de características.
El coeficiente de regulación de peso 𝐿2 (L2WeightRegularization) controla los pesos de la
red y, de preferencia, son valores positivos muy pequeños. Así, el número de pesos aumenta mejorando
el entrenamiento.
El parámetro SparsityRegularization es el coeficiente que toma un valor escalar positivo y
se encarga de controlar el impacto que ocasiona el regularizador de dispersión. Este parámetro asigna
una restricción para la escasez de los datos en la salida de la capa oculta. La escasez de los datos hace
referencia a obtener una perfección en los datos de salida.
El valor del parámetro SparsityProportion especifica la reacción de cada neurona en la capa
oculta, ante un conjunto pequeño de ejemplos de entrenamiento. El rango de valores que puede tomar
va de 0 a 1 (si la proporción es baja, la neurona aprende mediante la activación de una pequeña
cantidad de ejemplos).
La salida de la segunda capa oculta se conecta a una última capa, Softmax, con una dimensión
de 200. Esta capa utiliza las etiquetas de los datos de entrenamiento para realizar la clasificación de las
45
características, con lo que se concluye el cálculo de los resultados para los conjuntos de entrenamiento y
prueba.
Redes Recurrentes LSTM
En las redes neuronales recurrentes LSTM, después de pasar la señal de entrada por las etapas
de pre-procesamiento y procesamiento, se realiza una transformación de los datos en serie para que
ingresen al algoritmo LSTM como se muestra en la Figura 16. En este caso se genera un vector, en la
cual, cada segmento se posiciona uno a continuación de otro. Al trabajar con secuencias de datos, el
tamaño de las ventanas de segmentación aumenta su valor (la señal se divide en ventanas de 500 ms).
Mediante las pruebas realizadas al aminorar este valor, el porcentaje en el rendimiento del sistema
disminuye.
Figura 16
Segmentos de la señal de audio en serie
El algoritmo LSTM realizará la partición de los segmentos que se van a utilizar para el
entrenamiento y para las pruebas, con ayuda del comando cvpartition; luego ingresarán en la red LSTM
para su entrenamiento.
46
a) Configuración de la Red LSTM
En el algoritmo de la red LSTM se configuran las capas y los parámetros de optimización de la
red; antes de ello se especifica el tamaño de la secuencia de entrada. Estas configuraciones las podemos
apreciar en la Figura 17.
Figura 17
Capas de la red LSTM
La arquitectura de las capas está compuesta por:
 Capa de la secuencia de entrada: se especifica el parámetro numSTrain que representa el
tamaño del conjunto de entrenamiento que ingresa al algoritmo.
 Capa oculta bidireccional (bilstmLayer): permite observar la secuencia que pasa a la
siguiente capa, y especifica la cantidad de información que recordará (en este caso su
tamaño es de 200, que son el número de nodos ocultos); se utiliza dos capas LSTM
bidireccionales para ampliar aún más la cantidad de información que recordará la red
LSTM. El parámetro numHiddenUnits varía su valor dependiendo de la cantidad de
información que ingresa, y cuanta información necesite recordar para ser transmitida a las
siguientes capas. Existen dos modos de salida: modo sequence que toma la secuencia de
salida completa y, el modo last que toma el último dato de la clasificación, el cual fue
seleccionado por presentar un porcentaje mayor en la validación de la precisión del
aprendizaje de la red LSTM.

47
 Capa totalmente conectada (fullyConnectedLayer): especifica la cantidad de audios de los
sonidos de las aves que ingresan al algoritmo por medio del parámetro numfiles.
 Capa softmax (softmaxLayer): se utiliza para clasificar los audios.
 Capa de clasificación (classificationLayer): se utiliza para visualizar los resultados finales de
la clasificación.
El conjunto de parámetros de optimización de la red se llama “options”, y se especifican varios
parámetros para el entrenamiento, como se muestra en la Figura 18.
Figura 18
Opciones de optimización de la red LSTM
Entre los parámetros se utiliza el solucionador de estimación de momento adaptativo (Adam),
que limita el descenso de la gradiente al asignar un valor único para la tasa de aprendizaje. Otros
parámetros utilizados son: el valor del umbral de la gradiente que permite realizar un ajuste en los
parámetros de la red y su valor es de 2, el número máximo de épocas en que se ejecutará el algoritmo
de entrenamiento se lo especifica en el parámetro (maxEpochs) con un valor de 400, el mínimo tamaño
del conjunto de datos que la red toma para procesar a la vez (miniBatchSize) es de 250.
Se utiliza también un parámetro de validación de los datos de prueba (ValidationData), y una
gráfica por medio del parámetro training-progress para observar el progreso de la red de entrenamiento
por cada época que transcurra, en la cual también se puede notar la exactitud y las pérdidas del sistema.
48
Capítulo IV
Resultados
En esta sección se muestra el porcentaje del rendimiento: del sistema para los métodos
propuestos en el capítulo III, de la red al realizar la extracción de características por medio de
autoencoders y posterior clasificación utilizando la capa softmax, y del aprendizaje profundo por medio
de redes LSTM.
Autoencoders más un clasificador simple
El desempeño del algoritmo de la red, al utilizar autoencoders, se evalúa por medio de la matriz
de confusión. Esta permite valorar que tan bueno es el aprendizaje con dicho modelo, obteniendo los
datos de exactitud y error medio, para los conjuntos de entrenamiento y de prueba.
En este apartado se mostrará los resultados bajo varios escenarios diferentes, en los cuales se
varia el tamaño del enventanamiento y la cantidad de audios que ingresen al sistema. Con estas
variaciones y el procesamiento mencionado en el capítulo anterior se ingresan los segmentos en el
autoencoder, cuyos parámetros regularizadores que se utilizarán para todas las pruebas se encuentran
especificados en la Tabla 4.
En la Figura 19 se observa el rendimiento del sistema al variar el número de capas ocultas a
utilizar en el autoencoder.
49
Figura 19
Exactitud del sistema con a) una capa oculta, b) dos capas ocultas y c) tres capas ocultas.
a) b)
c)
Al utilizar una capa oculta en el autoencoder se obtuvo una exactitud del 97.9 %, para aumentar
la eficiencia del sistema se implementó otra capa oculta cuyo resultado incrementó a un 99.2%
mejorando su exactitud. Con este dato se realizó otra prueba aumentando el número de capas ocultas a
tres y se evidencia en la Figura 19 que su resultado difiere en un 1.8% menos que al utilizar dos capas
ocultas. Por esta razón se trabaja para las posteriores pruebas con dos capas ocultas en el autoencoder.
50
Se evalúa el rendimiento para un tamaño de ventana de 20 ms, que da un número de
características para cada segmento de 882 muestras y el conjunto que se elige para las pruebas es de
398 segmentos. Se presentan dos escenarios con dos entradas de: 10 audios y 50 audios.
a) Rendimiento del sistema con 10 audios
Figura 20
Matriz de Confusión con 10 audios
En la Figura 20 se puede observar que la probabilidad de que la red consiga aprender es de un
99.2% de exactitud, el sistema presenta un alto porcentaje de acertamiento en las predicciones, es decir
las señales de audio se encuentran bien clasificadas reduciendo al mínimo el error medio como se
muestra en la Figura 21 tomando un valor de 0.0025954.

51
Figura 21
Comportamiento del error cuadrático medio con 10 audios
b) Rendimiento del sistema con 50 audios
Figura 22
En la Figura 22 se puede observar que al ingresar una mayor cantidad de datos la probabilidad
de que el sistema consiga aprender disminuye a un 95.9%, obteniendo un comportamiento del error
medio como se muestra en la Figura 23 con un valor de 0.00072511.

52
Figura 23
c) Rendimiento del sistema con 100 audios
Figura 24
En la Figura 24 se observa que al aumentar la cantidad de audios a 100, la exactitud del sistema
disminuye hasta un 84.3%, el sistema baja su rendimiento al procesar una mayor cantidad datos. La
curva del error medio (Figura 25) durante el proceso del entrenamiento llega a 0.00026524.
53
Figura 25
La segunda variación es con ventanas de 60 ms, el número de características en cada segmento
es de 2646 muestras. Para las pruebas se toman un conjunto de 318 segmentos y se evalúa para los
escenarios de 10 audios y 50 audios.
a) Rendimiento del sistema con 10 audios
Figura 26

54
En la Figura 26 se puede observar que la probabilidad de que la red consiga aprender es de un
98.5%, el sistema presenta un porcentaje menor al incrementar el tamaño de las ventanas manteniendo
la misma cantidad de audios, en la Figura 27 se observa el comportamiento del error medio en este
escenario con un valor de 0.0057439.
Figura 27
b) Rendimiento del sistema con 50 audios
Figura 28

55
En la Figura 28 se observa que la exactitud del sistema al aumentar más audios para su
aprendizaje es de 95.3%, lo cual es un 3.2% menor que al usar 10 audios manteniendo aún una alta
probabilidad de que la red consiga aprender, el comportamiento de error medio se muestra en la Figura
29 con un valor del 0.0015113.
Figura 29
c) Rendimiento del sistema con 100 audios
Figura 30

56
Con ventanas de 60 ms y al ingresar 100 audios, el sistema obtiene una exactitud del 83.5%
como se muestra en la figura. Este resultado, con un 0.8%, está por debajo de la exactitud obtenida con
ventanas de 20 ms, siendo mínima la diferencia. En ambos escenarios el sistema reduce su rendimiento
mientras se ingrese una mayor cantidad de datos. El resultado de la curva del error medio durante el
entrenamiento se puede observar en la Figura 31, cuyo resultado baja hasta un 0.0013394.
Figura 31
El resumen de los resultados en cada escenario observado se muestra en la Tabla 5.
Tabla 5
Resultados al realizar pruebas utilizando Autoencoders en los diferentes escenarios
#Ventanas Escenario Exactitud (%) Error Medio

10 audios 99.2% 0.0025954
20 ms 50 audios 95.9% 0.00072511
100 audios 84.3% 0.00026524
10 audios 98.5% 0.0057439
60 ms 50 audios 95.3% 0.0015113
100 audios 83.5% 0.0013394
57
En este modelo se puede evidenciar, con los resultados expuestos en la Tabla 5, que al
segmentar las señales de audio a 20 ms la respuesta del sistema presenta un mejor resultado en la
exactitud del aprendizaje de la red. Por lo tanto, al tener un tamaño de ventana pequeño, se reconoce
de mejor manera los segmentos que cuentan con información útil para el procesamiento, así
únicamente ingresan estos segmentos al algoritmo del autoencoder y logre aprender.
Los porcentajes obtenidos con valor NaN en la matriz de confusión se dan al presentarse valores
de cero en las proporciones indicando que no se han presentado datos falsos, al dividirse para cero el
sistema lo cataloga como NaN.
Redes Recurrentes de corto y Largo Plazo (LSTM)
Este modelo presenta una gráfica del control del rendimiento del sistema, la cual permite
observar la exactitud y las pérdidas que pueda tener el sistema. Las pruebas se realizan bajo dos
escenarios diferentes: variaciones en la cantidad de audios a clasificar y la utilización de coeficientes LPC
para su procesamiento.
Se realiza la primera variación al utilizar 10 audios, un tamaño de ventana de 500 ms y el
tratamiento de la señal con coeficientes LPC.

58
Figura 32
Rendimiento del sistema con 10 audios y utilizando coeficientes LPC
Se vuelve a realizar las pruebas con 10 audios sin utilizar coeficientes LPCs para procesar los
datos de entrada al algoritmo LSTM.
Figura 33
Rendimiento del sistema con 10 audios sin utilizar coeficientes LPC
Se puede observar los resultados del rendimiento en la Figura 32 y Figura 33, el valor de la
exactitud es de 46.94% y 29.08% respectivamente, la probabilidad del rendimiento del sistema con LPCs
59
aumenta en un 17.86% ya que estos coeficientes ayudan a minimizar el error en la predicción. Con este
dato se utiliza para las siguientes pruebas los coeficientes LPC.
En la Figura 34 se muestra el resultado del aprendizaje de la red con 60 audios de entrada y un
tamaño de ventana de 500 ms.
Figura 34
Rendimiento del sistema con 60 audios y ventanas de 500 ms
Al aumentar los audios el porcentaje de acierto subió a 74.16%, el sistema es capaz de entrenar
un conjunto grande de datos y mantener una exactitud considerable. Al observar un aumento en la
exactitud del sistema se realiza una variación en el tamaño de las ventanas a 900 ms y se mantiene el
número de audios de entrada. El resultado de esta prueba se visualiza en la Figura 35.

60
Figura 35
Al utilizar ventanas de 900 ms la exactitud del sistema descendió a 73.4%, la diferencia es
mínima ya que disminuye un 0.76%. Al aumentar el tamaño de la ventana la cantidad de pérdidas es
mayor, es decir que el aprendizaje de la red se verá afectado obteniendo predicciones erróneas.
Al observar este resultado se toma el valor del tamaño de las ventanas de 500 ms para el
entrenamiento de la red mediante redes recurrentes LSTM al obtener resultados favorables en el
aprendizaje de la red. En la Figura 36 se visualiza el rendimiento del sistema al aumentar aún más la
cantidad de audios, para esta prueba se ingresa 100 audios.

61
Figura 36
La exactitud, al ingresar 100 audios, es de 78.75%, se tiene un incremento del 4.59% al resultado
presentado con 60 audios. Se evidencia que existe una relación directamente proporcional entre la
cantidad de audios que ingresen al sistema y la exactitud en su rendimiento para conseguir un buen
aprendizaje de la red.
Al observar un incremento en la exactitud del sistema aumentando la cantidad de audios, se
realiza otra prueba con 130 audios.

62
Figura 37
En la Figura 37 se puede observar que se presentó un mínimo incremento en la exactitud, cuyo
valor llegó hasta el 79.14%. Al aumentar la cantidad de audios el rendimiento del sistema sube.
El resumen de los resultados en cada uno de los escenarios planteados anteriormente se
muestra en la Tabla 6.
Tabla 6
Resultados de las pruebas realizadas con diferentes variaciones
Escenario Interacciones Tiempo Exactitud (%)

10 audios con LPCs 400 32 sec 46.94 %
10 audios sin LPCs 400 19 min 3 sec 29.08%
60 audios y
5200 11 min 11 sec 74.16%
ventanas de 500 ms
60 audios y
2800 5 min 49 sec 73.40%
ventanas de 900 ms
100 audios y
8400 34 min 23 sec 78.75%
ventanas de 500 ms
130 audios y
10400 30 min 54 sec 79.14%
ventanas de 500 ms
63
Con las pruebas realizadas se puede evidenciar que aun el rendimiento se encuentra bajo,
llevando a modificar el orden de los coeficientes LPC aumentando su valor para permitir el ingreso de
una cantidad mayor de segmentos que contengan información válida que se pudo haber descartado
para el aprendizaje de la red. Con estas variaciones se realizaron pruebas ingresando 100 y 130 audios.
Figura 38
Rendimiento del sistema con 100 audios y un orden de 64 coeficientes LPC
En la Figura 38 se puede observar que el rendimiento aumentó hasta un 84.49%, al tener una
mayor cantidad de datos a procesar el tiempo será mayor en comparación con los resultados que se
visualizan en la Tabla 6, pero su exactitud incrementa en un 5.74%. Se ingresa 30 audios más para
visualizar la variación del rendimiento que presenta el sistema.

64
Figura 39
Rendimiento del sistema con 130 audios y un orden de 64 coeficientes LPC
Con 130 audios la exactitud subió hasta un 85.67% como se muestra en la Figura 39, mejorando
el aprendizaje del sistema. Este porcentaje supera el resultado que se ha obtenido al utilizar
autoencoders con un ingreso de 100 audios. Se presenta a continuación en la Tabla 7 un resumen de los
últimos resultados realizando las modificaciones propuestas.
Tabla 7
Resultados de las pruebas realizadas al modificar el orden de los coeficientes LPCs
Escenario Interacciones Tiempo Exactitud (%)

100 audios 9000 72 min 1 sec 84.49 %
130 audios 11400 100 min 21 sec 85.67%
65
Capítulo V
Conclusiones
Con la implementación del modelo propuesto de aprendizaje no supervisado con autoencoders,
se logra obtener resultados aceptables. Al trabajar con señales de audio, este modelo cuenta con
características que reduce la distorsión permitiendo llegar a una exactitud del 99.2%. Al utilizar un
autoencoder con dos capas ocultas llevó al fortalecimiento en el entrenamiento ayudando a
incrementar la exactitud, obteniendo un error medio del 0.0025954. Este modelo tiende a disminuir su
rendimiento al ingresar más audios para su análisis. Por tal motivo los autoencoders presentan altas
probabilidades en el aprendizaje de la red cuando trabajan con una cantidad limitada de datos.
Se comprendió el funcionamiento de las redes recurrentes LSTM, para una mejor predicción de
la red se realiza el procesamiento previo de los datos utilizando coeficientes LPCs, con ello se obtuvo
una reducción en el tiempo de procesamiento de 19 min con 3 sec a tan solo 32 sec trabajando con 10
audios, al trabajar con 130 audios y utilizando los LPCs el tiempo subió a 100 min con 21 sec, ya que se
ingresó más información al proceso. La exactitud del modelo mejoró con la utilización de estos
coeficientes hasta llegar a un porcentaje del 85.67%.
Al aumentar la misma cantidad de audios a procesar en los modelos implementados, se tiene
que con 100 audios ambos modelos presentan un rendimiento alrededor del 84%, las redes recurrentes
LSTM llegan al nivel del rendimiento de los autoencoders. El comportamiento difiere al aumentar la
cantidad de audios, por la parte de los autoencoders disminuye su rendimiento, pero las redes
recurrentes LSTM incrementa el valor de la exactitud del sistema.

66
Finalmente se logró implementar un clasificador para la identificación de los sonidos emitidos
por las aves. Con este sistema se puede ayudar en los centros de protección de aves silvestres al poder
reconocer ciertas especies que se encuentren en la zona, ya que, al ingresar una cantidad específica de
audios, la probabilidad de aprendizaje será alta.
Trabajos Futuros
En este trabajo de investigación se utiliza, para la clasificación de los audios de las aves, los
autoencoders y las redes recurrentes LSTM, se propone extender hacia la aplicación de otras técnicas
tanto de machine learning como de Aprendizaje profundo, y observar la variación en las métricas de
rendimiento.
Sería interesante aplicar este sistema para identificar el sonido de otras especies de fauna
silvestre, de instrumentos musicales, de automóviles o en la identificación del idioma de las personas
que presentan audios más largos y complejos.
Este proyecto se puede aplicar también en el área de la ingeniería automotriz, en la
identificación del sonido emitido por el motor del automóvil, para detectar algún problema de forma
inmediata y conocer las posibles soluciones.

67
Bibliografía
Altamirano, S. (2021). Sistema de reconocimiento de microterremotos en tiempo real del volcán Cotopaxi
aplicando aprendizaje supervisado. Sangolquí.
Angulo, W. (2020). Análisis nutricional de los alimentos soportado en Aprendizaje No Supervisado.
Popayán.
Atienza, A. (2019). Detección e identificación automática de actrices y actores mediante el uso de
algoritmos de Deep Learning. Valladolid-España.
bioWeb Ecuador. (2018). Obtenido de Aves del Ecuador:
https://bioweb.bio/faunaweb/avesweb/Vocalizaciones/
Borja, R., Monleón, A., & Rodellar, J. (2020). Estandarización de métricas de rendimiento para
clasificadores Machine y Deep Learning. Barcelona-España.
Caicedo, E., & López, J. (2017). Una aproximación práctica a las redes neuronales artificiales. Cali-
Colombia.
Cajas, C., & Villalva, L. (2019). Sistema Web de Monitoreo de Aves de la Provincia de Cotopaxi (SIMA).
Latacunga-Ecuador.
Capacete, F. (2019). Protección antes del peligro de extinción. Baleares.
Chanco, W., & Narváez, M. (2018). DISEÑO EDITORIAL ILUSTRADO DE LAS AVES EN PELIGRO DE
EXTINCIÓN DE LA ZONA 3. Latacunga-Ecuador.
Coto, M. (2017). Síntesis de voz basada en modelos ocultos de Markov y algoritmos de aprendizaje
profundo. México.
eBird. (27 de Julio de 2022). Obtenido de eBird: https://ebird.org/home
García, A., Gallego, E., Domínguez, I., Correa, A., & Rodríguez, J. (2017). Codificación de voz mediante
coeficientes de prediccion lineal (LPC ) sobre Microblaze. Cuba.

68
González, I. (2019). Análisis y comparación de extracción de características en señales de audio. Madrid-
España.
González, J. (2017). Aprendizaje profundo para el procesamiento del lenguaje natural. Valencia.
González, J. (2019). Procesamiento de Audio con Técnicas de Inteligencia Artificial. Madrid.
González, J. (2021). Modelos de Aprendizaje Profundo con Auto-atención para detección de eventos de
audio. Madrid.
González, J., Padrón, J., Barbero, I., Custodio, L., & Merchán, F. (2019). Reconocimiento de canto de aves
basado en el análisis de componentes principales del espectrograma. RIC, 6.
Lara, M. (2021). Sistema de Reconocimiento Automático de Micro sismos Volcánicos basado en Redes
Neuronales Convolucionales. Quito-Ecuador.
Martínez, R. (2017). Análisis de las máquinas "Sparse Autoencoders" como extractores de características.
Cartagena.
Martínez, R. (2019). Simulating music from the latent space of a Variational Autoencoder. Madrid-
España.
Martínez, S. (2020). Sistema en matlab para la segmentación y clasificación automática de sonidos de
ballenas. Quito-Ecuador.
MathWorks. (2022). Obtenido de Machine Learning: https://la.mathworks.com/discovery/machine-
learning.html
MathWorks. (2023). Obtenido de https://la.mathworks.com/help/signal/ref/lpc.html
MathWorks. (2023). Obtenido de
https://la.mathworks.com/help/deeplearning/ref/trainautoencoder.html
Oña, M. (2020). Desarrollo de una aplicación para generar ritmos de batería a través de técnicas
relacionadas con aprendizaje automático. Quito-Ecuador.
Rivas, M. (2020). Análisis de Líneas de Costa con Redes Neuronales LSTM. Cataluña-España.
69
Rodriguez, J. (2020). Diseño y Simulación de un Filtro Digital para Señales EEG con el Paradigma de
Imaginación Motora en FPGA. Lima-Perú.
Rosario, E. d. (6 de Febrero de 2017). Señales y Sistemas. Obtenido de Señales de Energía y Potencia:
http://blog.espol.edu.ec/telg1001/senales-de-energia-y-potencia/
Salgado, L. (2022). Aprendizaje en Máquina Aplicado a la Detección de Fallas Mecánicas. Ciudad de
México-México.
Shiguango, W., & Bañol, C. (2020). Evaluación rápida de la avifauna en el Centro de Investigación,
Posgrado y Conservación. Cienc Tecn UTEQ, 10.
Zumba, E., & Zumba, F. (2022). DESARROLLO DE UN SISTEMA PROTOTIPO DE GENERACIÓN DE ROSTROS
A PARTIR DE SEÑALES DE VOZ UTILIZANDO REDES GENERATIVAS ADVERSARIAS. Cuenca-Ecuador.

T-ESPE-058123

Cargado por

Copyright:

Formatos disponibles

T-ESPE-058123

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

T-ESPE-058123

Cargado por

Copyright:

Formatos disponibles

1

aprendizaje no supervisado y aprendizaje profundo

Herrera Jaramillo, Estefania Alejandra

Departamento de Eléctrica, Electrónica y Telecomunicaciones

Carrera de Ingeniería en Electrónica y Telecomunicaciones

Trabajo de titulación, previo a la obtención del título de Ingeniera en Electrónica y

Ing. Carrera Erazo, Enrique Vinicio

15 de agosto del 2023

Estefania Alejandra Herrera Jaramillo

superarlos. Gracias por creer en mí cuando a veces ni yo lo hacía, su confianza y su apoyo

incondicionales mi luz en esos momentos de oscuridad.

Estefania Alejandra Herrera Jaramillo

Tabla 1 Funciones de Activación de las Redes Neuronales Artificiales ....................................................... 25

Figura 1 Aves Silvestres en todo el Ecuador ................................................................................................ 18

el proceso por medio de inteligencia artificial aplicando modelos de aprendizaje no supervisado y

mayor cantidad de audios.

Palabras clave: inteligencia artificial, redes neuronales, aprendizaje de máquina, aprendizaje

Keywords: artificial intelligence, neural networks, machine learning, deep learning.

que a diario invaden y destruyen su habitad natural reduciendo su población.

organizaciones que se encargan de recopilar información y realizar un monitoreo diario para la

aves (eBird, 2022).

una de las especies (Shiguango & Bañol, 2020).

aplicación de los sistemas de aprendizaje automático, actualmente se utilizan técnicas como el

complejidad que se presenta para estudiarlas visualmente.

Diseñar un sistema que permita la clasificación de audios mediante técnicas de aprendizaje no

● Investigar las técnicas de aprendizaje automático y aprendizaje profundo para tareas de

procesamiento y clasificación de audio.

● Implementar el modelo de autoencoder para automatizar el proceso de extracción de

características y posterior clasificación.

las tendencias en cuanto a exactitud de clasificación.

realizada en el software Matlab.

Se procede entonces a realizar la implementación del sistema para la identificación de los

modelo de aprendizaje no supervisado se automatiza el proceso de extracción de las características

sensibilidad, precisión o puntuación F1 (Altamirano, 2021).

Finalmente se implementará el sistema de procesamiento y reconocimiento de audio mediante

aves utilizando técnicas de aprendizaje no supervisado y aprendizaje profundo para su comparación.

El documento relata todo el proceso a desarrollar para realizar el trabajo de investigación

proyecto, la justificación, la importancia, la metodología y los objetivos planteados para el trabajo de

En el tercer capítulo se describe la metodología utilizada para el sustento y desarrollo del

En el quinto capítulo se detallan las conclusiones que se obtuvieron en este trabajo de

Aves en peligro de extinción del Ecuador

visualizar en la ¡Error! No se encuentra el origen de la referencia., donde se encuentran alrededor de

Aves Silvestres en todo el Ecuador

Muchas de estas especies de aves están vulnerables ante el crecimiento excesivo de la

llevado a la extinción de 6 especies en el país, y ha puesto a un gran número en diferentes categorías

cantos o llamados y permiten mantenerlas en constante vigilancia, dependiendo el comportamiento

Ecuador (bioWeb Ecuador, 2018).

valores máximos que presenta la señal.

la frecuencia de muestreo. En la ¡Error! No se encuentra el origen de la referencia. se muestra una

representación de la segmentación de la señal de audio.

Segmentación de la señal de audio

repitiéndose ciertos datos en los segmentos posteriores.

desarrollo de este trabajo de investigación, porque disminuye la pérdida de información duran el

procesamiento de la señal de audio.

discontinuidades mediante el producto con la función matemática que representa la ventana

depende de sus características se puede escoger entre varios tipos de ventanas.

adecuar de una forma aceptable las mediciones ruidosas (Rodriguez, 2020).

La representación gráfica de la ventana de Hamming se observa en la ¡Error! No se encuentra el

origen de la referencia., en la cual se muestra a la izquierda la respuesta en el dominio del tiempo y a su

derecha en el dominio de la frecuencia.