Detalhes bibliográficos
| Ano de defesa: |
2018 |
| Autor(a) principal: |
BRITO, Raphael Cândido |
| Orientador(a): |
BASSANI, Hansenclever de França |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal de Pernambuco
|
| Programa de Pós-Graduação: |
Programa de Pos Graduacao em Ciencia da Computacao
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/32694
|
Resumo: |
Segmentar palavras - identificar palavras em fala contínua - é um passo fundamental na aquisição de linguagem e, especialmente, no desenvolvimento léxico. No entanto, a ausência de silêncios sistemáticos (pausas) entre as palavras em fala contínua torna esta tarefa mais difícil, especialmente no início do desenvolvimento humano, em que outros componentes-chave da linguagem (fonologia, morfologia, sintaxe, etc.) ainda não são totalmente conhecidos pelos bebês. Este processo de aquisição de linguagem em bebês com poucos meses de vida também pode ser descrito como um processo de descoberta de padrões recorrentes (Motif ). Três características principais na tarefa de aquisição de linguagem realizada pelas crianças são observadas e trazidas para o contexto computacional neste trabalho. Os Mapas Auto-Organizáveis (SOM), são muito relevantes para o contexto desta Dissertação, por serem modelos neurais biologicamente inspirados, utilizando aprendizagem não-supervisionada e incremental, que são capazes de produzir como resultado protótipos que podem ser considerados como padrões frequentes em uma série temporal. Todavia, o SOM possui algumas limitações que inviabilizam a realização da tarefa de reconhecer entradas com tamanhos variáveis, como por exemplo, o SOM não implementa dimensões que possuem diferentes relevâncias e a não está apto a ajustar a quantidade de protótipos no mapa ao longo do tempo. Alguns modelos baseados em SOM, apresentam características relevantes para o desenvolvimento desta Dissertação, sendo portanto apresentados no decorrer deste trabalho. Assim, esta Dissertação possui como objetivo criar um modelo, que seja capaz de aprender padrões de tamanhos variáveis e desconhecidos. Partindo de modelos inspirados em SOM, este trabalho propõe uma série de modificações para permitir que o modelo consiga se adaptar a padrões de entrada de tamanhos desconhecidos e variados, assim como os bebês aprendem. No decorrer deste trabalho, estão apresentados experimentos utilizando-se de dados reais e de dados simulados. Ao fim desta Dissertação, os resultados estão apresentados e assim, é possível mostrar que o modelo proposto apresenta a maioria das características desejadas. |
