Samuel Magalhães Pereira
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Samuel Magalhães Pereira has a total of 6 co-authors. Here are the top co-authors by number of shared publications:
- Alexandre César Muniz de Oliveira
Federal University of Maranhão (UFMA), São Luís, Brazil
2 shared publications - Areolino de Almeida Neto
Federal University of Maranhão (UFMA), São Luís, Brazil
2 shared publications Bianca Valéria Lopes Pereira
1 shared publication- Bianca Valéria Lopes Pereira
Federal University of Maranhão (UFMA), São Luís, Brazil
1 shared publication - Carlos Eduardo Nascimento Cajado
Mestrando em Ciência da Computação Instituição Universidade Federal do Maranhão (UFMA) Endereço São Luís -Maranhão Brasil
1 shared publication - Francisco dos Santos Viana
Federal Institute of Maranhão
1 shared publication
Latest Publications
- Open Access
- 3 September 2025
- Published by Brazilian Journals in REVISTA DELOS
- Vol. 18 (71) , e6481
Classificação de sílabas fonéticas via centroides e inserção colaborativa de camadas em redes stacked autoencoders
Este trabalho apresenta uma nova metodologia de inserção colaborativa de camadas em redes neurais do tipo stacked autoencoder. Nessa abordagem, após o treinamento de uma camada existente, uma nova camada é incorporada por meio de um ramo paralelo às camadas oculta e de saída já treinadas. Esse ramo é posteriormente transformado em uma camada da rede, deixando de ser apenas paralelo. A inserção é considerada colaborativa por introduzir novos conhecimentos sem comprometer os já adquiridos. Com essa estratégia, foi possível construir redes neurais com desempenho satisfatório e redução no tempo de projeto, principalmente na definição do número de camadas e de neurônios. Além disso, aplicou-se uma técnica de extração de características de sinais de sílabas fonéticas. Os dados de áudio foram convertidos em frequências pela transformada rápida de Fourier, representadas por barras verticais agrupadas em figuras irregulares formadas pela união de retângulos. A característica principal foi obtida pelo cálculo do centróide dessas figuras, permitindo compactar os dados sem perda de informação relevante. As inserções colaborativas foram avaliadas em termos de grau de crescimento da rede para um problema de classificação multiclasse, com caracterização baseada nos centróides extraídos.
- 3 September 2025
- Published by Brazilian Journals in REVISTA DELOS
- Vol. 18 (71) , e6481
Open AccessClassificação de sílabas fonéticas via centroides e inserção colaborativa de camadas em redes stacked autoencoders
Este trabalho apresenta uma nova metodologia de inserção colaborativa de camadas em redes neurais do tipo stacked autoencoder. Nessa abordagem, após o treinamento de uma camada existente, uma nova camada é incorporada por meio de um ramo paralelo às camadas oculta e de saída já treinadas. Esse ramo é posteriormente transformado em uma camada da rede, deixando de ser apenas paralelo. A inserção é considerada colaborativa por introduzir novos conhecimentos sem comprometer os já adquiridos. Com essa estratégia, foi possível construir redes neurais com desempenho satisfatório e redução no tempo de projeto, principalmente na definição do número de camadas e de neurônios. Além disso, aplicou-se uma técnica de extração de características de sinais de sílabas fonéticas. Os dados de áudio foram convertidos em frequências pela transformada rápida de Fourier, representadas por barras verticais agrupadas em figuras irregulares formadas pela união de retângulos. A característica principal foi obtida pelo cálculo do centróide dessas figuras, permitindo compactar os dados sem perda de informação relevante. As inserções colaborativas foram avaliadas em termos de grau de crescimento da rede para um problema de classificação multiclasse, com caracterização baseada nos centróides extraídos.
- Open Access
- 3 July 2025
- Published by Brazilian Journals in REVISTA DELOS
- Vol. 18 (69) , e6077
Reconhecimento de sílabas fonéticas utilizando redes Stacked Autoencoders via compressão de frequências com centroides
Este trabalho apresenta um modelo para o reconhecimento de sílabas fonéticas utilizando uma rede Stacked Autoencoder. O objetivo é identificar e distinguir os diferentes sons da fala, considerando sílabas fonéticas e variações na pronúncia. A rede desenvolvida, denominada CollabNet, é caracterizada pela adição colaborativa e gradual de camadas ocultas, garantindo continuidade no aprendizado e convergência progressiva do erro. Essa estratégia também favorece a integração com camadas anteriores e o alinhamento do processo de treinamento. Para representar as sílabas fonéticas, o método realiza compressão de frequências por meio de centroides. Inicialmente, aplica-se a Transformada Rápida de Fourier (FFT) em cada amostra de áudio. As frequências adjacentes são agrupadas e representadas como retângulos em um gráfico de barras, e o centroide de cada grupo é então calculado. Em seguida, a rede é configurada e treinada para reconhecer sílabas fonéticas. A representação do áudio preserva características específicas, permitindo ao CollabNet identificar com precisão diferentes sons do português brasileiro. O modelo alcançou acurácia de 75,96% e Taxa de Erro Fonético (PER) de 23,73%.
- 3 July 2025
- Published by Brazilian Journals in REVISTA DELOS
- Vol. 18 (69) , e6077
Open AccessReconhecimento de sílabas fonéticas utilizando redes Stacked Autoencoders via compressão de frequências com centroides
Este trabalho apresenta um modelo para o reconhecimento de sílabas fonéticas utilizando uma rede Stacked Autoencoder. O objetivo é identificar e distinguir os diferentes sons da fala, considerando sílabas fonéticas e variações na pronúncia. A rede desenvolvida, denominada CollabNet, é caracterizada pela adição colaborativa e gradual de camadas ocultas, garantindo continuidade no aprendizado e convergência progressiva do erro. Essa estratégia também favorece a integração com camadas anteriores e o alinhamento do processo de treinamento. Para representar as sílabas fonéticas, o método realiza compressão de frequências por meio de centroides. Inicialmente, aplica-se a Transformada Rápida de Fourier (FFT) em cada amostra de áudio. As frequências adjacentes são agrupadas e representadas como retângulos em um gráfico de barras, e o centroide de cada grupo é então calculado. Em seguida, a rede é configurada e treinada para reconhecer sílabas fonéticas. A representação do áudio preserva características específicas, permitindo ao CollabNet identificar com precisão diferentes sons do português brasileiro. O modelo alcançou acurácia de 75,96% e Taxa de Erro Fonético (PER) de 23,73%.