Diseo del modelo Balanced S corecard

aplicado a la papelera DALLA

Abstract This draft technical Balanced Scorecard
model known as the balanced scorecard processes of
administrative management is applied, what is
measured is what is achieved, through which
performance is measured indicators of employees
stationery, the aim is for employees to increase their
performance, such as customer service.
Resumen n el presente proyecto se aplica la
t!cnica del modelo Balanced Scorecard conocido
como el cuadro de mando integral a los procesos de
gesti"n administrativa, lo #ue se mide es lo #ue se
lograra, el cual por medio de indicadores se mide el
rendimiento de los empleados de la papeler$a, se busca
#ue los empleados aumenten su rendimiento, como la
atenci"n al cliente.
%alabras &lave' indicadores, cualitativo, cuantitativo.
(. )*TR+,-&&).*
n la actualidad e/isten distintas t!cnicas para
anali0ar el rendimiento en sus empresas, con la cual se
busca me1orar cada d$a m2s la productividad y
desempe3o en el macro y micro entorno4 el software
del presente proyecto #ue tiene como principio ser una
herramienta de medici"n de gesti"n se basa en
indicadores cualitativos y cuantitativos, se pretende un
an2lisis del valor #ue puede representar el Balanced
Scorecard, con el fin de #ue los directivos de una
organi0aci"n puedan visuali0ar y anali0ar
graficamente el rendimiento de la gesti"n de los
empleados, el software es desarrollado con
herramientas con ideolog$a de c"digo libre como la
son 5T678, %5% aplicando fluide0 y "ptimo
rendimiento gracias a 19uery y A1a/, con su
respectivo almacenamiento de informaci"n en base de
datos S97
:. ,SARR+77+.
7as empresas est2n buscando aplicaciones nuevas con
t!cnicas eficientes y sobre todo resalte la pr2ctica
gerencial en la medici"n del desempe3o, y as$
trasformar el mundo empresarial, el software
desarrollado pretende alcan0ar el alto rendimiento,
desempe3o gracias a los indicadores de desempe3o
del negocio.
&on el conocimiento de los diferentes modelos de
an2lisis de gesti"n se inicia tomando la papeler$a para
poner en pr2ctica el modelo Balanced Scorecard,
observando la necesidad de ofrecer una visi"n
integrada y balanceada
;. ,T&&).* ,7 )*)&)+ < =)*A7 , 7A
%A7ABRA
-na ve0 configurada la tar1eta de sonido, la se3al se
ad#uiere por medio de un micr"fono convencional
para %&. 7a ad#uisici"n de la se3al es continua y debe
por tanto e/istir un algoritmo #ue detecte el inicio y el
fin de la palabra a pronunciar con el ob1etivo de
eliminar los silencios no deseados como se observa en
la figura ;.
=ig. ;. %alabra adelante sin eliminar silencios de inicio
y fin.
Se utili0" un algoritmo #ue determina la cantidad de
energ$a y cruces por cero de la se3al por tramos o
ventanas, el resultado se puede apreciar en la figura >.
Si este proceso no es reali0ado el costo computacional
ser2 m2s alto, debido a #ue el sistema completo
tendr$a #ue estar traba1ando todo el tiempo, adem2s,
es necesario #ue el sistema sepa cuando se ha
pronunciado una palabra para comen0ar a e/traer los
par2metros relevantes.
?o1oa &abrera 5!ctor @uillermo
(
=ig. >. %alabra adelante sin silencios.
;. ATRA&&).* , 7+S &+=)&)*TS ,
%R,)&&).* 7)*A7 B7%&C
l siguiente paso es la e/tracci"n de caracter$sticas de
la se3al. ste proceso es el #ue permite establecer un
patr"n con el cual se logra identificar la palabra D:E.
7a e/tracci"n de caracter$sticas se ha dividido en tres
partes, obtenci"n de 7%&, obtenci"n de 7%&& y
transformada de los coeficientes cepstrales.
7a codificaci"n predictiva lineal es una t!cnica de
e/tracci"n de caracter$sticas de la se3al de vo0
ampliamente usada en sistemas de reconocimiento.
sta permite e/traer caracter$sticas fundamentales del
habla como formantes, envolvente del espectro y
funci"n del tracto vocal. %resenta venta1as como la
relativa velocidad en el c2lculo, es un m!todo
matem2ticamente preciso, es de f2cil implementaci"n
en software o hardware y permite la parametri0aci"n
de la se3al con un nFmero pe#ue3o de patrones D;E.
7a vo0 es una se3al peri"dica en pe#ue3os intervalos
de tiempo, estos tiempos var$an entre (G y ;G
milisegundos Bver figura 8C. ,urante estas ventanas de
tiempo, se puede decir #ue es posible calcular una
muestra de habla mediante la combinaci"n lineal de
las H%I anteriores muestras.
=ig. 8 %eriodicidad por intervalos de la se3al de vo0
7a t!cnica de codificaci"n de predicci"n lineal
consiste en determinar los coeficientes #ue permitir2n
predecir una muestra futura del habla, es por eso #ue
esta t!cnica tambi!n es usada en s$ntesis del habla. l
m!todo de predicci"n lineal aplica un modelo b2sico
de producci"n del habla #ue incluye los efectos de
radiaci"n, tracto vocal y e/citaci"n glotal D;E.

P
k
k
k
z a
G
z U
z S
z H
(
(
C B
C B
C B
B(C
ste modelo es el mostrado en la ecuaci"n ( y
corresponde a un filtro todo polos, donde @ es la
ganancia del sistema, -B0C es la fuente de e/citaci"n,
H%I es el orden de predicci"n y ak son los coeficientes
de predicci"n lineal. 7a interpretaci"n de la ecuaci"n
se muestra en el diagrama de blo#ues de la figura J.

=ig. J. 6odelo de s$ntesis de vo0 basado en 7%&. D>E
A partir del modelo basado en 7%& es posible obtener
la envolvente del espectro de la palabra pronunciada.
n la figura K se muestra la transformada r2pida de
=ourier B==TC de la palabra atr2s, se puede observar
tambi!n la envolvente del espectro obtenido a partir
de los coeficientes 7%& mediante la funci"n
:GlogBabsB5Be
1w
CCC. n dicha gr2fica sobresalen las
frecuencias formates de la palabra BpicosC.
=igura K. ==T y envolvente 7%& de la palabra atr2s.
:
n este caso para la obtenci"n de los coeficientes 7%&
se tomaron ventanas temporales de :Gms, a las cuales
se les hi0o un preLprocesamiento con la ventana
5amming, con el fin de atenuar los efectos de
truncamiento en los bordes D8E. l m!todo usado para
hallar los coeficientes 7%& es el de la autocorrelaci"n,
el cual presenta una ba1a comple1idad computacional.
*ormalmente la funci"n de autocorrelaci"n ayuda a
encontrar patrones repetitivos o periodicidad dentro de
una se3al D:E.

+
k N
m
n n n
k m s m s k R
(
G
C B C B C B
p k G
B:C
7a ecuaci"n : determina la forma de obtener los
coeficientes de autocorrelaci"n Rn, siendo * la
cantidad de muestras de la ventana, sn las muestras y p
la cantidad de coeficientes 7%& deseados. -na ve0
resuelta la ecuaci"n y obtenidos los coeficientes Rn se
obtienen los coeficientes 7%& ak como se muestra en
la ecuaci"n ;. Msta es una matri0 toeplit0 Bp / pC,
#ue es resuelta usando el m!todo recursivo de ,urbin.
1
1
1
1
]
1

1
1
1
1
]
1

1
1
1
1
1
]
1

C B
...
C : B
C ( B
C G B ... C : B C ( B
... ... ... ...
C : B ... C G B C ( B
C ( B ... C ( B C G B
...
(
:
(
p R
R
R
R p R p R
p R R R
p R R R
a
a
a
p
B;C
,e la cantidad de coeficientes 7%& elegidos depende
la e/actitud espectral, el tiempo de c"mputo y los
recursos de memoria utili0ados DJE. %ara este tipo de
aplicaciones puede variar entre N y (>4 en este caso se
tomaron (: por ventana con el fin de mantener una
buena precisi"n en la obtenci"n de las frecuencias
formantes sin elevar demasiado el tiempo y costo
computacional.
>. ATRA&&).* , 7+S &+=)&)*TS
&%STRA7S B7%&&C
-na ve0 se han obtenido los coeficientes 7%& de la
se3al de vo0, es posible e/traer de ellos los
coeficientes cepstrales mediante un algoritmo
recursivo D>E ecuaci"n >.

'

>

,
_

,
_

p m a c
m
k
p m a c
m
k
a
Cm
m
k
k m k
m
k
k m k m
(
(
(
(
,
( ,
B>C
7a principal caracter$stica de los coeficientes
cepstrales es #ue permiten separar del espectro la
se3al de vo0 de la estructura fina y los formantes D>E.
*ormalmente se puede obtener el cepstrum real de
una se3al mediante la transformada inversa del
modulo del espectro en escala logar$tmica DKE
Becuaci"n 8C, sin embargo, representa una menor carga
computacional obtener los coeficientes cepstrales
mediante la recursi"n antes mencionada.
CCE B DlogB C B
(
w s F t c

B8C
7a envolvente espectral de la palabra atr2s obtenida a
partir de los coeficientes cepstrales Btambi!n llamados
7%&& por haber sido obtenidos de los coeficientes
7%&C se puede observar en la figura N. %uede notarse
#ue las formantes presentan cambios m2s suaves y
f2cilmente identificables.
=ig. N nvolvente cepstral de la palabra atr2s
8. TRA*S=+R6A,A , 7+S &+=)&)*TS
&%STRA7S
%ara finali0ar el proceso de e/tracci"n de
caracter$sticas de la se3al de vo0 se saca transformada
r2pida de =ourier a los coeficientes 7%&&, luego,
usando la t!cnica de m2/imos y m$nimos, se obtienen
N par2metros #ue corresponden a las frecuencias
fundamentales de la palabra mencionada y este es el
patr"n #ue finalmente se introduce a la red neuronal
artificial BR*AC backpropagation.
;
J. ,)SO+ < *TR*A6)*T+ , 7A R,
*-R+*A7 BA&P %R+%A@AT)+*.
l sistema encargado de reconocer los patrones de vo0
obtenidos en etapas anteriores est2 compuesto por una
red neuronal artificial. 7as redes neuronales son
t!cnicas #ue pertenecen a la inteligencia artificial y se
basan en el funcionamiento de las neuronas
biol"gicas. ,ichas redes neuronales est2n basadas en
modelos matem2ticos #ue pueden ser implementados
en un ordenador convencional mediante algoritmos
con ciclos repetitivos. Algunas de las venta1as de las
redes neuronales artificiales son DNE'
Aprenden mediante entrenamiento, es decir,
aprenden mediante e1emplos.
Son capaces de organi0ar la informaci"n #ue
reciben durante el aprendi0a1e.
Son tolerantes a fallos, si alguna neurona falla, la
red puede seguir traba1ando con un ba1o nivel de
error.
Son de f2cil implementaci"n y pueden ser
simuladas con los microprocesadores e/istentes.
7a red neuronal #ue se implement" en este traba1o es
la backpropagation desarrollada por Rumelhart,
5inton y Qilliams en (RNJ. Msta red neuronal es
capa0 de autoadaptar los pesos de las neuronas de las
capas intermedias para aprender la relaci"n #ue e/iste
entre un con1unto de patrones dados como e1emplo y
sus correspondientes salidas DNE.
ste tipo de red neuronal cuenta con cone/iones hacia
delante y el tipo de aprendi0a1e es offLline, es decir,
e/iste una etapa de entrenamiento en la cual se le
presentan los patrones #ue la red estar2 en la
capacidad de reconocer. Al finali0ar el entrenamiento
la informaci"n relevante de la red se almacena en los
pesos, #ue hacen parte de las cone/iones #ue e/isten
entre una y otra neurona, !sta caracter$stica es an2loga
a la sinapsis en las redes biol"gicas.
l dise3o de una red neuronal depende de lo bien #ue
responda determinado modelo planteado, es decir, se
establece un dise3o inicial con una cantidad de
determinada neuronas y capas de neuronas. Si la red
no funciona de manera adecuada hay #ue modificar el
nFmero de neuronas o capas de la red hasta #ue el
error disminuya al m$nimo deseado. %ara este caso el
proceso antes mencionado llev" a tener una red
neuronal de tres capas Buna capa de entrada, una capa
de salida y una capa ocultaC. 7a capa de entrada
cuenta con N unidades de entrada, las cuales reciben
los N datos provenientes de la etapa de e/tracci"n de
caracter$sticas de la se3al de vo0. &ada una de las
unidades de entrada se conecta con todas las neuronas
de la capa intermedia, la capa intermedia cuenta con
(G neuronas, cada una de ellas se conecta a cada una
de las neuronas de salida. 7a capa de salida cuenta con
tres neuronas, cada una de las cuales entrega solo dos
posibles valores, por tanto la capa de salida podr2
representar N estados diferentes en total, lo cual es
suficiente para reconocer la cantidad de patrones
dados Bver figura RC. 7a funci"n de activaci"n de las
neuronas de esta red es la sigmoidal, de este modo la
salida de cada neurona incluyendo las de salida estar2
entre G y (, de esta forma si en una neurona de salida
hay un G,N8 este se apro/ima a ( y si hay un G.(: se
apro/ima a cero, si hay un G.8: o un G.>; se puede
decir #ue el patr"n no es reconocido.
=ig. R ,ise3o final de la red neuronal.
7a fase previa a la implantaci"n de la red neuronal es
el entrenamiento de la misma, una red neuronal back
propagation durante el aprendi0a1e calcula la salida de
toda la red con base en un patr"n de e1emplo mostrado
y determina el error con relaci"n a la salida deseada,
luego distribuye el error hacia atr2s a cada una de las
neuronas recalculando as$ todos los pesos de la red.
n la figura (G muestra el proceso de entrenamiento
de la red neuronal.
>
=igura (G. ,iagrama de flu1o de entrenamiento de la
red neuronal.
-na ve0 la red ha sido entrenada, se toman los pesos y
se implementan en el algoritmo de e1ecuci"n de la red
neuronal.
7a red neuronal se implement" sobre la programaci"n
g de 7abview como se muestra en la figura ((.
=ig. ((. Red neuronal implementada en 7abview.
K. RS-7TA,+S
7a interfa0 gr2fica del sistema desarrollado se muestra
en la figura (:.

=ig. (:. )nterfa0 gr2fica del sistema.
Se han logrado implementar correctamente todos los
algoritmos y su funcionamiento est2 de acuerdo con
los modelos matem2ticos planteados, de esta forma ha
sido posible obtener un sistema de reconocimiento de
palabras con un buen grado de acierto.
l entrenamiento de la red neuronal se ha hecho con
un Fnico hablante, es decir, el sistema es dependiente
del locutor. Se tomaron (GG muestras de las palabras a
identificar con un promedio de aciertos del NJS,
siendo este un resultado satisfactorio y con grandes
posibilidades de futuras me1oras al sistema
implementado.
N. &+*&7-S)+*S
-na palabra a pesar de ser repetida por la misma
persona en diferentes oportunidades presenta
variaciones en tiempo y frecuencia, lo #ue hace
dif$cil el reconocimiento y obliga a la utili0aci"n
de diferentes t!cnicas de an2lisis en el dominio del
tiempo o en el dominio de la frecuencia para
obtener patrones #ue puedan ser reconocidos.
7as t!cnicas utili0adas para la e/tracci"n de
caracter$sticas y reconocimiento del patr"n de vo0
tienden a minimi0ar los recursos de m2#uina
utili0ados debido a la futura implementaci"n sobre
hardware de los mismos.
Se plantea como siguiente paso la utili0aci"n de
otras t!cnicas para el reconocimiento de vo0 como
los modelos ocultos de 6arkov, alineamiento
temporal din2mico B,TQC, m!todos relacionados
con medici"n de distancias u otro tipo de redes
neuronales, con el fin de reali0ar un estudio
comparativo #ue indi#ue cual es la m2s adecuada
para este ob1etivo.
8
@ran parte del !/ito en el reconocimiento de
palabras se encuentra en la e/tracci"n de
caracter$sticas relevantes de la se3al de vo0, es por
eso #ue se re#uiere invertir grandes esfuer0os en
la implementaci"n de t!cnicas #ue permitan
entregar resultados satisfactorios.
R. Agradecimientos
A los estudiantes &onstan0a del %ilar Roncancio y
Branko Palmar #ue hacen parte del grupo de
automati0aci"n industrial y han sido parte importante
en el desarrollo del proyecto.
(G. B)B7)+@RA=)A
D(E. &ru0 Beltran, 7uis y Acevedo 6os#uera, 6arco,
&)&os :GGN 6!/ico ,.=., Reconocimiento de To0
usando Redes*euronales Artificiales Backpropagation
y &oeficientes 7%&. )SB*'RKNLJGKLGGLG(J8LR. pp.NRL
RR.
D:E. Alvarado Talderrama, ?orge , /tracci"n de
caracter$sticas mediante 7inear %redective &oding
B7%&C en el Reconocimiento Autom2tico del 5abla,
-niversidad *acional de Tru1illo.
D;E. SA*T+S @AR&)A, @ustavo, )nteligencia
Artificial y matem2tica Aplicada' reconocimiento
autom2tico del habla, -niversidad de Talladolid,
secretariado de publicaciones e intercambio editorial
B:GG(C.
D>E. RAB)*R, 7awrence y ?-A*@, BiingL
5wang(RR; =undamentals of speech recognition. (U
d. *ew ?ersey' %rentice 5all.
D8E Ram$re0 Acosta, Ale1andro y 6artine0 @arcia,
&iro, Reconocimiento autom2tico del locutor
mediante t!cnicas dependientes e independientes del
vocabulario para un sistema acotado por el ancho de
banda telef"nico. &entro de investigaci"n cient$fica y
educaci"n superior de nsenada, 6e/ico.
DJE %ech &armona, ?aime 5umberto, 6e/ico ,.=.
?unio de :GGJ. ,esarrollo de un sistema de
reconocimiento de vo0 para el control de dispositivos
utili0ando mi/turas gaussianas. )nstituto %olit!cnico
*acional.
DKE 6art$n S., &esar y &arrillo A., Roberto. &hile
mayo de :GG>. )mplementaci"n de un reconocedor de
palabras aisladas dependiente del locutor. Revista
facultad de ingenier$a -.T.A. vol (: *( pp RL(>.
DNE 5ilera, ?.R. y 6art$ne0, T.?. Redes *euronales
Artificiales, =undamentos, 6odelos y Aplicaciones.
d. Alfa +mega. &olombia :GGG. pp (( V J8.
DRE. 5ernando %ericas, =rancisco, Barcelona 6ayo
(RR;, T!cnicas de %rocesado y Representaci"n de la
Se3al de To0 para el Reconocimiento del 5abla en
Ambientes Ruidosos.
J