Sprachliche Mensch-Maschine-Kommunikation

XII Inhaltsverzeichnis
19. Parameterraumoptimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329
19.1 Parameterarten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330
19.1.1 Mittelwertsvektoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 330
19.1.2 Kovarianzmatrizen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
19.1.3 Mixturgewichte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
19.2 Parameterkopplung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
19.2.1 Kopplung von
Zustandsübergangswahrscheinlichkeiten . . . . . . . . . . . . . 332
19.2.2 Arten der Parameterkopplung . . . . . . . . . . . . . . . . . . . . . . 333
19.3 Architekturentwurf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334
19.4 Kompaktifizierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336
19.4.1 Typen von Kovarianzmatrizen . . . . . . . . . . . . . . . . . . . . . 336
19.4.2 Vereinfachung von Kovarianztypen . . . . . . . . . . . . . . . . . 339
19.4.3 Selektive Radialisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . 340
19.4.4 Kopplung von Kovarianzparametern . . . . . . . . . . . . . . . . 342
19.5 Lose gekoppelte Kovarianzen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
20. Erkennung von Spezialvokabular . . . . . . . . . . . . . . . . . . . . . . . . . 345
20.1 Buchstabiererkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345
20.2 Erkennung beliebiger Namen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
21. Robustheit und Adaption . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353
21.1 Sprecherabhängigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354
21.2 Spontane Effekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356
21.3 Geräuschmodellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357
21.4 Adaptionsziele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 359
21.5 Adaptionsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 361
21.5.1 MLLR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362
21.5.2 Label-Boosting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363
21.5.3 SAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 364
21.5.4 MAP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365
21.5.5 VTLN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
22. Künstliche Neuronale Netze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371
22.1 Probleme reiner HMM-Erkenner . . . . . . . . . . . . . . . . . . . . . . . . . . 372
22.2 Architekturen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373
22.2.1 Netze zur Klassifikation . . . . . . . . . . . . . . . . . . . . . . . . . . . 373
22.2.2 Elman-Netze und Jordan-Netze . . . . . . . . . . . . . . . . . . . . 374
22.2.3 LVQ – Learning Vector Quantization . . . . . . . . . . . . . . . 375
22.2.4 Kohonens selbstorganisierende Karten. . . . . . . . . . . . . . . 377
22.2.5 MS-TDNNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379
22.2.6 LPNNs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
22.2.7 Hierarchische Mixturen von Experten . . . . . . . . . . . . . . 384