Sprachliche Mensch-Maschine-Kommunikation

128 9. Klassifikation und Mustererkennung
bekannt sind, deren korrekte Erkennung sofort mit absoluter Sicherheit auf
die dazugehörige Klasse schließen läßt. Die allermeisten Mustererkennungsaufgaben
sind aber so gestaltet, daß derartige Eigenschaften entweder nicht
bekannt sind, nicht ausreichend exakt definiert werden können oder nicht
ausreichend sicher erkannt werden können.
Für die Erkennung von Sprache gelten alle drei Einschränkungen, für
viele Laute können wir weder genau beschreiben, was diese Laute ausmacht,
noch könnten wir diese Eigenschaften in einem Sprachsignal mit hinreichender
Genauigkeit detektieren. Daher werden wir uns hier auch nicht mit
deterministischen Klassifikatoren befassen.
Stochastische Klassifikatoren werden gerne in parametrische und nicht
parametrische Schätzer unterteilt, je nachdem ob eine bestimmte parametrisierbare
Annahme über die Verteilung der Stichprobendaten gemacht
wird oder nicht. Beim Lernen der Schätzer anhand der Trainingsstichprobe
wird außerdem unterschieden zwischen überwachtem und unüberwachtem
Lernen. Im ersteren Fall wird zum Lernen die Klassenzugehörigkeit eines
Stichprobenelements verwendet, im letzteren liegen diese Informationen
nicht vor oder werden nicht benutzt.
9.1.2 Parametrische und nichtparametrische Schätzer
Nichtparametrische Schätzer kommen in der Spracherkennung selten zum
Einsatz. Typische Beispiele für nichtparametrische Schätzer sind diskrete
Wahrscheinlichkeitsfunktionen (meist dargestellt als Histogramme), die für
jedes Ereignis aus einer diskreten Menge von Ereignissen durch Zählen der
Häufigkeiten aller Ereignisse die relative Häufigkeit berechnet und damit
die Wahrscheinlichkeit des Ereignisses schätzen. Für kontinuierliche Merkmalsräume
können auf ähnliche Art Häufigkeiten für bestimmte Intervalle
oder Teilräume berechnet werden. Mit der Parzen-Fenster Methode [?] [?]
geht das sogar für unterschiedlich groß gewählte Teilräume in Abhängigkeit
von der lokalen Belegungsdichte durch die Trainingsdaten.
Bei stochastischen Klassifikatoren gibt es typischerweise eine Trainingsphase,
in der die Parameter des Systems geschätzt werden und eine Testphase
in der zuvor ungesehene Stichproben klassifiziert werden (s. Abb. 9.1).
9.1.3 Überwachtes und unüberwachtes Lernen
Beim Lernen von Klassifikatoren, egal ob parametrisch oder nicht parametrisch,
kann man unterscheiden zwischen überwachtem und unüberwachtem