Sprachliche Mensch-Maschine-Kommunikation

Transkript
A/D
Converter
Parameterschätzung
Parameter
Signal-
Verarbeitung
Klassifikator
Hypothese
9.1 Klassifikatoren 129
Trainining
Klassifikation
Abb. 9.1. Arbeitsweise eines stochastischen parametrischen Klassifikators
Lernen. Beim überwachten Lernen ist für jedes Muster bekannt, zu welcher
Klasse es gehört. Beim unüberwachten Lernen ist dies nicht der Fall. Oft
ist es sogar so, daß nicht einmal bekannt ist, wieviele und welche Klassen es
überhaupt gibt. In der Spracherkennung kommen beide Varianten des Lernens
vor. Das unüberwachte Lernen findet zum Beispiel Verwendung beim
Erzeugen von Codebüchern mit dem k-Mittelwerte Verfahren. Überwachtes
Lernen wird allerdings viel häufiger verwendet.
9.1.4 Neuronale Netze als Klassifikatoren
Für die meisten interessanten Klassifikationsaufgaben ist es kaum sinnvoll
möglich, deterministische Klassifikatoren zu definieren. Eine naheliegende
Idee besteht darin, die Regeln des Klassifikators ” zu lernen“. Für einfache
lineare Klassifikationsaufgaben wurde schon früh eine einfache Variante eines
neuronalen Netzes eingesetzt, das sogenannte Perzeptron.
Neuronale Netze werden zur Lösung von Klassifikationsaufgaben auch
außerhalb des Gebiets der automatischen Spracherkennung eingesetzt. Immer
dann, wenn anzunehmen ist, daß die optimalen Trennflächen zwischen
den zu unterscheidenden Klassen im oft hochdimensionalen Merkmalsraum
nichtlinear sind, bietet sich der Einsatz etwas komplexerer neuronaler Netze
an, z.B. sogenannte mehrschichtige Perzeptronen (Multi Layer Perceptrons
- MLPs).
Die Verwendung neuronaler Netze in der Spracherkennung wird in Kap.
22 ausführlich behandelt.
9.1.5 Vektor Quantisierung
In der Regel sind die zu klassifizierenden Muster Punkte aus einem mehrdimensionalen
prinzipiell unendlichen Vektorraum, typischerweise R n . In