Sprachliche Mensch-Maschine-Kommunikation

13. Das Trainieren von Spracherkennern
Der Begriff ” Training“ ist nicht eindeutig definiert. Im allgemeinen wird
damit der Prozeß bezeichnet, bei dem die Parameter eines Klassifikators optimiert
werden. Der Kern des Trainings bei Hidden-Markov-Modellen sind die
Baum-Welch Optimierungsregeln und im Fallen von Gauß-Mischverteilungen
der Expectation Maximization Algorithmus. In der Praxis gibt es allerdings
noch einige andere Aspekte, die berücksichtigt werden sollten. Im folgenden
werden einige dieser Aspekte erläutert.
13.1 Überblick über den HMM-Entwicklungsprozeß
Man kann die HMM-Entwicklung ganz grob in drei Phasen aufteilen: Nach
der Initialisierungsphase kommt die iterative Optimierung und schließlich
die Evaluation und Bewertung des Systems.
13.1.1 Initialisierung
Verschiedene Möglichkeiten für die initiale Einstellung der Erkennerparameter
sind sinnvoll. Dazu gehört sowohl die völlig unvoreingenommene
zufällig oder gleichverteilte Initialisierung als auch die Verwendung von
zuvor gesammeltem Wissen in Form von exakt beschriebenen (etikettierten)
Sprachaufnahmen.
Zufällige oder gar keine Initialisierung
Grundsätzlich kann man davon ausgehen, daß aus der Theorie der Hidden-
Markov-Modelle und insbesondere der Baum-Welch Optimierungsregeln zu
folgern ist, daß die Trainingsdaten mit jedem Optimierungsschritt besser
modelliert werden. Das heißt, daß es im Prinzip nicht nötig ist, die Parameter
mit irgendwelchen besonderen Werten zu initialisieren. Lediglich die
mathematische Korrektheit (z.B. symmetrische nicht-singuläre Kovarianzmatrizen,
Mixturgewichteverteilungen und Übergangswahrscheinlichkeit, die