Sprachliche Mensch-Maschine-Kommunikation

17.2 Ballung von Kontexten 309
1. Initialisiere einen Ballungsknoten mit allen n zu ballenden Modellen.
Alle Modelle haben eine eigene Mixturgewichteverteilung über
einem gemeinsamen Codebuch (semikontinuierliche HMMs).
2. Führe divisive Ballung durch bis m Klassen entstanden sind
(Abbruchkriterium).
3. Für jede der m Klassen: trainiere ein eigenes Codebuch (Gauß-
Mischverteilung) und eine eigene Mixturgewichteverteilung.
4. Führe divisive Ballung erneut durch (ausgehend von bisher erzeugtem
Baum und trainierten Mixturgewichten).
Als Abbruchkriterium wird in den meisten Fällen ein auf Erfahrung
basierender Wert für die Zahl der resultierenden Modelle (typischerweise in
der Größenordnung von mehreren tausend bis mehreren zehntausend) verwendet.
Dieser Wert hängt davon ab, wieviel Trainingsdaten zur Verfügung
stehen. Andere mögliche Kriterien beziehen sich auf die Entwicklung der
Entropie- beziehungsweise Likelihood-Distanzen. Der Ballungsprozeß kann
abgebrochen werden, wenn die besten Distanzen unter einen Schwellwert
fallen oder sich nicht mehr nennenswert ändern. Auf jeden Fall wird durch
jede Auftrennung eines Knotens ein echt positiver Gewinn erzielt (abgesehen
von der unrealistischen Auftrennung in zwei völlig gleiche Unterknoten).
Darüber hinaus kann mit Hilfe einer Kreuzvalidierungsmenge ein automatischen
Abbruch der Ballung erreicht, ohne daß zuvor vom Entwickler ein
Endekriterium definiert werden muß.
17.2.5 Laufzeitbetrachtungen
Bei der Verwendung kontextabhängiger Modelle fällt ein Teil des Potentials
für die Einsparung von Laufzeit weg, da im kontextunabhängigen Fall zum
Beispiel für das Wort ” lila“ zu jedem Zeitpunkt nur eine Emissionswahrscheinlichkeit
für beide L-Laute berechnet werden muß. Wenn die L-Laute
kontextabhängig behandelt werden, haben sie – sofern sie nicht in eine Klasse
zusammengefaßt werden – verschiedene Modelle. Ganz deutlich wird dieses
Phänomen, wenn wir einen Erkenner für sehr große Vokabulare betrachten.
Ist er kontextunabhängig und verwendet 50 Monophone zur Modellierung der
Akustik, dann müssen – wenn die Phoneme nicht in Untersegmente aufgeteilt
sind – zu jedem Zeitpunkt nur maximal 50 Emissionswahrscheinlichkeiten berechnet
werden. Wenn der Erkenner aber Triphone verwendet, dann könnten