Sprachliche Mensch-Maschine-Kommunikation

360 21. Robustheit und Adaption
Trainings-
daten
Training
Test Modelladaption
Signaladaption
Test-
daten
Signaltransformation
Parameterschätzung
Modell
Erkennung
transformiertes
Signal
Parametertransformation
transformiertes
Modell
Hypothese
Abb. 21.2. Verschiedene Ziele für die Adaption: Signal oder Modelle)
berechnet und auf den Testdaten angewendet werden, so daß das Transformierte
Signal besser auf das Modell paßt. Der Begriff ” passen“ kann in
diesem Zusammenhang verschiedenes bedeuten. In den meisten Fällen ist
damit gemeint, daß die Beobachtungswahrscheinlichkeit der Testdaten bei
gegebenem Modell möglichst groß ist (Maximum Likelihood).
Im Falle der Modelladaption, werden die Parameter des Erkenners so
transformiert, daß sie auf das aktuelle Signal möglichst gut passen. Im
Prinzip ist es auch möglich und oft sogar sinnvoll, beide Adaptionsziele
gleichzeitig zu verfolgen. Wenn mit Hilfe der Signaladaption auch schon
während des Trainings eine Normierung der Daten erzielt wird, dann kann
auf diese Art die Streuung der Parameter oder auch deren Anzahl verkleinert
werden und das ganze Modell robuster geschätzt werden.
Die Transformation kann – und tut es in vielen Fällen auch – aus
mehreren einzelnen Transformationen bestehen, die jeweils für einen Teil
des Merkmalsraums oder einen Teil der Modelle gilt. Im Extremfall könnte
jeder Parameter eine eigene Transformation haben. Wenn dafür ausreichend
Adaptionsdaten zur Verfügung stünden, könnten allerdings die Parameter
selbst damit trainiert werden.
Gl. 21.1 zeigt, wie sich eine mögliche Signaladaption fS j (x) auf die
Berechnung der Emissionswahrscheinlichkeiten mit Gauß-Mischverteilungen