Sprachliche Mensch-Maschine-Kommunikation

21.5 Adaptionsmethoden 365
auf die HMM-Parameter angewandt wird und in den sprecherunabhängigen
Werten λi resultiert. Sowohl die neuen λi als auch die sprecherabhängigen
Gewichte G (j)
i werden in die nächste Iteration propagiert und dort als neue
Ausgangsbasis verwendet.
G (1)
i−1
λi−1
G (n)
i−1
Adaption
.
.
Adaption
λ (1)
i−1
λ (n)
i−1
EM
Training
.
.
EM
Training
λ (1)
i
λ (n)
i
Abb. 21.4. Sprecheradaptives Training (SAT)
21.5.4 MAP
Berechne
MLLR
Berechne
MLLR
G (1)
i
G (n)
i
sync.
Sei λ das Modell (Parametervektor), das durch die Beobachtung X adaptiert
werden soll, mit der Beobachtungswahrscheinlichkeit p(X|λ). Wenden wir die
Bayes-Regel auf Gl. 21.4 an, so erhalten wir:
ˆλ = argmaxp(X|λ)
· p(λ) (21.7)
λ
p(X|λ) läßt sich leicht berechnen. Es fehlen allerdings die p(λ). Diese
müssen vor der Adaption auf dem Parameterraum geschätzt werden. Man
sieht, daß sich die MAP-Adaption von der Maximum-Likelihood Adaption
nur in diesem einen Faktor. Er sorgt dafür, daß eine kleine Menge an
Adaptionsdaten nicht das gesamte Modell verändert. Die MAP-Adaption
ändert somit nur diejenigen Parameter signifikant, für die es ausreichen
Adaptionsdaten gibt.
λi