Sprachliche Mensch-Maschine-Kommunikation

p(x|A)
22.2 Architekturen 373
p(x|B) 1 p(A|x) p(B|x)
Abb. 22.1. Maximum Likelihood und Maximum A-Posteriori Klassifikatoren
tatsächliche P(C|x) berechnen, wofür weniger Parameter benötigt werden als
für das Schätzen der wesentlich komplizierteren Kontur der klassenbedingten
Wahrscheinlichkeitsfunktionen.
Es wurden auch Versuche unternommen, neuronalen Netzen das Simulieren
von Maximum-Likelihood Schätzern beizubringen (z.B. [?] [?]), die dabei
verwendeten Trainingsalgorithmen erinnern aber an Standard stochastische
Schätzer.
22.2 Architekturen
Je nach der Aufgabe, für die die neuronalen Netze eingesetzt werden
sind verschiedene Architekturen sinnvoll. Werden sie als Berechner von
Emissionswahrscheinlichkeiten verwendet, so sind mehrschichtige Perzeptronen
ohne besondere Berücksichtigung der Dynamik eine gute Wahl. Die
Aufgabe solcher Netze ist schließlich keine Klassifikationsaufgabe sondern
die Approximation einer Dichtefunktion.
Netze, die Entscheidungen treffen, arbeiten besser, wenn sie diese in
Abhängigkeit von zuvor gemachten Entscheidungen treffen können, wenn sie
also einen größeren zeitlichen Kontext verwenden. Solche Netze, die zuvor
gewonnene Informationen für spätere Entscheidungen verwenden heißen
rekurrente Netze.
22.2.1 Netze zur Klassifikation
In den Anfängen der Spracherkennung bestanden viele Forschungsaufgaben
aus der Klassifikation von Lauten – meist einzelne Phoneme oder der so
genannen BDG- bzw. BDGPTK-Task, bei der es um die Klassifikation der