Sprachliche Mensch-Maschine-Kommunikation

374 22. Künstliche Neuronale Netze
Plosivlaute b, d, g, p, t, k mit jeweils nachfolgendem englischen ” ee“-Laut
ging. Da die Aufnahmen für solche Spracheinheiten relativ kurz waren, war
es üblich, diese als ganzes auf die Eingabeneuronen eines mehrschichtigen
Perzeptrons (engl. multi-layer perceptron MLP) zu legen. So gelang es unter
günstigen Bedinungen (ein Sprecher, geräuschfreie Umgebung, saubere
und exakt geschnittene Aufnahmen) relativ gute Klassifikationsraten zu erzielen
(z.B. [?] [?]). Es stellte sich allerdings recht schnell heraus, daß einfache
MLPs nicht geeignet waren um damit Laute unter ungünstigen Bedingungen
oder gar kontinuierlich gesprochene Sprache zu erkennen. Im Laufe
der Zeit wurden vermehrt komplexere Achitekturen als MLPs verwendet um
die speziellen Eigenheiten gesprochener Sprache zu berücksichtigen. Einfache
MLP-Klassifikatoren werden aber bis heute noch verwendet, um damit Teilaufgaben
der Spracherkennung zu lösen, wie z.B. die Erkennung bestimmter
Umstände (Sprechermerkmale, akustische Umgebung o.ä.) welche dann zu
Steuerung des Erkennungsprozesses weiterverwendet werden.
22.2.2 Elman-Netze und Jordan-Netze
Ein häufiger Kritikpunkt an der Verwendung von neuronalen Netzen zur
Erkennung von Sprache ist die Tatsache, daß ein ” reguläres“ MLP eine in
dem Sinne statische Ausgabe produziert, daß diese nur von einem statischen
Eingabefenster abhängt und nicht vom Zeitlichen Verlauf der Eingabemuster.
Während Hidden Markov Modelle in der Lage sind, die Dynamik der
Sprache durch ihre Zustandsfolgen zu modellieren, fehlt diese Fähigkeit
bei gewöhnlichen MLPs. Ein Ansatz, der sich bis heute bei den erfolgreich
verwendeten konnektionistischen Spracherkennern gehalten hat, besteht
darin, daß die ” Entscheidung“, die das Netz trifft, davon abhängig gemacht
wird, welche Entscheidung es einen oder einige Zeittakte zuvor getroffen
hat. Dadurch wird eine Kontextabhängigkeit in den Entscheidungsprozeß
eingebaut, die dafür sorgt, daß nicht zu jedem Muster ein ganz bestimmtes
Klassifikationsergebnis nur durch die Netzgewichte definiert ist, sondern daß
auch das vorherige Klassifikationsergebnis eine Rolle spielt.
Die beiden naheliegenden Netzwerkarchitekturen werden als Elman-Netze
und Jordan-Netze (s. Abb. 22.2). Bei Jordan-Netzen werden Ausgänge des
Netzes wieder als Teil der Eingabe verwendet. Das heißt der Kontext wird
durch die vorherige Klassifikation definiert. Bei Elman-Netzen werden die
Ausgaben einiger Neuronen der versteckten Schichten wieder als Eingabe
verwendet.