Belegarbeit (.pdf - 2.3 MB) - Technische Universität Dresden
Belegarbeit (.pdf - 2.3 MB) - Technische Universität Dresden
Belegarbeit (.pdf - 2.3 MB) - Technische Universität Dresden
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
3. ALLGEMEINER AUFBAU EINES SPRACHERKENNERS 21<br />
Referenzmuster durchgeführt und das am besten passende gesucht. [7]<br />
3.3.3 Hidden Markov Modell<br />
Das Hidden Markov Modell (HMM) versucht Sprachsignale durch ihre statistischen Eigenschaften zu<br />
beschreiben. Zu jedem Eintrag im Vokabular wird ein statistisches Modell erstellt. Dabei wird jeder<br />
Eintrag in seine Phoneme zerlegt und die entsprechenden Wahscheinlichkeiten ermittelt. Abbildung 3.7<br />
stellt dieses Modell für das Wort ’haben’ dar. Im oberen Teil sind die Übergangswahrscheinlichkeiten für<br />
die einzelnen Zustände zu sehen. Im unteren Teil werden die Wahrscheinlichkeiten dafür gegeben, im<br />
entsprechenden Zustand die angegebene Beobachtung gemacht zu haben. Die zeitlichen Unterschiede<br />
zwischen Eingabe und Referenz werden dadurch beglichen, das auch die Wahrscheinlichkeiten dafür<br />
gegeben sind ob ein Zustand weiterhin anhält oder ob ein Übergang stattfindet.<br />
Abbildung 3.7: Hidden Markov Modell für das Wort ’haben’ nach [7]<br />
Später wird die Wahrscheinlichkeit, dass die Beobachtete Phonemfolge tatsächlich zu einer Referenz<br />
gehört, durch folgende Formel berechnet:<br />
P (Y ) = ∑ X<br />
P (Y |X) P (X)<br />
Wobei Y die beobachtete Phonemfolge ist und X der Phonemfolge einer Referenz entspricht. Auch hier<br />
wird zum Schluß die wahrscheinlichste Referenz als Ergebnis zurückgegeben oder die gesamte Eingabe<br />
als ’nicht erkannt’ verworfen. [7]