Connectionist Speech Recognition - 9781461364092

Koneksjonistyczne rozpoznawanie mowy: podejście hybrydowe opisuje teorię i implementację metody włączania podejść sieci neuronowych do najnowocześniejszych systemów ciągłego rozpoznawania mowy opartych na ukrytych modelach Markowa (HMM) w celu poprawy ich wydajności. W tym kontekście sieci neuronowe (w szczególności perceptrony wielowarstwowe lub MLP) zostały ograniczone do dobrze zdefiniowanych podzadań całego systemu, tj. szacowania prawdopodobieństwa emisji HMM i ekstrakcji cech. Książka opisuje udaną pięcioletnią międzynarodową współpracę autorów. Wnioski wyciągnięte ze studium przypadku pokazującego, w jaki sposób można opracować systemy hybrydowe w celu połączenia sieci neuronowych z bardziej tradycyjnymi podejściami statystycznymi. Książka ilustruje zarówno zalety, jak i ograniczenia sieci neuronowych w ramach systemów statystycznych. Korzystając ze standardowych baz danych i porównania z niektórymi konwencjonalnymi podejściami, wykazano, że estymacja prawdopodobieństwa MLP może poprawić wydajność rozpoznawania. Omówiono inne podejścia, chociaż nie ma tak jednoznacznych wyników eksperymentalnych dla tych metod. Koneksjonistyczne rozpoznawanie mowy jest przydatne dla każdego, kto zamierza używać sieci neuronowych do rozpoznawania mowy lub w ramach istniejących, skutecznych metod statystycznych. Obejmuje to grupy badawczo-rozwojowe zajmujące się rozpoznawaniem mowy, zarówno w oparciu o podejście standardowe, jak i sieci neuronowe, a także innych badaczy zajmujących się rozpoznawaniem wzorców i/lub sieciami neuronowymi. Książka nadaje się również jako tekst do zaawansowanych kursów z zakresu sieci neuronowych lub przetwarzania mowy.