Hidden-Markov-Modelle (HMM) und parametrische
Wahrscheinlichkeitsdichteschätzungen bilden den Kern
heutiger Spracherkennerarchitekturen. Während
Hidden-Markov-Modelle die zeitliche Variabilität der
Sprache gut modellieren, ist es möglich, die
akustischen Komponenten sehr viel robuster durch
verteilungsfreie Klassifikatoren abzubilden. Zu
dieser Gruppe gehört auch die Support-Vector-Machine
(SVM), ein elegantes und in vielen Anwendungen
nachweislich sehr erfolgreiches Lernverfahren zur
Musterklassifikation. In dem vorliegenden Buch wird
eine Möglichkeit zur Kombination der Vorteile beider
Ansätze zu einem hybriden Gesamtkonzept vorgestellt.
Neben der Einführung in die Spracherkennung und der
Theorie von Support-Vector-Machines gibt der Autor
einen umfassenden Einblick in die eigens entwickelte
und frei verfügbare SVM-Trainings- und -Testsoftware
für segmentierte Sprachdaten. Auf Grundlage dieser
kombinierten Architektur wird die Leistung des
Spracherkenners algorithmisch realisiert,
experimentell untersucht und bewertet. Das Buch
richtet sich an Entwickler und Forscher, aber auch an
Studenten des höheren Semesters.

Autorentext
Herr Dipl.-Ing. (FH) André Stuhlsatz hat seinen Abschluss im Fach Elektrotechnik an der FH-Düsseldorf im Jahr 2003 erhalten. Er war am Fraunhofer Institut FIT beschäftigt und ist jetzt im Labor für Mustererkennung der FH-Düsseldorf tätig. Er verfolgt seine Promotion über Lernverfahren am Lehrstuhl für Kognitive Systeme der Universität Magdeburg.

Klappentext
Hidden-Markov-Modelle (HMM) und parametrische Wahrscheinlichkeitsdichteschätzungen bilden den Kern heutiger Spracherkennerarchitekturen. Während Hidden-Markov-Modelle die zeitliche Variabilität der Sprache gut modellieren, ist es möglich, die akustischen Komponenten sehr viel robuster durch verteilungsfreie Klassifikatoren abzubilden. Zu dieser Gruppe gehört auch die Support-Vector-Machine (SVM), ein elegantes und in vielen Anwendungen nachweislich sehr erfolgreiches Lernverfahren zur Musterklassifikation. In dem vorliegenden Buch wird eine Möglichkeit zur Kombination der Vorteile beider Ansätze zu einem hybriden Gesamtkonzept vorgestellt. Neben der Einführung in die Spracherkennung und der Theorie von Support-Vector-Machines gibt der Autor einen umfassenden Einblick in die eigens entwickelte und frei verfügbare SVM-Trainings- und -Testsoftware für segmentierte Sprachdaten. Auf Grundlage dieser kombinierten Architektur wird die Leistung des Spracherkenners algorithmisch realisiert, experimentell untersucht und bewertet. Das Buch richtet sich an Entwickler und Forscher, aber auch an Studenten des höheren Semesters.