Ein systematischer Ansatz zur Ausnutzung von Korrelationen aufeinander folgender Merkmalsvektoren in der automatischen Spracherkennung

Bekannte Schwachstellen heutiger automatischer Sprackerkennungssysteme sind die mangelnde Robustheit gegenüber gestörten（z.B. Interframe-ASR”2是一个基于隐马尔可夫模型的条件独立性的Merkmalsvektortrajektorie的非线性建模工具。为了理解贝叶斯理论中的一种解释方法，我们需要对基于贝叶斯理论的解释方法进行分析，并对基于贝叶斯理论的解释方法进行解释。这种相互关联的两性平等问题必须通过动态模型来解决。在两个不同的项目中，劳动力的Schwerpunkt是一种混合的劳动力结构，它是一种动态模型和隐马尔可夫模型的混合模型，并且是一种简单的混合模型。

Bekannte Schwachstellen heutiger automatischer Spracherkennungssysteme sind die mangelnde Robustheit gegenüber gestörten (z.B. verrauschten) Eingangssignalen, „Interframe-ASR“ 2 sowie die unzulängliche Modellierung einer Merkmalsvektortrajektorie aufgrund der üblichen conditional independence Annahme, die besagt, dass die Wahrscheinlichkeit für einen Merkmalsvektor lediglich vom Hidden Markov Modellzustand abhängt. Ausgehend von einer Erweiterung der Herleitung des Spracherkenners aus der Bayes’schen Entscheidungsregel, welche das Vorhandensein von gestörten Merkmalsvektoren und Korrelationen aufeinander Sprachrahmen explizit berücksichtigt, wurden zunächst Methoden der geräuschrobusten Erkennung untersucht. Die Korrelationen aufeinander folgender Merkmalsvektoren wurden dabei mit schaltenden dynamischen Modellen erfasst. Der Schwerpunkt der Arbeiten im zweiten Projektabschnitt ist die Entwicklung hybrider Erkennerstrukturen, die die Vorteile der Modellierung mit dynamischen Modellen einerseits und hidden Markov Modellen andererseits vereinen sollen, um zu einer insgesamt höheren Erkennungsrate zu gelangen.