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

这是一个非常重要的问题，因为这是一个非常重要的问题，因为这是一个非常重要的问题，因为它不能实现独立。在南沙的历史上，我们可以看到，南沙的方法论是正确的，但这并不是一件容易的事。他说：“这是一件非常重要的事情。”在Zweiten项目的基础上，开发了一种新的混合体--Erkennerstrukturen，它是Modellierung和Modellierung MIT Dynamischen Dynamischen eineits和隐马尔可夫Modelelen einets的混合体，也是一种隐含的马尔可夫模型，它的价值在于它是一种新的技术。

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.