Hidden-Markov-Modelle (HMM) und parametrische Wahrscheinlichkeitsdichteschatzungen bilden den Kern heutiger Spracherkennerarchitekturen. Wahrend Hidden-Markov-Modelle die zeitliche Variabilitat der Sprache gut modellieren, ist es moglich, die akustischen Komponenten sehr viel robuster durch verteilungsfreie Klassifikatoren abzubilden. Zu dieser Gruppe gehort auch die Support-Vector-Machine (SVM), ein elegantes und in vielen Anwendungen nachweislich sehr erfolgreiches Lernverfahren zur Musterklassifikation. In dem vorliegenden Buch wird eine Moglichkeit zur Kombination der Vorteile beider Ansatze zu einem hybriden Gesamtkonzept vorgestellt. Neben der Einfuhrung in die Spracherkennung und der Theorie von Support-Vector-Machines gibt der Autor einen umfassenden Einblick in die eigens entwickelte und frei verfugbare SVM-Trainings- und -Testsoftware fur 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 hoheren Semesters.

Данное издание не является оригинальным. Книга печатается по технологии принт-он-деманд после получения заказа.