Zusammenfassung
Hidden-Markov-Modelle (HMM) werden in der automatischen Spracherkennung zur Modellierung von Sprachsignalen erfolgreich angewendet. Mit einem HMM wird die Folge der im Sprachsignal nicht direkt beobachtbaren phonetischen Zustände S t durch eine Markovkette erster Ordnung beschrieben. Die Statistik der alle 10 bis 20 ms beobachteten Merkmalsgrößen Y t wird dabei allein durch den aktuellen Zustand der Markovkette bestimmt.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
Falkhausen, M., Euler, S.A., and Wolf, D., “Improved Training and Recognition Algorithms with VQ-Based Hidden Markov Models”, ICASSP 90, pp. 549–552.
Levinson, S.E., Rabiner, L.R., and Sondhi, M.M., “An Introduction to the Application of the Theory of Probabilistic Functions of a Markov Process to Automatic Speech Recognition”, Bell Syst. Tech. J., Vol 62, April 1983, pp. 1035–1074.
Russell, M.J., and Moore, R.K., “Explicit Modelling of State Occupancy in Hidden Markov Models for Automatic Speech Recognition”, ICASSP 85, pp. 5–8
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 1990 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Falkhausen, M., Reininger, H., Wolf, D. (1990). Modellierung der zeitlichen Abfolge von phonetischen Zuständen bei automatischer Spracherkennung mit Hidden-Markov-Modellen. In: Ameling, W. (eds) ASST ’90 7. Aachener Symposium für Signaltheorie. Informatik-Fachberichte, vol 253. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-76062-4_44
Download citation
DOI: https://doi.org/10.1007/978-3-642-76062-4_44
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-53124-1
Online ISBN: 978-3-642-76062-4
eBook Packages: Springer Book Archive