Riconoscimento vocale connessionista: un approccio ibrido descrive la teoria e l'implementazione di un metodo per incorporare approcci di rete neurale in sistemi di riconoscimento vocale continuo all'avanguardia basati su modelli Markov nascosti (HMM) per migliorarne le prestazioni. In questo contesto, le reti neurali (e in particolare i percettroni multistrato o MLP) sono state limitate a sottoattività ben definite dell'intero sistema, ovvero la stima della probabilità di emissione di HMM e l'estrazione delle caratteristiche. Il libro descrive una collaborazione internazionale di successo tra gli autori durata cinque anni. Le lezioni apprese formano un caso di studio che dimostra come è possibile sviluppare sistemi ibridi per combinare le reti neurali con approcci statistici più tradizionali. Il libro illustra sia i vantaggi che i limiti delle reti neurali nel quadro di un sistema statistico. Utilizzando database standard e confrontando alcuni approcci convenzionali, è stato dimostrato che la stima della probabilità MLP può migliorare le prestazioni di riconoscimento. Vengono discussi altri approcci, sebbene non esista un risultato sperimentale così inequivocabile per questi metodi. Il riconoscimento vocale connessionista è utile a chiunque intenda utilizzare le reti neurali per il riconoscimento vocale o nel quadro fornito da un approccio statistico di successo esistente. Ciò include gruppi di ricerca e sviluppo che lavorano nel campo del riconoscimento vocale, sia con approcci standard che con reti neurali, nonché altri ricercatori sul riconoscimento di modelli e/o sulle reti neurali. Il libro è adatto anche come testo per corsi avanzati sulle reti neurali o sull'elaborazione del parlato.
caricamento...
