Connectionist Speech Recognition: A Hybrid Approach

تشخیص گفتار ارتباطگرا: یک رویکرد ترکیبی نظریه و اجرای روشی را برای ترکیب رویکردهای شبکه عصبی در پیشرفته ترین سیستم های تشخیص گفتار پیوسته بر اساس مدل های پنهان مارکوف (HMM) برای بهبود آنها توصیف می کند. کارایی. در این چارچوب، شبکه‌های عصبی (و به ویژه، پرسپترون‌های چندلایه یا MLPs) به وظایف فرعی کاملاً تعریف‌شده کل سیستم، یعنی تخمین احتمال انتشار HMM و استخراج ویژگی محدود شده‌اند.
این کتاب یک همکاری بین المللی موفق پنج ساله بین نویسندگان را شرح می دهد. درس های آموخته شده یک مطالعه موردی را تشکیل می دهد که نشان می دهد چگونه سیستم های ترکیبی را می توان برای ترکیب شبکه های عصبی با رویکردهای آماری سنتی تر توسعه داد. این کتاب مزایا و محدودیت های شبکه های عصبی را در چارچوب یک سیستم آماری نشان می دهد.
با استفاده از پایگاه های داده استاندارد و مقایسه با برخی از رویکردهای مرسوم، نشان داده شده است که تخمین احتمال MLP می تواند عملکرد تشخیص را بهبود بخشد. روش‌های دیگر مورد بحث قرار می‌گیرند، اگرچه چنین نتیجه تجربی صریحی برای این روش‌ها وجود ندارد.
تشخیص گفتار کانکشنیست برای هر کسی که قصد استفاده از شبکه های عصبی را برای تشخیص گفتار یا در چارچوب ارائه شده توسط یک رویکرد آماری موفق موجود دارد، کاربرد دارد. این شامل گروه‌های تحقیق و توسعه است که در زمینه تشخیص گفتار، هر دو با رویکردهای استاندارد و شبکه عصبی، و همچنین سایر محققان شناسایی الگو و/یا شبکه‌های عصبی کار می‌کنند. این کتاب همچنین به عنوان متنی برای دوره های پیشرفته شبکه های عصبی یا پردازش گفتار مناسب است.

Connectionist Speech Recognition: A Hybrid Approach describes the theory and implementation of a method to incorporate neural network approaches into state of the art continuous speech recognition systems based on hidden Markov models (HMMs) to improve their performance. In this framework, neural networks (and in particular, multilayer perceptrons or MLPs) have been restricted to well-defined subtasks of the whole system, i.e. HMM emission probability estimation and feature extraction.
The book describes a successful five-year international collaboration between the authors. The lessons learned form a case study that demonstrates how hybrid systems can be developed to combine neural networks with more traditional statistical approaches. The book illustrates both the advantages and limitations of neural networks in the framework of a statistical systems.
Using standard databases and comparison with some conventional approaches, it is shown that MLP probability estimation can improve recognition performance. Other approaches are discussed, though there is no such unequivocal experimental result for these methods.
Connectionist Speech Recognition is of use to anyone intending to use neural networks for speech recognition or within the framework provided by an existing successful statistical approach. This includes research and development groups working in the field of speech recognition, both with standard and neural network approaches, as well as other pattern recognition and/or neural network researchers. The book is also suitable as a text for advanced courses on neural networks or speech processing.