Discriminative Learning for Speech Processing. Theory and Practice

دسته بندی: سازمان و پردازش داده ها
ویرایش:  
نویسندگان: He X.,  Deng l.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 121 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 39,000

Издательство Morgan & Claypool, 2008, -121 pp. در این کتاب، ما پیشینه و روش‌های اصلی مدل‌سازی احتمالی و بهینه‌سازی پارامترهای متمایز را برای تشخیص گفتار معرفی می‌کنیم. مدل‌های خاصی که به طور عمیق مورد بررسی قرار می‌گیرند شامل توزیع‌های نمایی-خانوادگی پرکاربرد و مدل پنهان مارکوف است. یک مطالعه دقیق در مورد یکسان کردن توابع هدف مشترک برای یادگیری افتراقی در تشخیص گفتار، یعنی حداکثر اطلاعات متقابل (MMI)، حداقل خطای طبقه‌بندی، و حداقل خطای تلفن / کلمه ارائه شده است. یکسان سازی، با تجزیه و تحلیل دقیق ریاضی، در یک فرم تابع عقلی مشترک ارائه شده است. این فرم رایج استفاده از چارچوب بهینه‌سازی تحول رشد (یا توسعه یافته Baum-Welch) را در یادگیری متمایز پارامترهای مدل ممکن می‌سازد. علاوه بر تمام معرفی‌های لازم پیش‌زمینه و مطالب آموزشی در مورد این موضوع، ما همچنین جزئیات فنی را در مورد استخراج فرمول‌های بهینه‌سازی پارامتر برای توزیع‌های نمایی-خانوادگی، مدل‌های مخفی مارکوف (HMM) و HMM با چگالی پیوسته در یادگیری تبعیض آمیز نتایج تجربی منتخب به‌دست‌آمده توسط نویسندگان به‌صورت دست اول ارائه شده‌اند تا نشان دهند که یادگیری تمایزآمیز می‌تواند به عملکرد تشخیص گفتار برتر نسبت به یادگیری پارامترهای معمولی منجر شود. جزئیات در مورد مسائل اصلی پیاده سازی الگوریتمی با اهمیت عملی ارائه شده است تا پزشکان را قادر می سازد تا به طور مستقیم تئوری قسمت قبلی کتاب را به عمل مهندسی تقلیل دهند. مقدمه و پیشینه
تشخیص گفتار آماری: آموزشی
یادگیری تمایزآمیز: تابع هدف یکپارچه
الگوریتم یادگیری تمایزآمیز برای توزیع های نمایی-خانوادگی
الگوریتم یادگیری تمایزآمیز برای مدل تلفیق مارکوف پنهان
آموزش تبعیض آمیز
نتایج تجربی انتخابی
پایان

Издательство Morgan & Claypool, 2008, -121 pp. In this book, we introduce the background and mainstream methods of probabilistic modeling and discriminative parameter optimization for speech recognition. The specific models treated in depth include the widely used exponential-family distributions and the hidden Markov model. A detailed study is presented on unifying the common objective functions for discriminative learning in speech recognition, namely maximum mutual information (MMI), minimum classification error, and minimum phone/word error. The unification is presented, with rigorous mathematical analysis, in a common rational-function form. This common form enables the use of the growth transformation (or extended Baum–Welch) optimization framework in discriminative learning of model parameters. In addition to all the necessary introduction of the background and tutorial material on the subject, we also included technical details on the derivation of the parameter optimization formulas for exponential-family distributions, discrete hidden Markov models (HMMs), and continuous-density HMMs in discriminative learning. Selected experimental results obtained by the authors in firsthand are presented to show that discriminative learning can lead to superior speech recognition performance over conventional parameter learning. Details on major algorithmic implementation issues with practical significance are provided to enable the practitioners to directly reduce the theory in the earlier part of the book into engineering practice. Introduction and Background
Statistical Speech Recognition: A Tutorial
Discriminative Learning: A Unified Objective Function
Discriminative Learning Algorithm for Exponential-Family Distributions
Discriminative Learning Algorithm for Hidden Markov Model
Practical Implementation of Discriminative Learning
Selected Experimental Results
Epilogue