Sieci Bayesa w rozpoznawaniu mowy

• Autorzy: Mermon A.

Warianty tytułu

EN

Bayes networks used in application to speech signal recognition

• Języki publikacji: PL

Abstrakty

PL

Problematyka rozpoznawania mowy nie doczekała się, jak dotąd, kompleksowego rozwiązania. Współczesne efektywne systemy rozpoznawania mowy korzystają najczęściej z metod stochastycznych opartych na ukrytych modelach Markowa. Alternatywą dla nich mogą być sieci Bayesa, będące odpowiednią strukturą do formułowania modeli probabilistycznych, które cechują się jednocześnie precyzją oraz zwartością. Sieci Bayesa mogą reprezentować rozkład prawdopodobieństwa dowolnego zbioru zmiennych losowych. Mnogość dostępnych obecnie algorytmów i narzędzi obliczeniowych sprawia, że testowanie i wdrażanie nowych rozwiązań staje się mniej pracochłonne. Zalety te determinują duże możliwości wykorzystania sieci Bayesa do rozwiązywania praktycznych problemów również w zakresie rozpoznawania mowy.

EN

Speech recognition problem hasn't been fully-scaled solved till nowadays. Contemporary effective speech recognition systems mostly use stochastic methods based on Hidden Markov Models. Bayes networks can be alternative to them. BN are appropriate structures to formulate probabilistic models, which are simultaneously precise and compact. They can represent a probability distribution of arbitrary set of random variables. Variety of algorithms and computational tools which are available to use makes testing and implementing new solutions less demanding. Those advantages determine that Bayes networks have potential to be used in solving practical problems also in the area of speech recognition.

Słowa kluczowe

PL

sieci Bayesa; sygnał mowy; cyfrowe przetwarzanie sygnałów; rozpoznawanie sygnału mowy; DBN

EN

Bayes networks; speech signal; digital signal processing; speech signal recognition; DBN

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2011
• Tom: R. 15, nr 12
• Strony: 109--111
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Mermon A.

• AGH Akademia Górniczo-Hutnicza, Wydział EAIiE, Katedra Automatyki,

Bibliografia

• 1. Flasiński M.: Wstęp do sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa 2011.
• 2. Tadeusiewicz R.: Speech in Human System Interaction, [w:] Pardela T., Wilamowski B.M. (red.): International Conference on Human System Interaction, Rzeszów, IEEE-Press, 2010, 2-13.
• 3. Martin J.H., Jurafsky D.: Speech and Language Processing, An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognitio, Prentice Hall, 2000.
• 4. Jensen F. V. : Bayesian Networks and Decision Graphs, „Information Science and Statistics”, Springer, 2011.
• 5. Murphy K.P.: Dynamic Bayesian Networks: Representation, Inference and Learning, PhD thesis, University of California, Berkeley, 2002.
• 6. Wiggers P.: Modelling Context in Automatic Speech Recognition. PhD thesis, TU Delft, Netherlands, 2008.
• 7. Bourlard H., Morgan N.: Connectionist Speech Recognition: A Hybrid Approach, Dordrecht 2002.
• 8. Jelinek F.: Statistical Methods for Speech Recognition, MIT Press, Cambridge, Massachussets, 1997.
• 9. Grocholewski S.: Statystyczne podstawy systemu ARM dla języka polskiego, Wydawnictwo Politechniki Poznańskiej, Poznań 2001.
• 10. Tadeusiewicz R.: Sygnał mowy, Wydawnictwa Komunikacji i Łączności, Warszawa 1988