Evolutionäre Algorithmen in der Spracherkennung

von: Alexander Eslava

Abstract

Dieser Text stellt einige evolutionär optimierte Klassifikatoren vor, mit Fokus auf Erkennung von Phonemen in der Spracherkennung. Das sind zum einen GA-Clustering, ein genetischer Vektor-Quantisierer; außerdem ein GPKlassifikator, welcher Programme entwickelt, die direkt aus dem rohen Zeitsignal Phoneme extrahieren; und schließlich Evolutionäre Neuronale Netze mit GA-Optimierung von Verbindungsgewichten, Topologie oder Aktivierungsfunktionen.

1. Einleitung

Evolutionäre Algorithmen werden zunehmend zur Anwendung in Lernverfahren der Mustererkennung interessant, insbesondere zur Erkennung von Sprache. Ziel dieses Textes ist es, die Anwendungsmöglichkeiten von EAs für die Spracherkennung aufzuzeigen. Es werden exemplarisch einige evolutionär optimierte Klassifikatoren vorgestellt. Das sind zum einen GA-Clustering, ein genetischer Vektor-Quantisierer; außerdem ein GP-Klassifikator, welcher Programme entwickelt, die direkt aus dem rohen Zeitsignal Phoneme extrahieren; und schließlich Evolutionäre Neuronale Netze mit GA-Optimierung von Verbindungsgewichten, Topologie oder Aktivierungsfunktionen. Der Rest dieser Arbeit ist folgendermaßen gegliedert: Abschnitt 2 gibt einen knappen ¨Überblick über die Phasen eines typischen Spracherkennungsprozesses. Im Anschluss wird die Extraktion von Features aus dem Zeitsignal erläutert. Abschnitt 4 führt einige Begriffe zum Lernen und Erkennen von Phonemen ein. Die nächsten Abschnitte stellen die genannten Anwendungsgebiete vor, wobei im Abschnitt 8 über evolutionäre Neuronale Netze zuerst die Grundlagen behandelt werden.

2. Signalfluss von Spracherkennungssytemen

Der typische Vorgang der Spracherkennung [7] lässt sich grob folgendermaßen zusammenfassen:

1. Vorverarbeitung des Audiosignals. Das kann z.B. Rauschunterdrückung oder Filterung sein.
2. Feature-Extraktion. Dabei wird das Zeitsignal in eine Sequenz von Feature-Vektoren transformiert. Features sind Merkmale wie z.B. das Spektrum.
3. Phonem-Klassifikation. Ein Feature-Vektor wird auf eine Phonemklasse abgebildet.
4. Worterkennung. In der Folge von Phonemen werden Wörter gesucht, in der Regel durch Vergleichen mit sogenannten Hidden-Markov-Models. Bei Einzelworterkennung wird nur das ähnlichste Wort ausgegeben. Bei kontinuierlicher Sprache wird eine Menge von mehreren möglichen Worten ausgegeben.
5. Eine anschließende kontextabhängige Analyse (grammatisch oder statistisch) wählt in kontinuierlicher Sprache das plausibelste Wort aus der Menge aus.

3. Feature-Extraktion

[...]