- •МГЛУ
- •Новые информационные технологии в лингвистике
- •Автоматическое распознавание речи
- •Процесс порождения речи
- •Процесс порождения речи у человека
- •Речевая волна во временной области
- •Речевая волна во временной и частотной областях
- •Речевая волна во временной и частотной областях
- •Представление речи в виде формантных траекторий
- •Перекрытие областей формантных частот
- •Положение центроидов основных гласных
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Колонка коры (по Батуеву А.С.)
- •Гиперколонка коры (по Батуеву А.С.)
- •Отдельные слова словарей раскладываются по
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Процесс восприятия речи человеком
- •Коммуникационный акт
- •Структура коммуникационной системы для организации речевого поведения
- •Структура коммуникационной системы для организации речевого поведения
- •Структура коммуникационной системы для организации речевого поведения
- •Информационно-кодовая модель коммуникации Шеннона и Уивера
- •Под распознаванием речи понимается выделение информации из преобразованного сигнала, полученного адресатом от адресанта
- •Правило Байеса
- •Правило Байеса
- •Правило Байеса
- •Правило Байеса
- •Правило Байеса
- •Информационно-кодовая модель коммуникации Шеннона и Уивера, модифицированная для коммуникационного акта Якобсоном
- •Автоматическое распознавание речи
- •Автоматическое распознавание речи
- •Автоматическое распознавание речи
- •Автоматическое распознавание речи
- •Автоматическое распознавание речи
- •Автоматическое распознавание речи
- •Автоматическое распознавание речи
- •Автоматическое распознавание речи
- •Акустико-фонетический подход
- •Акустико-фонетический подход
- •Акустико-фонетический подход
- •Подход, основанный на распознавании образов
- •Подход, основанный на распознавании образов
- •Подход, основанный на распознавании образов
- •Подход, основанный на распознавании образов
- •Подход на основе искусственного интеллекта
- •Подход на основе искусственного интеллекта
- •Подход на основе искусственного интеллекта
- •Подход, основанный на искусственных нейронных сетях
- •Подход, основанный на искусственных нейронных сетях
- •Нейронные сети
- •Первичная обработка
- •Спектральный анализ
- •Спектральный анализ
- •Спектральный анализ
- •Анализ на основе линейного предсказывающего кодирования
- •Анализ на основе линейного предсказывающего кодирования
- •Анализ на основе линейного предсказывающего кодирования
- •Анализ на основе линейного предсказывающего кодирования
- •Векторное квантование
- •Векторное квантование
- •Векторное квантование
- •Векторное квантование
- •Антропоморфная модель анализа
- •Психоакустическое сглаживание спектра
- •Психоакустическое сглаживание спектра
- •Психоакустическое сглаживание спектра
- •Психоакустическое сглаживание спектра
- •Психоакустическое сглаживание спектра
- •Психоакустическое сглаживание спектра
- •Психоакустическое сглаживание спектра
- •Психоакустическое сглаживание спектра
- •Принятие решения
- •Принятие решения
- •Динамическое программирование
- •Динамическое программирование
- •Динамическое программирование
- •Динамическое программирование
- •Динамическое программирование
- •Динамическое программирование
- •Динамическое программирование
- •Динамическое программирование
- •Правило Байеса
- •Правило Байеса
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Стандартный СММ распознаватель
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Скрытые Марковские модели
- •Реализация и использование систем распознавания речи
- •Реализация и использование систем распознавания речи
- •Промышленные системы распознавания речи Стандартная система распознавания речи
- •Промышленные системы распознавания речи
- •Промышленные системы распознавания речи
- •Промышленные системы распознавания речи
- •Промышленные системы распознавания речи
- •Промышленные системы распознавания речи
- •Промышленные системы распознавания речи
- •Диалог человека и машины
- •Диалог человека и машины
- •Диалог человека и машины
- •Диалог человека и машины
- •Сравнение эффективности распознавания человеком и искусственными системами
- •Сравнение эффективности распознавания человеком и искусственными системами
- •Сравнение эффективности распознавания человеком и искусственными системами в условиях шума
Структура коммуникационной системы для организации речевого поведения
7
Информационно-кодовая модель коммуникации Шеннона и Уивера
8
Под распознаванием речи понимается выделение информации из преобразованного сигнала, полученного адресатом от адресанта
9
Правило Байеса
Адресант передает, а адресат принимает одно из группы Hсобытий1, H2 ,..., Hn
(классов, к которым относятся передаваемые и получаемые сообщения). Группа событий обладает
i H j ;i, j 1..n,i j
1) все события попарно несовместны:
;H1 H2 ...Hn
2) их объединение образует пространство элементарных исходов :
10
Правило Байеса
|
|
|
|
|
P(Hk / A) |
P(A/ Hk )P(Hk ) |
|
|
Пусть |
|
|
|
|
P(A/ Hi ) |
– |
||
|
|
|
|
|
||||
1 |
2 |
,..., H |
n |
- полная группа событий и |
||||
|
H |
, H |
|
|
|
A |
|
некоторое событие. Тогда по формуле Байеса исчисляется
вероятность реализации гипотезы |
при условии, что |
Hk |
|
событие А произошло. Здесь А – конкретное наблюдение |
|
(измерение). |
Hk |
P(Hk ) |
- априорная вероятность гипотезы |
|
P(Hk | A) |
- апостериорная вероятность |
известны функции распределения вектора признаков для
P(A | Hk )
каждого класса
11
Nk
Правило Байеса
P(Hk / A) |
P(A/ Hk )P(Hk ) |
|
P(A/ Hi ) |
||
|
Эти вероятности можно оценить методами математической статистики на множестве прецедентов.
P(H ) N / N |
, гдеN |
- число прецедентовk из |
|||
N ,k |
k |
k |
P(A | Hk ) |
H |
|
- |
|||||
- общее число прецедентов. |
гистограмма распределенияHk вектора
признаков для прецедентов из класса .
11
Правило Байеса
|
H |
H |
|
P(H | A) P(H | A) |
||
|
2и |
, если1 |
|
2 |
||
В случае двух классов1 |
|
|
||||
A то |
H1 |
|
|
H2 |
. |
|
классифицируется в |
|
, иначе в |
|
12
Правило Байеса
13
Правило Байеса
P(Hk / A) |
P(A/ Hk )P(Hk ) |
|
P(A/ Hi ) |
||
|
14
Информационно-кодовая модель коммуникации Шеннона и Уивера, модифицированная для коммуникационного акта Якобсоном
15