| Popis: |
Fortschritte in der Entwicklung von Hidden-Markov-Modell (HMM)-basierter automatischer Mustererkennung haben eine breite Nutzung automatischer Maschinenlernsysteme in vielen modernen Anwendungen ermöglicht. In Umgebungen mit akustischen Störungen leiden Maschinenlernsysteme wie automatische Spracherkennung und automatische Fehlerdiagnose stark unter Eingangssignalverzerrungen, die ihre Leistung dramatisch reduziert. In dieser Dissertation wurden neue Ansätze, die auf Beobachtungsunsicherheiten und multimodalen Merkmalen basieren, vorgeschlagen, um die Robustheit der HMM-basierten Mustererkennungssysteme gegenüber Hintergrundrauschen zu erhöhen. Mit diesen Ansätzen wurden signifikante Leistungsverbesserungen in Anwendungen wie der automatischen Spracherkennung, Sprachverbesserung und der automatischen Fehlerdiagnose erzielt. |
