Noise-robust HMM-based pattern recognition using multimodal features and observation uncertainties

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.

Metadaten
Author:	Ahmed Serag Eldin Hussen Abdelaziz GND
URN:	urn:nbn:de:hbz:294-45433
Referee:	Dorothea Kolossa ORCiD GND, Reinhold Häb-Umbach GND, Jörg Schwenk GND
Document Type:	Doctoral Thesis
Language:	English
Date of Publication (online):	2016/01/27
Date of first Publication:	2016/01/27
Publishing Institution:	Ruhr-Universität Bochum, Universitätsbibliothek
Granting Institution:	Ruhr-Universität Bochum, Fakultät für Elektrotechnik und Informationstechnik
Date of final exam:	2015/08/24
Creating Corporation:	Fakultät für Elektrotechnik und Informationstechnik
GND-Keyword:	Mustererkennung; Automatische Spracherkennung; Diagnosesystem; Hidden-Markov-Modell; Fehlererkennung
Institutes/Facilities:	Institut für Kommunikationsakustik, Arbeitsgruppe kognitive Signalverarbeitung
Dewey Decimal Classification:	Technik, Medizin, angewandte Wissenschaften / Elektrotechnik, Elektronik
faculties:	Fakultät für Elektrotechnik und Informationstechnik
Licence (German):	Keine Creative Commons Lizenz - es gelten der Veröffentlichungsvertrag und das deutsche Urheberrecht

RUB » Bibliotheksportal