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.

Download full text files

Export metadata

Statistics

Number of document requests

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Ahmed Serag Eldin Hussen AbdelazizGND
URN:urn:nbn:de:hbz:294-45433
Referee:Dorothea KolossaORCiDGND, Reinhold Häb-UmbachGND
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
Dewey Decimal Classification:Technik, Medizin, angewandte Wissenschaften / Elektrotechnik, Elektronik
Licence (German):License LogoKeine Creative Commons Lizenz - es gilt der Veröffentlichungsvertrag und das deutsche Urheberrecht