Using Self-Organizing Maps
and Learning Vector Quantization
for Mixture Density Hidden Markov Models
(Itseorganisoivien karttojen ja oppivan vektorikvantisaation käyttö
sekoitetiheysfunktioihin perustuvissa kätketyissä Markov-malleissa)
Muunnettaessa puhetta automaattisesti tekstiksi puheen osien malleina käytetään tavallisesti ns. kätkettyjä Markov-malleja (HMM). Yksittäinen malli jakaantuu tiloihin, joita ei voida suoraan havaita mutta joissa puhesignaalin tilastolliset piirteet ovat erilaiset. Väitöskirjatyössä on tutkittu kahden prof. Kohosen kehittämän neuroverkkomenetelmän, itseorganisoivan kartan (SOM) ja oppivan vektorikvantisaation (LVQ), soveltamista HMM:ien parametrien määrittämiseen esimerkkiaineistosta, joka sisältää tallennettua puhetta. HMM:n tiloille voidaan käyttää hyvin tarkkoja tiheysfunktioita kuvaamalla lasketut piirrevektorit lähekkäisten SOM-yksiköiden painotetulla sekoitteella. Puheen osien välistä luokittelutarkkuutta on parannettu soveltamalla LVQ:n stokastista oppimisalgoritmia mallien välisten erojen selkeyttämiseksi esimerkkiaineistoa käyttäen. Kehitettyjä HMM:ien opetusmenetelmiä on tässä työssä vertailtu yleisesti käytössä oleviin vastaaviin menetelmiin.