30
memerlukan
kemandirian
asumsi
statistik.
Metode
ini
diperluas
dan
diterapkan
untuk
tugas
pengakuan
skala
besar
pidato
di
(Cohen
et
al,
1992.),
Jelas,
faktorisasi
ke
lebih
dari dua komponen juga
mungkin. Pekerjaan (Fritsch 1997)
menggunakan
hirarki ANNs
untuk
mewakili
distribusi
probabilitas
dengan
cara
yang
diperhitungkan. Skema
ini
menunjukkan
bahwa
parameter-teknik
mengurangi
faktorisasi
dapat
diterapkan
untuk
jaringan saraf.
Dalam
definisi
standard,
HMMs
secara
fundamental unfactored:
jika
keadaan
sistem
terdiri
dari
kombinasi
faktor,
tidak
dapat
direpresentasikan sesingkat
ini
dalam
metodologi.
Dengan
bagaimanapun,
adalah
mungkin
untuk
membuat
sistem
HMM
di
mana
secara
implisit
merupakan kombinasi
potongan
yang
berbeda
dari
beberapa
informasi.
Ini
ini
terjadi,
misalnya,
HMM-dekomposisi (Varga
&
Moore
1990)
yang
secara
implisit
kedua
model
sumber
kebisingan dan
sumber
pidato,
dan
dalam
HMMs
artikulatori dari
(Deng
&
Erler 1992).
Perlu dicatat bahwa
meskipun skema
ini
mencapai pengurangan parameter,
tidak
ada
pengurangan yang
sesuai pada
persyaratan
komputasi.
Extensibility.
Jaringan saraf
sangat
dapat
diperluas,
dan dapat
dibuktikan
secara
approximators
fungsinya
mendunia. Kalman
filter juga cukup diperluas karena keadaan
dan
pengamatan
variabel
adalah
vektor-vektor,
dengan
demikian
kompleksitas
sistem
dapat
ditingkatkan dengan
meningkatkan dimensiality
dari
vektor-vektor. Flexibility
ini
memodulasi,
namun,
dengan
berasumsi
yang
mendasarinya dari
linearitas.
Hidden
Markov
Model
yang
agak
terbatas
dalam
perpanjangan
mereka
oleh
fakta
bahwa
cara
utama
mereka
adalah
meningkatkan
kompleksitas
hanya
untuk
meningkatkan
jumlah
 |