Применение нейронных сетей при распознавании речи

На сегодняшний день является бесспорным значительный научный и практический интерес к вычислительным структурам нового типа - искусственным нейронным сетям. Он вызван рядом успешных применений этой новой технологии, которая позволила разработать эффективные подходы к решению проблем, которые считались сложными для реализации на традиционных компьютерах.
На название "Нейронные сети" сейчас претендуют все вычислительные структуры, которые в той или иной степени моделируют работу мозга. Но такое моделирование, в основном, является очень фрагментарным, и говорить о создании в ближайшем будущем искусственного мозга или даже некоторой его модели, которая дублировала бы работу мозга самых примитивных живых существ, еще рано.
Искусственная нейронная сеть - математическая модель, а также ее программная или аппаратная реализация, построенная по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Это понятие возникло в ходе изучения процессов, протекающих в мозге, в частности при попытке моделирования этих процессов.
Использование нейронных сетей в распознавании речи начало использоваться не так давно, так как до недавнего времени нейронные сети не давали нужный процент точности.
Искусственные нейронные сети применяются в задачах распознавания речи во многих аспектах

. Они используются для обработки входных сигналов, моделирования фильтров, классификации фонем, распознавания изолированных слов из словаря, определение диктора в текстово-зависимых задачах распознавания, а также как оценщики для других моделей распознавания речевого сигнала.
Для распознавания речевой информации используют многоуровневые персептроны и карты признаков Кохонена. В зависимости от конкретной задачи выходной слой персептрона может определять номер диктора, номер слова в словаре, или представлять сглаженный входной сигнал.
Особый интерес вызывают динамические нейросетевые классификаторы, разработанные специально для распознавания речи и включающие в свой состав короткие временные задержки и узлы, выполняющие временное интегрирование, или рекуррентные связи. Обычно такие классификаторы мало чувствительны к небольшим временным сдвигам обучающих и контрольных выборок и, следовательно, не требуют для высококачественной работы точной сегментации речевых данных.
Использование динамических сетей при распознавании речи позволяет преодолеть основные недостатки, присущие статическим сетям, и, как показывают экспериментальные исследования, приводит к превосходному качеству распознавания для акустически схожих слов, согласных и гласных.
Менее чем за полувековую историю существования теории искусственных нейронных сетей было доказана эффективность их применения для решения многих реальных задач