Schätzung von LSF-Parametern mit kontinuierlichen Hidden-Markov-Modellen bei gestörter Übertragung

Inhalt:
Ein wesentliches Element bei der Softbit-Decodierung ist die geeignete Modellierung der a-priori bekannten statistischen Bindungen der codierten Parameter. Um den instationären Charakter der Sprache zu berücksichtigen, wird in diesem Beitrag der Einsatz von kontinuierlichen Hidden-Markov-Modellen (HMM) vorgeschlagen und am Beispiel von LSF-Vektoren untersucht. Dem Vektorcharakter der LSF entsprechend werden als HMMEmissionsdichten multivariate Normalverteilungen oder Mixturen hiervon (GMM) angesetzt, wodurch zustandsabhängige Intra-Frame-Bindungen modelliert werden können. Darüberhinaus werden Inter-Frame-Bindungen modelliert, indem der Emissionsvektor um Vergangenheitswerte erweitert wird und entsprechende bedingte Emissionsdichten berechnet werden, die sich auch entsprechend der Zustände zeitlich ändern. Im Beitrag werden auf den HMM-Wahrscheinlichkeiten basierende MS- und MAP-Schätzverfahren für die LSF-Vektoren hergeleitet und erste experimentelle Ergebnisse vorgestellt.