Просодические характеристики речи в пространстве измерений

Размещено на http://www.allbest.ru/

70

Размещено на http://www.allbest.ru/

Просодические характеристики речи в пространстве измерений

Казаченко О.В.

Традиционно в области исследования просодии существуют два основных подхода - измерительный и модельный, которые, однако, никоим образом не исключают, а взаимодополняют друг друга. Как представляется, построение адекватных моделей речевой интонации возможно только на основе измерительной информации, полученной в ходе эксперимента. Степень сложности обработки этой информации может быть различной: от элементарных математических подсчетов до вычислительных экспериментов. Сейчас поднимается вопрос о выделении специального раздела экспериментальной фонетики - интонометрии, в котором рассматривается теория и методы измерения просодических параметров речевого сигнала, основной задачей такого раздела будет являться планирование и обработка результатов измерительных экспериментов методами математической статистики с построением на этой основе соответствующих моделей речевой интонации [Кантер 40].

При проведении измерений в области фонетики, как известно, исследователю постоянно приходится сталкиваться с количественными колебаниями частоты встречаемости или степени проявления различных свойств звучащей речи. Следует подчеркнуть, что в случае простых математических подсчетов величин, характеризующих эти колебания, речь идет лишь о первичном количественном выражении "сырых" результатов эксперимента, которые еще не дают представления о статистической структуре исследуемого материала. Таким образом, встает вопрос о статистическом анализе экспериментальных данных, который, в частности, позволяет определить, каковы возможные пределы случайных колебаний измеряемой величины и являются ли наблюдаемые различия между вариантами эксперимента случайными или достоверными.

Интерпретация опытных данных обычно предполагает решение таких статистических задач, как: 1) оценивание параметров распределении среднего, дисперсии и т.д.; 2) сравнение параметров разных выборок (при предположении о случайности выбора объектов из генеральной совокупности); 3) выбор информативных признаков; 4) выявление статистических связей - корреляции, регрессии; 5) проверка статистических гипотез. распознавание фонетика аксиоматика

Выбор эффективной статистической методики, адекватной поставленной задаче исследования и учитывающей своеобразие фонетического эксперимента, представляет собой вопрос первостепенной важности. Характеризуя в общем плане методы математической статистики, отмечается, что статистические методы в той или иной мере опираются на гипотезу об отождествлении результатов измерения с объективными характеристиками. Тем самым возникает определенная абсолютизация данных, их отрыв от реальных процессов, а действительные отношения между элементами системы трактуются как отношения между соответствующими численными величинами. Применение статистических методов предполагает использование специфической аксиоматики о вероятностной природе событий, благодаря которой формальная строгость выводов переносится на уровень суждений об усредненных характеристиках процессов, в то время как суждения о самих процессах или событиях возможны лишь с определенной степенью достоверности. Одним из наиболее распространенных статистических методов является так называемый "хи-квадрат" критерий, предложенный английским математиком Карлом Пирсоном. Указанный критерий используется в ситуации, когда ставится задача проверки статистических гипотез [Пиотровский 68].

Как показывает практика статистического анализа экспериментально-фонетических данных, раздельное изучение зависимостей некоторого признака из каждого из большего или меньшего числа других или простой перечень, влияющих признаков не дают достаточно оснований для получения логически обоснованных и объективных выводов о характере изучаемого явления. В связи с этим возникает задача комплексного рассмотрения влияния, взаимосвязей и взаимодействия нескольких разных признаков. Для решения этой задачи наиболее эффективно применение методов многомерной статистики.

Собственно говоря, всякий раз, когда исследователю приходится иметь дело с изучением совместной вариации, т.е. связи хотя бы двух признаков, он попадает в область многомерных задач. При увеличении объема экспериментального материала и углублении исследования происходит одновременно и увеличение числа рассматриваемых признаков, связи которых необходимо принять во внимание. Без изучения их влияния в комплексе теряется обозримость результатов, а закономерности распадаются ни множество плохо поддающихся интерпретации связей. Таким образом, возникает необходимость сведйния довольно большого числа характеристик к небольшому ряду обобщающих итогов (агрегированных показателей). Уменьшение числа рассматриваемых признаков (понижение размерности) достигается путем их объединения, замены их совокупности каким-то одним признаком, искусственно созданным на их основе. Иначе говоря, потребность в сокращении размерности пространства признаков и привела к формированию направления, называемого многомерным анализом. В рамках последнего образовались ряд тесно взаимосвязанных, в известной мере перекрещивающихся разделов, к которым относятся распознавание образов, кластерный анализ, таксономия, метод главных компонент, факторный анализ. Представляется целесообразным остановиться подробнее на первых двух.

Общей целью методов распознавания образов и кластерного анализа является разбиение объектов на группы. Эти методы применяются практически всюду, где приходится иметь дело с классификацией экспериментальных данных [Кантер 41].

Распознавание образов представляет собой процесс принятия решений о наиболее существенных свойствах некоторого объекта на основании признаков, зависящих от этих свойств, в результате чего определяется принадлежность данного объекта к одной из генеральных совокупностей Целью создания соответствующей теории являлось выявление сложных механизмов, лежащих в оси one процесса принятия решений, а также его автоматизация с помощью средств вычислительной техники. При исследовании звучащей речи распознавание образов предполагает разработку принципов, методов и средств идентификации речевого сигнала, т.е. установления его принадлежности к одному из предварительно выделенных классов речевых образов.

Набор заранее расклассифицированных объектов образует обучающую выборку. Объекты, входящие в эти выборки, называются реализациями. Для распознавания необходимо произвести выбор решающей функции, или правила, согласно которому возможный вариант решения ставится в соответствие значениям признаков, характеризующих данную реализацию. В процессе принятия решений важное место занимает оценивание вероятности ошибки, которая является основным показателем, своеобразной мерой разделимости классов при данных распределениях.

Успешное решение задачи распознавания образов в значительной мере определяется тем, насколько удачно "закодирован" объект, т.е. насколько адекватным является исходный набор измеряемых параметров, образующих вектор. Таким образом, каждый объект (например, интонационная кривая) выражается вектором в пространстве измерений, а множество таких объектов образуют распределение вектора в этом пространстве. Поскольку на практике приходится иметь дело с довольно большим количеством признаков (параметров), то получаемое при этом пространство многомерно. Задача выбора или извлечения наиболее существенных, информативных признаков из всей совокупности наблюдаемых рассматривается как преобразование (отображение) исходного многомерного пространства в пространство признаков меньшей размерности без существенной потери свойства разделимости распределений, соответствующих разным классам.

Стремление к возможно большему сокращению размерности пространства в итоге приводит к тому, что исходное n-мерное пространство преобразуется в двумерное, т.е. размерность признаков выбирается равной 2. Это условие дает возможность лучше понять свойства распределений, так как получаемая в результате отображения структура данных может быть относительно легко оценена человеком не более, чем в трех измерениях.

Основным препятствием при практическом распознавании образов является наличие мешающих параметров в необработанных данных. Снижение размерности и преобразование вектора наблюдений (данных) в вектор признаков (образа) позволяет исключить мешающие параметры и улучшить качество оценки информации, на основе которой принимается решение.

Обычно выделяют задачу обучения и самообучения распознаванию образов, принципиальное отличие между которыми заключается в том, что в первом случае обучающая выборка содержит, а во втором случае не содержит указаний об истинной принадлежности рассматриваемых реализаций к тому или иному классу. Частным случаем самообучения считается кластерный анализ, методы которого могут значительно облегчить выбор решений при классификации предъявляемых объектов.

Список использованной литературы

1. Блохина Л. П. Просодические характеристики речи и методы их анализа. - М., 1980. - 74 с.

2. Кантер Л. А. Системный анализ речевой интонации. - М., 1988. - 128 с.

3. Пиотровский Р. Г. Инженерная лингвистика и теория языка. - Л., 1979. - 112 с.

Размещено на Allbest.ru