@MASTERSTHESIS{ 2005:725223980,
 	title = {Efeitos da segmenta??o em sistemas h?bridos ANN+HMM},
 	year = {2005},
 	url = "http://tede.inatel.br:8080/tede/handle/tede/64",
 	abstract = "Resumo:
 Os modelos ocultos de Markov se tornaram uma ferramenta largamente utilizada na tarefa de reconhecimento de fala pela sua s?lida abordagem probabil?stica. Por?m, ao se treinar as cadeias de Markov atrav?s do m?todo de m?xima verossimilhan?a esta robustez ? prejudicada pela falta de poder discriminativo da t?cnica. Ao longo dos anos foram desenvolvidos algoritmos cada vez mais eficientes onde podemos notar a evolu??o crescente do desempenho de um dado sistema. Uma das abordagens usadas para o aumento de tal desempenho ? a utiliza??o das Redes Neurais Artificiais em conjunto com os HMMs, conhecida na literatura por modelos h?bridos ANN+HMM, onde as Redes Neurais tratam da variabilidade ac?stica enquanto que os HMMs tratam das variabilidades temporais
 de um determinado conjunto de locu??es. A vantagem de se utilizar Redes Neurais ? que o seu algoritmo de treinamento ?, por natureza, discriminativo e portanto elimina-se a necessidade de fazer suposi??es quanto a distribui??o ao estat?stica das probabilidades de emiss?o de s?mbolos. Nesta Disserta??o foi proposta uma investiga??o dos efeitos das segmenta??es manual, assim como a simula??o dos efeitos de segmenta??o no desempenho de um sistema h?brido ANN+HMM de reconhecimento de fala cont?nua, com algoritmo de treinamento chamado REMAP (Recursive Estimation and Maximization of A Posteriori Probabilities), no qual consiste na modelagem das transi??es dos fones, al?m de utilizar-se de uma t?cnica de treinamento discriminativo chamada
 M?xima Probabilidade a Posteriori, onde se maximiza um determinado modelo ao mesmo tempo em que se minimiza a probabilidade a posteriori dos modelos rivais.",
 	publisher = {Instituto Nacional de Telecomunica??es},
 	scholl = {Mestrado em Engenharia de Telecomunica??es},
 	note = {Instituto Nacional de Telecomunica??es}
}