Научные основы автоматизированного управления оборудованием с интегрированным речевым взаимодействием тема диссертации и автореферата по ВАК РФ 05.13.06, доктор технических наук Изилов, Яков Юноевич

• Изилов, Яков Юноевич
• доктор технических наук
• 2004

Оглавление диссертации доктор технических наук Изилов, Яков Юноевич

Введение

Глава 1. Постановка цели и задач диссертационного исследования

1.1. Обработка деталей на станках с ЧПУ в условиях мелкосерийного и единичного производства

1.2. Проблемы программного управления промышленными роботами

1.3. Совершенствование человеко-машинного взаимодействия

1.4. Современное состояние автоматизированного оборудования и систем с речевым управлением

1.5. Постановка цели и задач диссертационного исследования

Глава 2. Математическое моделирование речевых сигналов

2.1. Векторное квантование

2.1.1. Обобщённая структурная схема процесса векторного квантования

2.1.2. Математическое описание задачи векторного квантования

2.1.3. Измерение расстояний

2.1.4. Кластеризация

2.1.5. Достоинства и недостатки векторного квантования

2.2. Скрытая модель Маркова

2.2.1. Определение скрытой модели Маркова

2.2.2. Нуль переходы

2.2.3. Моделирование длительности

2.2.4. Типы моделей Маркова

2.2.4.1. Дискретная СММ

2.2.4.2. Непрерывная СММ

2.2.4.3. Полунепрерывная СММ

2.2.5. Обучение и распознавание на основе СММ

2.2.5.1. Метод итераций

2.2.5.2. Метод Баума

2.2.5.3. Метод динамического программирования

2.2.5.4. Метод Витерби

2.2.6. Достоинства и недостатки СММ

2.3. Искусственная нейронная сеть

2.3.1. Биологическое строение нейронной сети

2.3.2. Модель искусственного нейрона

2.3.3. Классификация искусственных нейросетей

2.3.4. Анализ функциональных возможностей нейронных сетей 99 Щ, 2.3.5. Простая персептронная нейросеть

2.3.6. Многослойный персептрон

2.3.7. Достоинства и недостатки нейросетей

2.4. Выводы

Глава 3. Теоретические основы автоматического анализа речевых указаний

3.1. Метод моделирования слов в слитной речи при неизвестном законе распределения PC

3.1.1. Взаимовлияние слов друг на друга при автоматическом анализе слитной речи

3.1.2. Представление эталонного акустического состояния и-мерной областью, независимой от закона распределения

3.1.3. Формирование эталонов акустических состояний 140 ^ 3.1.4. Предварительные этапы построения ориентированного графа лексического декодирования

3.1.5. Построение ориентированного графа лексического декодирования

3.1.6. Автоматический анализ слов в слитной речи ориентированным графом лексического декодирования

3.2. Метод лексической интерпретации слитной речи

3.2.1. Представление акустических состояний слов в слитной речи на основе аллофонов

3.2.2. Предварительные этапы построения ориентиванного графа лексической интерпретации слитной речи

3.2.3. Построение ориентированного графа лексической интерпретации 3.2.4. Лексическая интерпретация слитной речи

3.3. Выводы

Глава 4. Автоматизированное управление оборудованием с интегрированным речевым взаимодействием

4.1. Устройство речевого взаимодействия для оборудования с ЧПУ

4.2. Интеграция устройства речевого взаимодействия в УЧПУ на уровне операционной системы Microsoft Windows

4.3. Алгоритм ввода речевого сигнала в УЧПУ

4.4. Преобразование речевых указаний в команды управления

4.5. Построитель лексических гипотез

4.5.1. Структурная схема построителя лексических гипотез с блоком лексической обработки типа

4.5.2. Структурная схема блока лексической обработки типа

4.6. Программная часть устройства речевого взаимодействия

4.7. Структурные решения человеко-машинных систем с интегрированным речевым взаимодействием

4.8. Выводы

Глава 5. Оценка достоверности научных результатов

5.1. Метод экспериментального исследования речевых указаний

5.1.1. Программный комплекс для аудио-визуального исследования речевых указаний

5.1.2. Определение количества измерений акустического состояния

5.1.3. Определение количества контрольных испытаний акустического состояния

5.1.4. Расчёт доверительных областей эталонных акустических состояний

5.2. Исследование измерения времени и вероятности понимания речевых указаний

5.3. Сравнительный анализ технологической подготовки работы оборудования с ЧПУ с клавиатурным вводом данных и человеко-машинной системы с речевым взаимодействием

5.4. Выводы

Введение диссертации (часть автореферата) на тему «Научные основы автоматизированного управления оборудованием с интегрированным речевым взаимодействием»

В диссертации представлены исследования по проблеме автоматизации многономенклатурного мелкосерийного и единичного производства. Данная работа развивает направление создания систем с речевым управлением в области автоматизации.

В этом направлении выполнено много теоретических разработок. Известны примеры их практической реализации, показывающие высокую эффективность применения. Эффективность выражается прежде всего сокращением временных затрат на подготовительные работы и снижением требований к специальной подготовке исполнителей этих работ. Однако известные реализации не выходят за рамки частных решений. Широкое использование методов речевого управления связано с решением ряда проблем. Главной из них является математическое моделирование устной речи. В данной работе предложены фрагментарные проработки этой проблемы.

На основе теоретических исследований, проведенных в работе, предложены технические идеи и разработки, ориентированные на создание человеко-машинной системы (ЧМС) с интегрированным речевым взаимодействием (РВ) и обеспечивающие решение задач по ускорению технологической подготовки автоматизированного оборудования.

Актуальность. Важнейшие цели государственной политики в области развития науки и технологий сформулированы в документе - "Основы политики Российской Федерации в области развития науки и технологий на период до 2010 года и дальнейшую перспективу", утвержденном Президентом Российской Федерации В.В. Путиным 30 марта 2002 года. Развитие науки и технологий служит решению задач социально-экономического прогресса страны и относится к числу высших приоритетов Российской Федерации.

Для достижения поставленных целей Правительством Российской Федерации утвержден ряд федеральных целевых программ развития науки и техники. В частности, федеральная целевая научно-техническая программа "Исследования и разработки по приоритетным направлениям развития науки и техники" на 2002 - 2006 годы; федеральная целевая программа "Национальная технологическая база" на 2002 - 2006 годы; федеральная целевая программа "Реформирование и развитие оборонно-промышленного комплекса на 2002 - 2006 годы". Исследования подчинены решению важных народно-хозяйственных проблем, в том числе: разработке базовых и прикладных технологий взаимодействия человек-машина на основе виртуальной реальности, а также разработке оборудования для технического перевооружения имеющихся производств с целью обеспечения их гибкости, повышения производительности труда и увеличения объемов выпуска продукции.

Приоритет развития базовых и прикладных технологий взаимодействия человек-машина и их народно-хозяйственное значение обусловлено ростом масштабов работ по интенсификации и компьютеризации технологического производства.

Создание основ для построения человеко-машинной системы, обеспечивающей диалог с виртуальным оператором посредством речевого взаимодействия, позволяющих не только разработать новую технику, но и модернизировать существующее оборудование с целью повышения производительности труда и увеличения объемов выпуска продукции, является актуальной проблемой.

За последние два десятилетия временной период нахождения изделия в производстве значительно сократился, а средняя продолжительность цикла технической подготовки производства (ТПП) - увеличилась. В условиях многономенклатурного мелкосерийного и единичного производства продолжительность ТПП стала соизмеримой с продолжительностью нахождения изделия в производстве, а во многих случаях превышает её. Это обусловлено ростом трудоемкости и сложности процесса ТИП.

В этой связи актуальное значение приобретает задача сокращения непроизводительного времени, повышения оперативности и удобства управления оборудованием (станков с ЧПУ, промышленных роботов, гибких производственных систем и т.д.), решение которой требует разработки новых методов и средств автоматизации производственных процессов.

Одним из таких методов является речевое управление. Его использование позволяет сократить количество ручных операций на стадиях подготовки документации, разработки и редактирования управляющей программы (УП) и технологической наладки оборудования с ЧПУ при переходе от обработки одного вида деталей к обработке другого, отличающегося по конструктивно-технологическим признакам. Вместе с тем он позволяет повысить уровень "интеллектуальности" систем управления станков с ЧПУ, промышленных роботов (ПР), гибких производственных систем (ГПС) и т.д., а также автоматизированных систем управления (АСУ) различного назначения. Реализация такого метода управления требует разработки теоретических и научно-практических решений, что является актуальной проблемой.

Совокупность проблем, возникающих на различных этапах технической подготовки производства и проблем оперативного управления оборудованием в условиях многономенклатурного мелкосерийного и единичного производства, с одной стороны, и с другой - видимая возможность универсального решения для многих из них на основе создания методов и средств автоматизированного управления с речевым человеко-машинным взаимодействием рассматриваются автором как объективные признаки актуальности данной работы.

Цель и задачи исследования. Целью диссертационной работы является создание методов и средств автоматизированного управления оборудованием с интегрированным речевым взаимодействием для повышения его функциональных и эксплуатационных возможностей. Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработка метода построения автоматизированных систем с интегрированным речевым взаимодействием и элементами интеллектуальной поддержки процесса управления.

2. Анализ адекватности известных математических методов моделирования речевых сигналов с точки зрения их применимости в создаваемой автоматизированной системе с речевым взаимодействием.

3. Разработка теоретических основ автоматического анализа речевых указаний, позволяющих решить проблему автоматического понимания речевых команд для последующего формирования управляющих воздействий на автоматизированное оборудование.

4. Разработка пакета прикладных программ для аудио-визуального исследования параметров речевых указаний, функционирующего под управлением операционной системы Microsoft Windows, обеспечивающего простоту и удобство использования.

5. Разработка устройства речевого взаимодействия на основе предложенных научных положений, обеспечивающего поддержку русского языка.

6. Определение объёма обучающей выборки для достижения правильного понимания речевых указаний устройством речевого взаимодействия.

7. Разработка структурных решений человеко-машинных систем с интегрированным речевым взаимодействием, позволяющих расширить функциональные возможности, повысить оперативность и удобство управления промышленных роботов, станков с ЧПУ и другого автоматизированного оборудования.

Методы исследования. В диссертационной работе использовались методы: теории вероятностей, теории графов, теории распознавания образов, теории скрытых моделей Маркова, теории искусственных нейронных сетей, теории цифровой обработки сигналов, акустической теории речеоб-разования, теории планирования и постановки эксперимента.

Научная новизна работы. Представленная на защиту диссертация является обобщением, проведённых автором исследований и разработок, в результате которых решена научная проблема создания методов и средств автоматизированного управления оборудованием с интегрированным речевым взаимодействием на русском языке, имеющая важное народно-хозяйственное значение для деятельности отечественных предприятий в условиях восстановления и дальнейшего развития отечественных производств. Конкретные результаты, обладающие научной новизной, состоят в следующем:

1. Метод построения автоматизированных систем с интегрированным речевым взаимодействием и элементами интеллектуальной поддержки процесса управления.

2. Результаты анализа современного состояния систем речевого управления, которые позволили определить возможности их использования для автоматизации производственных процессов.

3. Результаты анализа наиболее распространенных математических методов моделирования речевых сигналов.

4. Теоретические основы автоматического анализа речевых указаний, позволяющие упростить процесс их математического моделирования и повысить вероятность их правильного понимания при формировании управляющих воздействий на автоматизированное оборудование.

5. Метод экспериментального исследования речевых указаний, позволяющий определить объём обучающей выборки для достижения их правильного понимания устройством речевого взаимодействия.

Практическая значимость полученных результатов. Результаты исследований легли в основу разработок для создания автоматизированной системы с речевым взаимодействием.

Разработаны устройство речевого взаимодействия и способ его интеграции в системы ЧПУ класса Industrial PC на уровне операционной системы (ОС) Microsoft Windows, что позволяет реализовать человеко-машинную систему с речевым взаимодействием.

Разработан пакет прикладных программ для аудио-визуального исследования речевых указаний на IBM PC-совместимом компьютере, функционирующий под управлением ОС Microsoft Windows, обеспечивающий простоту и удобство использования.

Разработанные структуры человеко-машинных систем с интегрированным речевым взаимодействием на основе использования предложенных теоретических положений и устройства речевого взаимодействия со встроенным модулем преобразования речевых указаний в команды управления, содержащим блоки акустической и лексической обработки и алгоритмическое обеспечение ввода речевых сигналов в устройство управления оборудованием, позволяют расширить функциональные возможности и повысить уровень "интеллектуальности" систем управления станков с ЧПУ, ПР, ГПС и других автоматизированных систем.

Создание на научной основе автоматизированной системы с речевым взаимодействием позволит модернизировать не только большой парк станков с ЧПУ и прочего автоматизированного оборудования, которые эксплуатируются в условиях единичного и мелкосерийного производства, но и автоматизированные системы управления (АСУ) широкого назначения, в том числе технологическими процессами (АСТП), производствами (АСУП), технической подготовкой производства (АСТПП) и т.д. Это доступно практическому внедрению, как на крупных, так и на малых предприятиях. Капиталовложения на проведение этой модернизации несоизмеримо малы по сравнению с приобретением нового оборудования.

Полученные в диссертации научные положения, методы и рекомендации могут быть использованы при компьютеризации технологического производства; для организации запросов баз данных; подготовки и корректировки документов; организации автоматических контрольно-пропускных пунктов; в кабинах летательных аппаратов; в диспетчерских пультах атомных и гидроэлектростанциях; в условиях перегрузок, темноты или резкого изменения освещённости; при занятости рук, чрезвычайной сосредоточенности внимания на объекте, который не позволяет отвлечься ни на секунду, и там, где существует большое количество аварийных, предупреждающих и уведомляющих сигналов.

Кроме того, результаты работы могут использоваться в учебном процессе при постановке лабораторных и курсовых работ, в рамках лекционных курсов для студентов машиностроительных и других специальностей, включающих в себя вопросы автоматизации и управления техническими системами.

Основные положения диссертации, выносимые на защиту:

1. Метод построения автоматизированных систем с интегрированным речевым взаимодействием и элементами интеллектуальной поддержки процесса управления.

2. Теоретические основы автоматического анализа речевых указаний, позволяющие упростить процесс их математического моделирования и повысить вероятность их правильного понимания при формировании управляющих воздействий на автоматизированное оборудование.

3. Структурные решения человеко-машинных систем с интегрированным речевым взаимодействием, построенные с использованием предложенных теоретических положений и устройства речевого взаимодействия со встроенным модулем преобразования речевых указаний в команды управления, содержащим блоки акустической и лексической обработки и алгоритмическое обеспечение ввода речевых сигналов в устройство управления оборудованием, которые позволяют расширить функциональные возможности и повысить уровень "интеллектуальности" систем управления промышленных роботов, станков с ЧПУ и других автоматизированных систем.

4. Метод экспериментального исследования речевых указаний, позволяющий определить объём обучающей выборки для достижения их правильного понимания устройством речевого взаимодействия.

Достоверность научных положений, выводов и рекомендаций подтверждается: корректным использованием теории графов, теории цифровой обработки сигналов, акустической теории речеобразования, теории распознавания образов, теории планирования и постановки эксперимента; достаточным совпадением экспериментальных и расчётных данных и успешной проверкой решений, полученных на основе теоретических разработок.

Результаты использования. Результаты диссертационной работы использованы в ЗАО "Станкостроительный завод "Свердлов", ФГУП "Центральный научно-исследовательский институт технологии судостроения" (ЦНИИ ТС).

Публикации. По теме диссертационной работы опубликовано 23 научные работы, в том числе 2 монографии и 2 патента РФ на изобретение, в которых полностью отражены полученные результаты.

Апробация работы. Основные теоретические положения, результаты, выводы, рекомендации докладывались и обсуждались: на Российской научно-технической конференции "Инновационные наукоёмкие технологии для России", (Санкт-Петербург, 1995); на научной военно-технической конференции "Автоматизация процессов управления соединениями и частями ПВО, информационные технологии. Состояние и перспективы создания единой автоматизированной радиолокационной системы", (Санкт-Петербург, 1996); на международной научно-технической конференции "Информационные технологии в моделировании и управлении", (Санкт-Петербург, 1996).

Структура и объём диссертации. Диссертация состоит из введения, пяти глав, заключения, списка литературы, списка условных сокращений и приложения (акты использования результатов диссертационной работы). Общий объём диссертации составляет 267 страниц, в том числе 226 страниц составляет основной текст, который поясняется 76 рисунками и 14 таблицами. Список литературы насчитывает 210 наименований.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Изилов, Яков Юноевич

Результаты работы могут также использоваться при организации автоматических контрольно-пропускных пунктов; подготовки и корректировки документов; организации запросов в базах данных; в кабинах летательных аппаратов, диспетчерских пультах атомных и гидроэлектростанций; в условиях темноты или резкого изменения освещённости; при занятости рук, чрезвычайной сосредоточенности внимания на объекте, который не позволяет отвлечься ни на секунду, где существует большое число аварийных, предупреждающих и уведомляющих сигналов.

Кроме того, результаты диссертационной работы могут использоваться в учебном процессе при постановке лабораторных и курсовых работ, в рамках лекционных курсов для студентов машиностроительных и других специальностей, затрагивающих вопросы автоматизации и управления техническими системами.

Заключение

Представленная на защиту диссертация является обобщением проведённых автором исследований и разработок, в результате которых решена научная проблема создания методов и средств автоматизированного управления оборудованием с интегрированным речевым взаимодействием на русском языке.

Список литературы диссертационного исследования доктор технических наук Изилов, Яков Юноевич, 2004 год

1. Алексеев Д. Handsfree откликаются на голос // Russian Mobile, 1999, № 5/99, С.39 41.

2. Амосов Н.М., Байдык Т.Н. и др. Нейрокомпьютеры и интеллектуальные роботы. Киев: Наукова думка, 1991

3. Афанасьев В.П., Дегтярев Н.П., Ерёмин А.П. и др. Речевой дисплей МАРС-1 //Электрон, промышленность. 1984. No. 3. С.20 -22

4. Беллман Р. Динамическое программирование. М.: Издательство иностранной литературы, 1960.

5. Беллман Р., Дрейфус С. Прикладные задачи динамического программирования -М.: Наука, 1964.

6. Беллман Р., Калаба Р. Динамическое программирование и современная теория управления. М.: Наука, 1969.

7. Белоус А.И., Подрубный О.В., Журба В.М. Микропроцессорный комплект БИС серии К1815 для цифровой обработки сигналов. М.: Радио и связь, 1992.

8. Бендерская Е. Н., Колесников Д. Н, Пахомова В. И., Сиднев А. Г., Тихонов Н.Д. Системный анализ и принятие решений. СПб.: СПбГТУ, 1999.

9. Бондарко В.П. Анализ речевого сигнала на основе его текущего спектра // Тезисы докладов и сообщений 12-й всесоюзной школы семинара "Автоматическое распознавание слуховых образов" (АРСО-12), -Киев, 1982.

10. Васильев Ф.П. Численные методы решения экстремальных задач. М.: Наука, 1988.

11. Вентцель Е.С. Теория вероятностей. -М: Наука, 1969.

12. Винцюк Т.К., Куляс А.И. Универсальная программа анализа речи в реальном масштабе времени // "Автоматическое распознавание слуховых образов материалы (АРСО-Х)". Тбилиси, 1978.

13. Вокодерная телефония / Под. Ред. Пирогова А.А. М.: Связь, 1974.

14. Галунов В.И. Некоторые особенности восприятия речи // Акустический журнал. -1966, №12.

15. Горбань А.Н. Нейросети на ПК. Новосибирск: 1995.

16. Горбань А.Н. Функции многих переменных и нейронные сети // Соросов-ский образовательный журнал. 1998, №12.

17. Гуревич Н., Гуревич О. Программирование звука для DOS и Windows. -М.: БИНОМ, 1995.

18. Гусев И.Т., Елисеев В.Г., Маслов А.А. Устройства числового программного управления. -М.: Высш. школа, 1986.

19. Деркач М., Гумецкий Р., Мишин Л., Оверченко М., Чабан М. Восприятие речи в распознающих моделях. Львов : Издательство Львовского университета, 1971.

20. Джонсон Р. Возможности и перспективы систем распознавания речи // Computer Week Moscow, №20, 1996.

21. Дризовский Л.М, Меньшикова Л.А., Тинина Н.В., Кузьмина Л.И., Современное состояние и тенденции развития устройств речевого ввода-вывода // ЦИИТЭИ. М., 1986. Вып. 6. 64 с. (Сер. ТС-2).

22. Горелик А.Л, Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1989.

23. Златоустова Л. В., Потапова Р. К., Трунин-Донской В. Н. Общая и прикладная фонетика. М.: МГУ, 1986.

24. Изилов Я. Ю., Морозов Б. И. Система речевого программирования промышленного робота // Инновационные наукоёмкие технологии для России: Тезисы докладов Российской научно-технической конференции. СПб.: Изд-во СПбГТУ, 1995. - ч.8. - С.34.

25. Изилов Я.Ю. и др. Способ распознавания слов в слитной речи и система для его реализации / Патент на изобретение №2101782, Россия, МКИ G10L 5/00. № 96108879/09; заявл. 06.05.96: опубл. 10.01.98. Бюл. №1.

26. Изилов Я.Ю., Морозов Б.И. Система понимания слитной речи русского языка // Информационные технологии в моделировании и управлении: Тезисы докл. и сообщ. международной научно-технической конференции. СПб: Изд-во СПбГТУ 1996. - С. 190 -194.

27. Изилов Я.Ю. и др. Способ лексической интерпретации слитной речи и система для его реализации / Патент на изобретение № 2119196, Россия, МКИ G10L 5/00.- № 97117246/09; заявл. 27.10.97: опубл. 20.09.98. Бюл. №26.

28. Изилов Я.Ю., Морозов Б.И., Федотов А.И. Система понимания речи // Вычислительные, измерительные и управляющие системы: Сб. научных трудов No.462 / СПбГТУ. СПб. 1996. - С.3-10.

29. Изилов Я.Ю., Федотов А.И. Расширение функциональных возможностей робототехнических систем / Научно технические ведомости СПбГТУ.1999. -№3 (17). С.94-96.

30. Изилов Я.Ю. Математическое представление псевдостационарных объектов и их распознавание // Вычислительная техника, автоматика, радиоэлектроника: Сб. научных трудов №480 / СПбГТУ, ИИСТ. СПб.,2000. С.92-94.

31. Изилов Я.Ю. Программный комплекс "Звукоинженер" для интерактивной работы с речевыми базами данных в среде Microsoft Windows 95 // Вычислительная техника, автоматика, радиоэлектроника. Сб. научных трудов №480 / СПбГТУ, ИИСТ. СПб., 2000. - С. 180-183.

32. Изилов Я.Ю., Федотов А.И. Развитие исследований в области распознавания речи // Вестник Санкт-Петербургского университета технологии и дизайна: Сб. научных трудов №5/СПГУТД. СПб., 2001. - С. 123-126.

33. Изилов Я.Ю. Некоторые аспекты моделирования речевых сигналов. -СПб: Изд-во СПбГТУ, 2001. 72 с.:ил.

34. Изилов Я.Ю. Новые возможности оперативного управления металлообрабатывающими станками с ЧПУ// Металлообработка. 2003. - №1 (13). - С.41-43.

35. Изилов Я.Ю. Совершенствование процесса технологической подготовки оборудования с ЧПУ // Проблемы машиноведения и машиностроения: Межвуз. сб. Вып.30 СПб.: СЗТУ, 2003, С. 192-194.

36. Изилов Я.Ю. Скрытые модели Маркова в задаче распознавания речевых сигналов / Проблемы машиноведения и машиностроения: Межвуз. сб./ СЗТУ. СПб., 2003. - Вып.30. - С.203-206.

37. Каляжнов В. А., Лизунов А. В., Митрофанов С. В., Нагулин Н. Е., Пер-шин А.Н. Одноплатный программируемый процессор сигналов на основе БИС серии К1838 // Микропроцессорные средства и системы. -1990. No.6.

38. Казаков В.А. Введение в теорию марковских процессов и некоторые радиотехнические задачи. М.: Советское радио, 1973.

39. Кнут Д.Э. Искусство программирования. Второе издание, в трёх томах. -М.: Издательский дом «Вильяме», 2000.

40. Козадаев Б.П. Поиск информативных параметров речевого сигнала на базе системного подхода // Тезисы докладов и сообщений 13-й всесоюзной школы семинара "Автоматическое распознавание слуховых образов" (АРСО-13), Новосибирск, 1984.

41. Колоколов А.С., Яхно В.П. Дикторонезависимое распознавание изолированных речевых команд на основе слуховых моделей // Автоматика и телемеханика. 1995.-No.8.

42. Компьютерные сети+. Учебный курс: официальное пособие Microsoft для самостоятельной подготовки / Пер. с англ. М.: Издательско-торговый дом «Русская Редакция», 2000.

43. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. Определения, теоремы, формулы. Издание пятое. М.: Наука, 1984.

44. Косарев Ю.А. Естественная форма диалога с ЭВМ. Л.: Машиностроение, 1989.

45. Коутс Р., Влейминк И. Интерфейс "человек-компьютер". -М.: Мир, 1990

46. Кохонен Т., Ассоциативная память. М.: Мир, 1987.

47. Левинсон С.Е. Структурные методы автоматического распознавания речи//ТИИЭР. -t.73.No.11, 1985.

48. Ли Ц., Джадж Д., Зельнер А. Оценивание параметров марковских моделей по агрегированным временным рядам. М.: Статистика, 1977

49. Лигетт Т. Марковские процессы с локальным взаимодействием. М.: Мир,1989.

50. Майкл Дж. Янг. Visual С++ 6. Полное руководство: Пер. с англ. К.: Издательская группа BHV,2000.

51. Макс Ж. Методы и техника обработки сигналов при физических измерениях. М.: Мир, 1983, том 2, стр.173

52. Маркел Дж. Д. Грей А.Х. Линейное предсказание речи. М.: Связь, 1980г.

53. Минский М. Л., Пейперт С. Персептроны. М: Мир. - 1971.

54. Microsoft Windows 98: наглядно и конкретно / Пер. с англ. М.: Издательско-торговый дом «Русская Редакция», ТОО «Channel Trading Ltd.», 1999.

55. Microsoft Windows 2000 Professional. Шаг за шагом. Практ. Пособ. / Пер. с англ. М.: Издательство ЭКОМ, 2000.

56. Назаров М.В., Прохоров Ю.Н. Методы цифровой обработки и передачи речевых сигналов. -М.: Радио и связь 1985

57. Никитенко В. Д. Подготовка программ для станков с программным управлением. -М.: Машиностроение, 1973.

58. Плотников В.Н., Суханов В.А., Жигулевцев Ю.Н. Речевой диалог в системах управления. М.: Машиностроение, 1988.

59. Поддержка Microsoft Windows NT 4.0. Учебный курс: официальное пособие Microsoft для самостоятельной подготовки / Пер. с англ. -2-е изд., испр. М.: Издательско-торговый дом «Русская Редакция», 1999.

60. Поляк Б.Т. Введение в оптимизацию. М.: Наука, 1983.

61. Пятков B.C. Устройство выделения речевых признаков на интегральных схемах //Дискретная обработка речевых сигналов. М.: ВЦ АН СССР, 1978.

62. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов.-М.: Мир, 1978.

63. Рабинер Л., Шафер Р. Цифровая обработка речевых сигналов. М.: Радио и связь, 1987.

64. Рабинер Л. Скрытые модели Макркова и их применение в избранных приложениях при распознавании речи //ТИИЭР.-1989, №2.

65. Родионова Г. Г. Распознавание речевых образов с предварительной фонетической классификацией // Анализ, распознавание и синтез речи /Под. Ред. Трунина-Донского В.Н. -М.: ВЦ АН СССР, 1987.

66. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965.

67. Румшиский Л.З. Математическая обработка результатов эксперимента. Справочное руководство. М.: Наука, 1971.

68. Скурихин А. Н. Нейронные сети: определения, концепции, применение. -М.: ЦНИИ управления экономики и информатики, 1991.

69. Смит К. Развитие систем распознавания речи в Великобритании // Электроника. No.23, 1984, С.24 -26.

70. Сорокин В.Н. Теория речеобразования. М.: Радио м связь, 1985.

71. Сорокин В.Н. Временные параметры элементов русской речи // Речевая информатика. М.: Наука, 1989.

72. Справочник по промышленной робототехнике. Под ред. Нофа Ш. /пер. с англ. М.: "Машиностроение", 1989.

73. Страуструп Б. Язык программирования Си++. М.: Радио и связь, 1991.

74. Тимофеев А.В. Адаптивные робототехнические комплексы. П.: Машиностроение, 1988.

75. Тихонов В.И., Миронов М.А. Марковские процессы. М: Советское радио, 1977

76. Треногин В. А. Функциональный анализ. М.: Наука. Главная редакция физико-математической литературы, 1980.

77. Трунин Донской В.Н. Разработки советских учёных в области автоматического распознавания речи // Актуальные вопросы фонетики в СССР. - М.: ИНИОН АН СССР, 1987, с.71-106.

78. Тэнк Д., Хопфилд Д. Коллективные вычисления в нейроподобных электронных схемах// В мире науки, 1988, №2, с.45-53.

79. Фант Г. Акустическая теория речеобразования. / пер. с англ. М.: Связь, 1964.

80. Фланаган Дж. Анализ, синтез и восприятие речи. -М.: Связь, 1968.

81. Фигурнов В.Э. IBM PC для пользователя. Изд. 6-е, перераб. и доп. М.: ИНФРА-М, 1995.

82. Фролов А.В., Фролов Г.В. Мультимедиа для Windows. Руководство для программиста. М.: ДИАЛОГ-МИФИ, 1994 - (Библиотека системного программиста; т. 15.)

83. Фролов А.В., Фролов Г.В. Операционная система Windows 95. Для программиста. М.: ДИАЛОГ-МИФИ, 1996 - (Библиотека системного программиста; т.22).

84. Цвикер Э., Фельдкеллер Р. Ухо как приёмник информации. М.: Связь, 1972.

85. Черносвитов A. Visual С++ 6 и MFC. Курс MCSD для профессионалов -СПб.: Издательство «Питер», 2000.

86. Чистович Л.А., Венцов А.В., Гангстрем М.П. и др. Физиология речи: Восприятие речи человеком. Л.: Наука, 1976.

87. Чистович Л.А., Кожевников В.А. и др. Речь. Артикуляция и восприятие. -Л.: Наука, 1965.

88. ABB Flexible Automation, http://www.abb.com

89. Acero A., Stern R. Robust Speech Recognition by Normalization of Acoustic Space // IEEE International Conference on Acoustics, Speech, and Signal Processing. 1990, pp. 849-852.

90. Ackley D., Hinton G., Sejnowski T. A learning algorithm for Boltzmann machines// Cognitive Sciences, 1985, vol.9, pp.147-169.

91. Anderberg M.R. Cluster Analysis for Application. Academic Press, New York, USA, 1973.

92. Atal B.S., Rabiner L.R. A Pattern recognition approach to voiced-unvoiced-silence classification with application to speech recognition // IEEE Trans, on ASSP vol. ASSP-24, 1976, -No.6.

93. Atal B.S., Schroeder M.R. Predictive Coding of Speech Signals and Subjective Error Criteria // IEEE Trans, on ASSP vol.ASSP-27, No.3, 1979.

94. Bahl L. R., Bakis R., Cohen P. S., Cole A. G., Jelinek F., Lewis B. L., Mercer R. L. Further Results on the Recognition of a Continuously Read Natural Corpus // IEEE International Conference on Acoustics, Speech, and Signal Processing. 1980.

95. Bahl L.R., Jelinek F., Mercer R. A Maximum Likelihood Approach to Continuous Speech Recognition // IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-5, 1983, pp. 179-190.

96. Bahl L.R., Brown P.F., P. V. de Souza, and Mercer R.L. Speech Recognition with Continuous Parameter Hidden Markov Models // Proceedings ICASSP, Vol. 1, pp. 40-43, 1988.

97. Baker J.K., The DRAGON System An overview // IEEE Trans. ASSP, 23, No.1. February 1975, pp.24-29.

98. Bakis R., Schen S., Gopalakrishnan P., Gopinath R., Maes S., Polymenakos L. Transcription of Broadcast News System Robustness Issues and Adaptation Techniques// ICASSP, 1997, volume 2, pages 711-715

99. Baum L. E. and Eagon J. A. An inequality with applications to statistical estimation for probabilistic functions of Markov processes and to a model for ecology // Bulletin of the American Mathematical Society, 73:360-363, 1967.

100. Baum L.E. An Inequality and Associated Maximization Technique in Statistical Estimation of Probabilistic Functions of Markov Processes // Inequalities, vol. 3, 1972, pp. 1-8.

101. Bishop C. Neural Networks for Pattern Recognition. Oxford University Press, 1995.

102. Bodenhausen U., and Manke S. Connectionist Architectural Learning for High Performance Character and Speech Recognition // Proceedings IEEE International Conference on Acoustics, Speech, and Signal Processing, 1993.

103. Buhmann J., Schilten K. Noise Driven Temporal Association in Neural Networks // Europhysics Letters 4, pages 1205-1209, 1988.

104. Carver N., Lesser V. Evolution of blackboard control architectures. Hearsay-ll // Expert Systems with Applications 7, No.1, Jan-Mar., 1994, p.1-p30.

105. Cheng Y.H., Lin C.S. Learninig algorithm for radial basis function network with the capability of adding and pruning neurons // Proceeding 1994 Conf. ICNN. Orlando: 1994, pp.797-801.

106. Chevalier H., Ingold C., Kunz C., Moore C., Roven C., Yamron J., Baker В., Bamberg P., Bridle S., Bruce T. and Weader A. Large-vocabulary Speech Recognition in Specialized Domains // ICASSP, 1995, volume 1, pages 217-220.

107. Class F., Kaltenmeier A., Regel-Brietzmann P. Optimization of an HMM-Based Continuous Speech Recognizer// EUROSPEECH, 1993, vol. 2, pages 803-806.

108. Cook C.D., Kershaw D.J., Christie J. D.M., Seymour C. W., Waterhouse S. R. Transcription of Broadcast Television and Radio News: The 1996 Abbot System // ICASSP, 1997, volume 2, pages 723-727.

109. Dehaene S., Changeux J., Nadal J. Neural Networks that Learn Temporal

110. Sequences by Selection // Proceedings National Academy Science, USA, Biophysics 82, pages 2724-2733, 1989.

111. Digital Speech Processing: Speech Coding, Synthesis and Recognition // ed. A. Nejat Ince. Boston: Kluwer Academic Publishers, 1992.

112. Ellermann C., Even S. V., Huang C. and Manganaro L. Dragon Systems' Experiences in Small to Large Vocabulary Multi-Lingual Speech Recognition Applications // EUROSPEECH, 1993, volume 3, pages 2077-2080.

113. Fisher W., Fiscus J. Better Alignment Procedures for Speech Recognition Evaluation // ICASSP, 1993, volume 2, pages 59-62.

114. Fodor J., Pylyshyn Z. Connectionism and Cognitive Architecture: A Critical Analysis. In Pinker and Mehler (eds.), Connections and Symbols, MIT Press, 1988.

115. Forney G. J. The Viterbi Algorithm // Proceedings of the IEEE, 61, 3, 1973, pp. 268-278.

116. Gauvain J., Adda G., Adda-Decker M. Speaker-Independent Continuous Speech Dictation // EUROSPEECH, 1993, volume 1, pages 125-128.

117. Gill P., Murray W., Wrigth M. Practical Optimization N.Y.:Academic Press,1981.

118. Gauvain J.L., Adda G., Lamel L., Adda-Decker M. Transcribing Broadcast News Shows // ICASSP, 1997, volume 2, pages 715-719.

119. Gersho A. On the Structure of Vector Quantizers // IEEE Transactions on Information Theory, vol. 28, no. 2, pp. 157-166, March 1982.

120. Gill C. L., Kuhn G. M. and Williams, R. J. Dynamic recurrent neural networks: Theory and applications // IEEE Transactions on Neural Networks, 1994, 5(2): 153-156.

121. Gray R. Vector Quantization // IEEE ASSP Magazine, 1984, vol. 1, pp. 4-29.

122. Grossberg S. Adaptive pattern classification and universal recoding // Biological Cybernetics, 1976, №23,pp.121-134.

123. Grossberg S., Cohen A., Stork D. Recent Developments in a Neural Model of Real-Time Speech Analysis and Synthesis // First International Conference on Neural Networks, IEEE, pp. 899-902,1987.

124. Grossberg S. Competitive learninig: From interactive activation to adaptive resonance// Cognitive Science, 1987, №11, pp.23-63.

125. Hampshire J., Waibel A. The Meta-Pi Network: Connectionist Rapid Adaptation for high-performance Multi-Speaker Phoneme Recognition // Proceedings IEEE International Conference on Acoustics, Speech, and Signal Processing, 1990.

126. Hanes M., Ahalt S., Krishnamurthy A. Acoustic-to-phonetic mapping using recurrent neural networks // IEEE Transactions on Neural Networks 1994, 5(4), pages 659-662.

127. Hartigan J. A. Clustering algorithms. N.Y: - Wiley. - 1975. - p.386

128. Hartman E., Keeler D., Kawalski J. Layered neural networks with gaussian hidden units as universal approximator// Neural Networks, 1990, vol.35, №2, pp. 210-215.

129. Haykin S. Neural Networks: A comprehensive Foundation. N.Y.: Macmillan College Publishing Company, 1994.

130. He J., Liu L., Palm G. On the Use of Residual Cepstrum in Speech Recognition//Proc. IEEE ICASSP'96. 1996, V.1.

131. Hecht-Nielsen R. Counterpropagation Networks // Proceedings of the IEEE First Inetrnational Conference on Neural Networks // IEEE Press, 1987, pp. 19-32.

132. Hecht-Nielsen R. Counterpropagation networks. Applied Optics, 1987, 26(23): 4979-4984.

133. Hecht-Nielsen R. Applications of Counterpropagation networks // Neural Networks 1: 1988, 131-39.

134. Hinton G.E., Sejnowski T.J. Learning and relearning in Boltzmann machines. // Parallel distributed processing, 1986, vol. 1, pp. 282-317. Cambridge, MA: MIT Press.

135. Hiramatsu K., Kotoh K. A Spoken Digit Recognition System // VI International Congress on Acoustics, Tokyo, D4-3, 1968.

136. Hassibi В., Stork D. Second order derivatives for network prunning: Optimalbrain surgeon // Advances in NIPS2 / Ed.D.Touretzky, San Mateo:Morgan Kaufmann,1993,pp.164-171.

137. Hopfield J. Neural Networks and phisical systems with emergent collective computational abilities // Proceedings of the National Academy of Sciences USA, 1982, pp.2554-2558

138. Horz J., Krogh A., Palmer R. Introduction to the theory of neural computation. Addison Wesley Publishing Company, 1991.

139. Huang X., Lee K., and Hon H. On Semi-Continuous Hidden Markov Modeling // IEEE International Conference on Acoustics, Speech, and Signal Processing. Albuquerque, NM, 1990, pp. 689-692.

140. Huang X.D. Phoneme Classification using Semi-Continuous Hidden Markov Models // IEEE Trans, on Signal Processing, 1992, 40(5), May.

141. Hush D., Home B. Progress in supervised neural networks // IEEE Signal Processing Magazine, 1993, January, pp.8-39.

142. Hwang, M., Hon H., and Lee K. Modeling Between-Word Coarticulation in Continuous Speech Recognition // Proceedings of Eurospeech. Paris, FRANCE, 1989, pp. 5-8.

143. IBM Systems, December, 1995

144. IEEE EXPERT, April 1995, p. 54.

145. IEEE EXPERT, February 1991, p. 41.

146. Imamura A. Speaker Adaptive HMM-Based Speech Recognition with a Stochastic Speaker Classifier // Proceedings ICASSP, Vol. 2, pp. 841-844, 1991.

147. Iso K. and Watanabe T. Speaker-Independent Word Recognition using a Neural Prediction Model // Proceedings IEEE International Conference on Acoustics, Speech, and Signal Processing, 1990.

148. Juang В. H., Rabiner L. R. Mixture Autoregressive Hidden Markov Models for Speech Signals // IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. ASSP-33 (1985), pp. 1404-13.

149. Kim Doh-Suk, Jeong Jae-Hoon, Kim Jae-Weon, Lee Soo-Young. Feature Extraction Based on Zero-Crossing with Peak Amplitudes for Robust Speech

150. Recognition Noisy Environments // ICASSP-96.-1996, v.1.

151. Kleinfield D. Sequential State Generation by Model Neural Networks // Proceedings National Academy Science, USA, Biophysics 83, pages 94699473, 1988.

152. Klowstad J.W., Mondshein L.F., The CASPERS Linguistic Analysis System, IEEE Trans. ASSP , 23, No.1. February, 1975, pp.118- 123.

153. Kohonen T. The self-organizing map // Proceedings of the IEEE, 78(9),1990, p.1464-1480.

154. Kohonen T. Self-Organizing Maps. Heidelberg: Springer-Verlag, 1995.

155. KoskoB. Constructing an associative memory // Byte, September, 1987, pp. 137-44.

156. Kosko В., Guest С. Optical bi-directional associative memories // Sosiety for Photo-optical and Instrumentation Engineers Proceedings: Image Understanding, 1987, (758), pp.11-18.

157. Kosko B. Competitive Adaptive Bidirectional Associative Memories // Proceedings of the IEEE First International Conference on Neural Networks. -IEEE Press, 1987, vol.2.

158. Kosko B. Feedback Stability and Unsupervised Learning // Proceedings of the IEEE Second International Conference on Neural Networks. IEEE Press, 1988.

159. Kroese B. An introduction to Neural Networks. Amsterdam: University of Amsterdam, 1996.

160. Kubala F., Jin H., Matsoukas S., Nguyen L., Schwartz R., and Makhoul J. Advances in Transcription of Broadcast News // EUROSPEECH, 1997, volume 2, pages 927-930.

161. Kubala F., Jin, H., Nguyen L., Schwartz R., and Matsoukas S. Broadcast News Transcription // ICASSP, 1997, volume 1, pages 203-207.

162. Le Cun Y., Denker J., Solla S. Optimal brain damage // Advances in NIPS2 / Ed.D.Touretzky, San Mateo:Morgan Kaufmann, 1990,pp.598-605.

163. Lee, K. and Hon, H. Large Vocabulary Speaker-Independent Continuous Speech Recognition // IEEE International Conference on Acoustics, Speech,and Signal Processing. New York, NY, 1988.

164. Leonard J.A., Kramer M.A. Radial basis function networks for classifying process faults // IEEE Control System Magazine, 1991, April, pp.31-38.

165. Leonard R.G. A Database for Speaker-Independent Digit Recognition // Proceedings IEEE International Conference on Acoustics, Speech, and Signal Processing, pp. 42.11.1 -42.11.4, San Diego, California, USA, April 1984.

166. Lesser V.R., Fennel R.D., Erman L.D., Reddy D.R., Organization of the HEARSAY II Speech Understanding System, IEEE Trans. ASSP, 23, 1, pp.11-24, 1975.

167. L.G. Hellmann Corporation, http://www.lghellmann.com.

168. Li Q.,Tufts D. Synthesizing neural networks by sequencial addition of hidden nodes// IEEE Proc. ICNN, Orlando, 1994., pp.708-713.

169. Linde Y., Buzo A., Gray R. An Algorithm for Vector Quantizer Design // IEEE Transactions on Communication, vol. COM-28 (1), pp.84-95, January 1980.

170. Lippmann R. P. An Inroduction to Computing with Neural Nets // IEEE Transactions ASSP Magazine, April 1987, №2, L4, pp.4-22.

171. Lippman R.P. Review of neural networks for speech recognition // Neural Computation. 1989. - v.1.

172. Moody J., Darken C. Fast Learning in networks locally-tuned processing units // Neural Computation, 1989, №1, pp. 281-294.

173. Morgan N., Bourlard H. Neural networks for statistical Recognition of continuous Speech// Proceedings of the IEEE, 83(5), pp. 741-770, May 1995.

174. Nakagawa S. and Kai A. A context-free grammar-driven, one-pass HMM-based continuous speech recognition method (Toyohashi University of Tech., Japan) // Systems & Computers in Japan 25 No.4 Apr., 1994, p.92-p.102.

175. Narendra K.S., Parthasarathy K. Identification and control of dynamical systems using neural networks // IEEE Trans. Neural Networks, 1990. -Vol.1., pp.4-27.

176. Nash-Webber B. Semantic support for a speech understanding system // IEEE Trans, on ASSP vol. ASSP-23, No.1, February, 1975, p.124-128

177. Newall Electronics, http://www.newall.co.uk

178. Ney H. and Noll A. Phoneme Modeling Using Continuous Mixture Densities // IEEE International Conference on Acoustics, Speech and Signal Processing. 1988, pp. 437-440.

179. Parsons T.W. Voice and Speech Processing. New York: McGraw Hill,1986.

180. PAR Systems, http:// www.par.com.

181. Paul D. В., Lippmann R. P., Chen Y., Weinstein C. Robust HMM-Based Techniques for Recognition of Speech Produced under Stress and in Noise // Proceedings of the Speech Technology Conference. 1986.

182. Peskin В., Gillick L., Liberman N., Newman M., van Mulbregt P. and Wegmann S. Progress in Recognizing Conversational Telephone Speech // ICASSP, 1997, volume 3, pages 1811-1814.

183. Picone J. Continuous Speech Recognition Using Hidden Markov Models // IEEE ASSP Magazine, vol. 7, no. 3, pp. 26-41, July 1990.

184. Pinker S. and Prince A. On Language and Connectionism. In Pinker and Mehler (eds.), Connections and Symbols, MIT Press, 1988.

185. Rabiner L.R., Juang B.H., Levinson S.E., Sondhi M.M. Recognition of Isolated Digits Using Hidden Markov Models With Continuous Mixture Densities. AT&T Technical Journal, vol. 64, 1985, pp. 1211-33.

186. Rabiner L.R., Juang B.H. An Introduction to Hidden Markov Models // IEEE ASSP Magazine, vol. 3, 1986, pp. 4-16.

187. Rabiner L.R. Applications of Voice Processing to Telecommunications // Proceedings of the IEEE, Vol. 82, No. 2, Feb. 1994, pp. 199-228.

188. Reddy D., Zue V. Recognizing Continuous Speech Remains an Illusive Goal // IEEE Spectrum, November 1983, pp. 84-87.

189. Rosenblatt F. Principle of neurodynamics.- N.Y.:Spartan,1992.

190. Roucos S., Makehoul J. and Gish H. Vector Quantization in Speech Coding. Proceedings of the IEEE, vol. 73, pp. 1551-1588, 1985.

191. RSI. (gbp)186 000 record damages for rsi sufferer at newcastle highcourt // Health and Safety at Work, 1997, volume 19-3.

192. Rumelhart D.E., Hinton G.E., Williams R.J. Learning represetation by Back-Propagating Errors// Nature, October 1986, № 323 (9), pp. 533-536.

193. Rumelhart D.E., McClelland J.L. Parallel Distributed Processing.- Cambridge, MA. MIT Press, 1986.

194. Sankar K.P., Sushmita M. Multilayer Perceptron, Fuzzy Sets and Classification // IEEE Transactions on Neural Networks, 3(5):683-697, September 1992.

195. Speech Science and Technology // ed. Shuzo Saito. -Tokyo: Ohmsha,1992.

196. Schwartz R., Klovstad J., Makhou J., and Sorensen J. A Preliminary Design of a Phonetic Vocoder Based on a Diphone Model // IEEE International Conference on Acoustics, Speech, and Signal Processing. 1980, pp. 32-35.

197. Schwartz R.M., Chow Y.L., Roucos S., Krasner M., Makhoul J. Improved Hidden Markov Modeling of Phonemes for Continuous Speech Recognition // IEEE International Conference on Acoustics, Speech, and Signal Processing. 1984.

198. Tappert C.C. Experiments with a Tree-Search Method for Converting Noisy Phonetic Representation Into Standard Orthography, IEEE Trans. Acoust. Speech Signal Process. ASSP-23, 1975, pp.129-130

199. Thimm G., Fiesler E. High Order and Multilayer Perceptron Initialization // IEEE Transactions on Neural Networks, 8(2): 1045-9227,1997.

200. Viterbi A.J. Error Bounds for Convolution Codes and an Asymptotically Optimum Decoding Algorithm // IEEE Transactions on Information Theory, vol. IT-13, 1967, pp. 260-269.

201. Voice control of steel fabrication. //Tool, and Prod., 1977, 42, №12, pp.80-82

202. Wasserman P.D. Expirements in translating Chinese characters using backpropagation // Proceedings of the Thirty-Third IEEE Computer Society International Conference.-Washigton, D.C.: Computer Society Press of the IEEE, 1988.

203. Werbos P.J. Backpropagation through time: what it does and how to do it // Proceedings of the IEEE, 1990, 78(10), pp.1550-1560.

204. Widrow В., Hoff M.E. Adaptive Switching Circuits // IRE WESCON Conventional Record, 1960, part 4, pp. 96-104.

205. Widrow В., Stearns S. Adaptive signal processing. N.Y.:Prentice Hall,1985.

206. Williams R., Zipster D. A learning algorithm for continually running fully recurrent neural networks. Neural Computers, 1989. -vol.1, pp.270-280.

207. White G.W. Dynamic programming, Viterbi Algorithm and Low Cost Speech Recognition // Proc. IEEE Intern. Conf. ASSP, Tulsa, 1978.

208. Woodland P. C., Gales M. J. F., Pye D., and Young S. J. Broadcast News Transcription Using НТК// ICASSP, 1997, volume 2, pages 719-723.

209. Список условных сокращений

210. АС — акустическое состояние

211. АЦП — аналого-цифровой преобразователь1. БА — блок адресации

212. БАО — блок акустической обработки1. БВ — блок вывода

213. БВОМ — блок выбора оптимальной оценки и маркировки вершин

214. ВДВ — блок хранения базы данных вершин

215. БДАС — блок хранения базы данных акустических состояний

216. БДГВ — база данных граничных вершин

217. БДГ1В — база данных локальных вершин

218. БДС — блок хранения базы данных слов1. БИ — блок интерпретации

219. БЛО — блок лексической обработки

220. БОИ — блок отображения информации1. БП — буферная память

221. БПЗС — буфер памяти значений спектра

222. БПВП — блок проверки вершин "паузы"

223. БПГ — блок проверки гипотез

224. БПГВ — блок проверки "граничной" вершины

225. БПО — блок предварительной обработки

226. БППВ — блок проверки последовательности вершин

227. БСА — блок спектрального анализа

228. БССА — блок семантико-синтаксического анализа

229. БСЭ — блок сравнения с эталоном1. БУ — блок управления

230. БФЛГ — блок формирования лексических гипотез

231. ВК — векторное квантование

232. ВВК — вычислитель весового коэффициента

233. ВТАС — вычислитель текущего акустического состояния1. ГВ — граничная вершина

234. ГПС — гибкая производственная система4 2631. ДЗ дикгорозависимый1. ДНЗ дикгоронезависимый

235. ДП динамическое программирование

236. ДСММ дискретная скрытая модель Маркова1. ЗА звуковой адаптерф ИН искусственный нейрон

237. ИНС искусственная нейронная сеть1. КТ контрольный текст

238. МП многослойный персептрон

239. МПР механообрабатывающий промышленный робот

240. МПРУ модуль преобразования речевых указаний1. МС металлорежущий станок1. MS Microsoft

241. НВК настройка весовых коэффициентов1. НИ носитель информации1. НС нейронная сеть

242. НСММ непрерывная скрытая модель Маркова

243. ОГЛД ориентированный граф лексического декодированияи ОГЛИ ориентированный граф лексической интерпретации1. ОЦ обрабатывающий центр

244. ОАС определитель ожидаемых акустических состояний1. ОС операционная система

245. ПВД последовательность векторов данных

246. ПЛГ построитель лексических гипотез

247. ПНСММ полунепрерывная скрытая модель Маркова

248. ПО программное обеспечение

249. ПП параметрическое пространство

250. ППНС простая персептронная нейросеть1. ПР промышленный робот

251. ПРУ программа речевого управления1. ПУ программное управление

252. РБФ радиально-базисная функция1. РВ речевое взаимодействие

253. РГС — регулятор громкости выходного сигнала

254. РИС — распознавание изолированных словpp — распознавание речи1. PC — речевой сигнал

255. РСР — распознавание слитной речи

256. PTC — робототехническая система1. РУ — речевое управление

257. РУС — регулятор уровня входного сигнала

258. САП — система аналитического программирования

259. САПР — система автоматизированного проектирования

260. СММ — скрытая модель Маркова

261. СОЖ — система охлаждения жидкостьюспид — станок-приспособление-инструмент-деталь

262. СПР — сварочный промышленный робот1. С/Ш — сигнал/шум

263. УП — управляющая программа

264. УРВ — устройство речевого взаимодействия

265. УЧПУ — устройство числового программного управления1. ФА — функция активации

266. ФПВ — функция плотности вероятностей

267. ЦАП — цифро-аналоговый преобразователь

268. ЧМС — человеко-машинная система

269. ЧПУ — числовое программное управление