基于神经网络隐马尔可夫模型的混合语音识别方法的研究现状.pdfVIP

基于神经网络/ 隐马尔可夫模型的混合 语音识别方法的研究现状 摘要：作为大词汇量连续语音识别系统的主流技术，隐马尔可夫模型 （HMM ）方法已经取 得了相当的成功。但是，由于HMM在理论上的一些缺陷，使得目前的连续语音识别系统只 能在非常有限的范围内得到应用。也就是说，从根本意义上说，语音识别是一个尚未解决的 问题，仍旧是一个科学上的问题，离工程化还有相当的距离。所以，不断地探索新模型与新 方法对彻底解决这一问题至关重要。另一方面，近几年的研究表明，神经网络（ANN ）具 有极强的对复杂模式的分类能力。在连续语音识别的研究中，理应考虑结合两者之长来提高 识别系统的性能，尤其是声学层面上的识别率。本文旨在介绍国外这方面的前沿成果，并结 合我们自己在这方面的工作，对其发展方向提出一些看法。 关键词：神经网络，隐马尔可夫模型，混合方法。 一. 概况 近年来，自动语音识别的研究已经取得了非常大的进步，许多科研单位和大公司的语音 识别系统在实验室中都表现出了较高的识别率。但是，这些识别系统在实际场合的应用效果 是不能令人满意的，或者说，目前的识别系统只能在非常有限的范围内得到应用。 为了根本解决语音识别问题，我们还必须不断地探索新模型与新方法。首先，我们回顾 一下当前语音识别中最为成功的方法。 语音的产生可以看作是由信息源通过一个有噪信道，把语言序列W转换为一个信号序列 S的过程[1]，如图1所示。因此，语音识别就是一个最大后验概率（MAP ）的解码问题。 语言序列W 有 噪 信 道 语音信号S 语音信号S 通 道 解 码 语言序列W 图1 根据贝叶斯公式，该解码问题被表示为： A W P W P ( / ) ( ) arg max P (W / A) arg max W ∈Γ W ∈Γ P ( A) 其中A是声学特征向量，P(A/W)是声学模型，P(W)是语言模型，可以认为P(A)与P(W)无关 [2][3]，则（1）式等同于： arg max P(W / A) arg max P(A / W)P(W) W ∈Γ W ∈Γ 在识别系统的识别单元确定下来以后，通常对每个识别单元建立一个HMM ，并通过大量的 语音数据来训练每个HMM 的参数，因此在识别过程中，P(A/W) 的求取就是计算声学观测向 量与每个HMM 的相似度。 二. HMM与ANN应用于语音识别时各自存在的一些问题 2.1 HMM 的特点 HMM在语音处理的各个领域中的应用都获得了巨大的成功，但它的一些缺陷也使系统 性能难以进一步提高。我们不妨用表1来列举其用于语音识别时的优缺点[4]。 用于连续语音识别的HMM方法 优点 缺点 丰富的数学框架 对模式的辨识能力差 强有力的学习和解码方法 要求声学特征内部各分量不相关 对时间序列信号的处理能力强 状态序列由一个一阶Morkov链产生 表 1 从表1可以看出，为了用HMM来表示语音的产生，必须建立一些假设，在此基础上设计训练 和识别算法，而这些假设与实际情况不一定相符，这正是HMM理论的缺陷所在。 2.2人工神经网络方法的特点 利用神经方法进行连续语音识别的方法很多，比较有代表意义的有[5][6][7][8]等，它们 共同的思想就是利用ANN强大的静态模式分类能力，结合H