语音识别关键技术研究.pdfVIP

语音识别关键技术研究 息晓静 林坤辉 周昌乐 蔡 骏 (厦门大学软件学院，厦门361005) 摘 要 采用隐马尔可夫模型(HMM)进行语音声学建模是大词汇连续语音识别取得突破性进展最主要 的原因之一，HMM 本身依赖的某些不合理建模假设和不具有区分性的训练算法正在成为制约语音识别系统未来发展的瓶颈。神经网络依 靠权能够进行长时间记忆和知识存储，但对于输入模式的瞬时响应的记忆能力比较差。采用混合HMM／ANN模型对 HMM的一些不尽合理的建模假设和训练算法进行了革新。混合模型用神经网络非参数概率模型代替高斯混合器(GM) 计算HMM 的状态所需要的观测概率。另外对神经网络的结构进行了优化，取得 了很好的效果。 关键词 HMM ANN 非参数概率模型 BP 文章编号 1002—8331一(2006)11-0066—04 文献标识码 A 中图分类号 TP391．4 KeyTechnologyResearch for Speech Recognition XiXlaojing LinKunhui ZhouChangle CaiJun (SoftwareSchool，XiamenUniversity，Xiamen361005) Abstract：Because ofthe application ofthe Hidden Markov Model (HMM) in acoustic modeling，a significant breakthrough has been made in recognizing continuous speech with a large glossary．However，some unreasonable hypothesesforacousticmodelingand theunclassified trainingalgorithm onwhich theHMM based form abottleneck， restrictingthefurtherimprovementinspeechrecognition．TheArtificialNeuralNetwork(ANN)techniquescanbeadopted asallalternative modeling paradigm．By meansofthe weightvaluesofthe network connections，neural networkscan steadily store theknowledgeacquired from thetrainingprocess．Buttheypossessaweak memory。notbeing suitable to store the instantaneousresponse to various inputmodes．To overcome the flawsofthe HMM paradigm，we design a hybridHMMA／NN mode1．Inthishybridmodel，thenonparametricprobabilisticmodel(aBPneuralnetwork)isusedto substitutethe Gaussblendertocalculate the observed probabilitywhich isnecessary forcomputingthestatesofthe HMM mode1．Besides，weoptimizethestructureofthe network，andexperimentsshow thatthehybridmodelhasagood performancein speech recognition． Keywords：HMM。ANN，NonparametrieProbabilisticModel，BP 1 引亩 合模型进行优化 ，提 出了一种猜测初始隐节点数和对训练结束 语音识别主要是让机器听懂人说的话 ，即在各种情况下， 后 的网络进行隐节点剪