语音信号数字处理-隐马尔可夫模型.pptVIP

* * 考察?n(j)??n(j) 的物理意义：在n时刻系统处在Sj状态下输出某个观察序列Y的概率。 则：在全部时刻1, 2, …, N在Sj状态下，输出观察序列Y的概率： 在j状态观察到全部码字的概率： 其中： M－－码字的个数 码本－－{V1, V2, …, VM} 估计B(或Pj(?))时，令? 、A不动 * 在Sj状态下，在n时刻，对Q个样本观测到输出为Vm概率的平均值 在Sj状态下，在全部时刻，对Q个样本观测到输出为任何可能的全部码字平均概率 * * 同样的办法可得 估计?时，令A、B不动 可以证明：上述每一步迭代都是最优的 * 在实际训练时往往会遇到下溢问题，即参与运算的数值(概率)都非常之小，连乘后就会下溢。为解决此问题，我们定义归一化基值（n时刻系统全部状态下前向概率总和）[Levison 83] ： 这样归一化向前、向后概率为： 我们会发现，归一化处理不影响参数估计的结果。 另一种方法是采用对数压缩方法[Brown 87]，将概率对数化并用定点数表示，这样做不但解决了这一问题，而且还减小了存储量、缩短了运算时间。 概率计算的下溢问题 * 训练模型的流程框图 { 初始化：假设初始模型?=(?, A, B)，训练遍数TN for (scan=1; scan?TN; scan++) { for (q=1; q?Q; q++) { Q为观测序列总数 取第