5语音信号处理语音识别-3.pptVIP

Ⅳ 语音识别（78） 关于HMM训练的几点考虑 克服训练数据的不足 HMM的模型含有很多待估计的参数，为得到满意的模型，必须要有很多训练数据，这在实际中很难办到。 在训练数据少时，一些出现次数很少的观察值没有包含在整个训练数据中，这样训练出的HMM参数中就会有不少为零的概率值。 需要对训练好的模型进行相应的处理。 Ⅳ 语音识别（79） 常用的方法是将一个训练较充分，但细节较差的模型与一个训练虽不充分，但含有细节的模型进行混合。 前一个模型可在HMM模型结构中将有些状态转移概率及观察输出概率相近的进行“捆绑” ，从而减少模型参数。 使用相同的训练数据就可以对这种“捆绑”后的模型进行较充分的训练。 Ⅳ 语音识别（80） 合并两个HMM的问题可以表示为 Ⅳ 语音识别（81） 删插（Deleted Interpolation）平滑法 Ⅳ 语音识别（82） 4.4 大词汇量连续语音识别技术 语音识别研究中意义最重大、应用成果最丰富，同时最具有挑战性的研究课题。 大词汇量非特定人的连续语音识别系统的词误识率大体为小词汇量、特定人的孤立词识别系统词误识率的50倍左右。 特有的问题： 无法切分，无法确定单词间的边界位置。 发音变化：连续语音的发音比孤立词发音更随便，受协同发音的影响也更为严重。 Ⅳ 语音识别（83） 上个世纪90年代初期已经取得了若干突破性的进展。 这一进展依赖