《HMM介绍及其在语音识别中的应用(新)》-公开课件（精选）.pptVIP

形成过程 连续语音切分为识别单元—音段 每个音段采用一组数量有限的状态加以刻画 状态的变化反应了语音特征的变化 各时刻所处状态依概率而存在 自左到右无跳转HMM模型 转移概率矩阵A=[aij], i+1=j=i 观察概率矩阵B=[bi] 2.动态模型 1 2 3 三状态自左到右无跳转HMM模型 1 1 1 2 2 2 3 3 3 状态过程： 可能的状态序列 s1,s1,s1,s2,s3; s1,s1,s2,s2,s3 s1,s1,s2,s3,s3; s1,s2,s2,s2,s3 s1,s2,s2,s3,s3; s1,s2,s3,s3,s3 3.对语音的刻画 短时平稳性 每个状态对应于一特征平稳段 信号的时变性 通过调整各个模型中在每个状态的驻留次数（时间），实现模型与信号之间的时间对齐 特征的多样性 通过训练数据，覆盖音段特征的变化，进而用于模型参数训练，通过模型参数的统计分布加以反映 对应于两个随机过程 状态与音段特征间的统计关系 状态转移统计描述平稳段间的如何转移 4.模型定义 L个有限状态Sj构成状态集；任意时刻n所处状态为的xn；任意时刻n的特征矢量（输出观察）为yn。对应于三个模型参数（离散概率） 初始状态概率矢量 状态转移概率矩阵A 观察概率矩阵B HMM模型构成 1. 前向后向算法计算P(O|λ) ； 2. Baum-Welch