HMM基本原理及在语音识别中的应用讲课教案.pptVIP

采用HMM进行语音识别，实质上是一种概率运算。根据训练集数据计算得出模型参数后，测试集数据只需分别计算各模型的条件概率（Viterbi算法），取此概率最大者即为识别结果。 除训练时需运算量较大外，识别时的运算量仅有模式匹配法的几分之一。 人工神经网络（ANN）在语音识别中的应用是当前研究的热点。人工神经网络本质上是一个自适应非线性动力学系统，模拟了人类神经元活动的原理，具有自适应性、并行性、鲁棒性、容错性和学习特性。目前用于语音识别的神经网络有多层感知机，Kohonen自组织神经网和预测神经网。 由于神经网络反映了人脑功能的基本特征，具有自组织性、自适应性、和连续学习的能力。这种网络是可以训练的，即可以随着经验的积累而改变自身的性能。同时由于高度的并行性，它们能够进行快速判决并具有容错性，特别适合于解决象语音识别这类难以用算法来描述而又有大量样本可供学习的问题。 基于神经网络的语音识别原理图 待识别的 语音数据 权值w 根据标号训练 网络得出权值 已有神经 网络模型 输出结果 特 征 提 取 用于训练的 语音数据 神经网络的语音识别方法与传统方法差异： 提取了语音的特征参数后，靠神经网络中大量的连接权对输入模式进行非线性运算，产生最大兴奋的输入点就代表了输入模式对应的分类。神经网络的连接权系数是在使用中根据识别结果的正确与否不断的进行自适应修正。 比较起来，神经网络识别系统更接近人类的感知过程。 矢量量化技术在语音识别中应用时，一般是先用矢量量化的码本作为语音识别的参考模板，即系统词库中的每一个(字)词，做一个码本作为该(字)词的参考模板。 识别时对于任意输入的语音特征矢量序列 ，计算该序列对每一个码本的总平均的失真量化误差。总平均失真误差最小的码本所对应的(字)词即为识别结果。 矢量量化在语音识别中的应用 预处理 参数提取 码本1 码本2 码本M 判决逻辑 模型1 模型2 ··· 语音 信号 识别输 出结果 10.2 HMM基本原理及在语音识别中的应用 10.2.1 隐马尔可夫模型 马尔可夫过程（或马尔可夫链）直观解释是： 在已知系统目前的状态(现在)的条件下，“将来”与“过去”无关。这种过程也称为无记忆的单随机过程。如果这种单随机过程的取值(状态)是离散的，我们又可以将它称作无记忆的离散随机过程。 假设有一个系统，它在任何时间可以认为处在有限多个状态的某个状态下。在均匀划分地时间间隔上，系统的状态按一组概率发生改变（包括停留在原状态），这组概率值和状态有关，而且这个状态对应于一个可观测的物理事件，因此称之为可观测马尔可夫过程。 不可测(随机)的双随机过程只能通过另一组随机过程才能观测到，另一组随机过程产生出观测序列（行为），而这组行为是可见不可测的。因此，这种双随机过程称为隐马尔可夫模型(或隐马尔可夫过程)。通常，HMM对应的状态被假设为离散的，且其演变是无记忆的，因而，HMM也被称为无记忆的离散双随机过程。 隐马尔可夫过程是一个双重随机过程： 一重用于描述非平稳信号的短时平稳段的统计特征(信号的瞬态特征，可直接观测到)；另一重随机过程描述了每个短时平稳段如何转变到下一个短时平稳段，即短时统计特征的动态特性(隐含在观察序列中)。 基于这两重随机过程，HMM既可有效解决怎样辨识具有不同参数的短时平稳信号段，又可解决怎样跟踪它们之间的转化等问题。 人的言语过程也是这样一个双重随机过程。因为语音信号本身是一个可观察的序列，而它又是由大脑里的（不可观察的）、根据言语需要和语法知识(状态选择)所发出的音素(词、句)的参数流，大量实验表明，HMM的确可以非常精确地描述语音信号的产生过程。 (1) N—模型的状态数目。 状态的集合表示为 (2) M—观测符号数。 即每个状态可能输出的观测符号的数目。 观测符号集合表示为 (3) A—状态转移概率分布。 状态转移概率构成的矩阵为 一个隐马尔可夫模型由下列参数来决定： (4) B—状态的观测符号概率分布。