《语音识别技术及应用》教案 项目三 构建传统声学模型.docx

PAGE8

PAGE8

PAGE7

PAGE7

课题

项目三构建传统声学模型

课时

4课时（180min）

教学目标

知识目标：

（1）了解隐马尔可夫模型的基本结构

（2）理解隐马尔可夫模型的基本问题

（3）掌握隐马尔可夫模型在语音识别中的应用方法

（4）了解高斯混合模型的基本原理

（5）理解高斯混合模型—隐马尔可夫模型的基本原理

（6）掌握隐马尔可夫模型的编程实现方法

技能目标：

（1）能够使用HMMlearn库中的隐马尔可夫模块解决问题

（2）能够编写程序，使用高斯混合模型—隐马尔可夫模型进行孤立词的语音识别

素养目标：

（1）学习传统声学模型的基础知识，加强对语音识别技术的了解，培养探索精神

（2）了解时代新科技，培养学生的思维能力和创造能力

教学重难点

教学重点：隐马尔可夫模型的基本结构、基本问题，及其在语音识别中的应用方法；高斯混合模型及高斯混合模型—隐马尔可夫模型的基本原理

教学难点：使用HMMlearn库中的隐马尔可夫模块解决问题；编写程序，使用高斯混合模型—隐马尔可夫模型进行孤立词的语音识别

教学方法

案例分析法、问答法、讨论法、讲授法

教学用具

电脑、投影仪、多媒体课件、教材

教学过程

主要教学内容及步骤

考勤

【教师】使用APP进行签到

【学生】班干部报请假人员及原因

问题导入

【教师】播放“隐马尔可夫模型的起源与发展”视频（详见教材），并提出以下问题：

（1）马尔可夫链是什么？

（2）隐马尔可夫模型主要用于哪些领域？

（3）隐马尔可夫模型的扩展模型有哪些？

【学生】聆听、思考、举手回答

传授新知

【教师】通过学生的回答引入要讲的知识，讲解隐马尔可夫模型，高斯混合模型—隐马尔可夫模型，HMMlearn库中的隐马尔可夫模块，以及隐马尔可夫模块的应用举例等知识

3.1传统声学模型

在语音识别系统中，声学模型起着至关重要的作用，它能够将语音信号映射成对应的音素序列，而音素序列再通过语言模型、发音词典等映射成文本，最终进行语音识别。训练声学模型的传统算法主要有隐马尔可夫模型和高斯混合模型—隐马尔可夫模型。

3.1.1隐马尔可夫模型

1．隐马尔可夫模型的结构

隐马尔可夫模型（hiddenmarkovmodel,HMM）主要用于序列数据（序列数据是一种有顺序的向量数据，数据前后具有关联性，如“今天阴天，可能要下雨，出门最好带伞”就是序列数据）的建模，在语音识别、自然语言处理等领域都有广泛应用。

?【教师】利用多媒体展示“隐马尔可夫模型的结构”图片（详见教材），并进行讲解

隐马尔可夫模型中的变量可分为两组，第一组是状态变量，其中表示第t时刻的系统状态，通常假定状态变量是隐藏的、不可观测的，故状态变量又称隐藏变量；第二组是观测变量，其中表示第t时刻的观测值，如图所示。

图“隐马尔可夫模型的结构”的箭头表示了变量之间的依赖关系。在任一时刻，观测变量的取值仅依赖于状态变量，与其他状态变量及观测变量的取值无关，这意味着观测变量之间是相互独立的。同时，t时刻的状态仅依赖于时刻的状态，与此前其他时刻的状态无关。这就是隐马尔可夫模型的两个关键假设——观测独立性假设和马尔可夫性假设。

……（详见教材）

?【教师】利用多媒体展示“3个不同的骰子”图片（详见教材），并进行讲解

下面用一个简单的例子来描述隐马尔可夫模型及其相关概念。假设有3个不同的骰子，第1个骰子D4有4个面，每个面出现的概率是，第2个骰子D6有6个面，每个面出现的概率是，第3个骰子D8有8个面，每个面出现的概率是，如图所示。

?【教师】利用多媒体展示“掷骰子过程”图片（详见教材），并进行讲解

现在开始掷骰子。掷6次骰子，每次可得到一个数字，最终可能会得到这样一串数字：8、6、3、5、2、7，这串数字是可观测到的结果，可理解为隐马尔可夫模型中的观测变量；而掷骰子过程中用到的骰子的序列（如D8、D6、D8、D6、D4、D8）即为状态变量，如图所示。

在掷骰子过程中，每次掷骰子时，选择D4、D6和D8的概率都是，即从一个状态到下一个状态之间转换的概率为，这个概率即为状态转移概率；如果第一次掷骰子时选中骰子D8，则产生结果1、2、3、4、5、6、7、8的概率都为，这个概率即为输出观测概率。

……（详见教材）

2．隐马尔可夫模型的基本问题

使用隐马尔可夫模型解决实际问题时，人们通常会关注以下3个基本问题。

（1）模型评估问题。在给定模型的情况下，如何计算其产生观测序列的概率，即求模型对观测序列的概率。这个问题即为模型评估问题，其求解方法通常为穷举法或前向—后向算法。

?【教师】随机邀请学生回答以下问题：

前向—后向算法的基本原理是什么？

?【学生】聆听、思考、回答

?【教师】总结学生的回答

前向—后向算法的基本原理是计算模型的前向概率和后向概率，然后再