毕业论文论文范文课程设计实践报告法律论文英语论文教学论文医学论文农学论文艺术论文行政论文管理论文计算机安全
您现在的位置: 毕业论文 >> 论文 >> 正文

语音信号隐马尔可夫模型仿真 第6页

更新时间:2008-4-21:  来源:毕业论文

语音信号隐马尔可夫模型仿真 第6页

第三章  隐马尔可模型的算法分析

3.1 语音识别中的HMM

在语音识别中,所谓的观察序列就是通过计算得到的一帧帧的语音参数,如MFCC参数。而状态则是在训练阶段事先预定好的不同语音单元。对于汉语普通话来说,语音单元可以是一个完整的音节,也可以是声母或韵母,还可以是更为精细的夜音素。 若图片无法显示请联系QQ752018766    

文本框:

3-1HMM与影印参数的关系

一个HMM模型由若干个状态组成。随着时间的变化,各个状态之间可以发生转移,也可以在一个状态内驻留。每个观察向量对不同的状态都都有相应的输出概率。如图3-1所示的HMM,包含有四个状态 ,状态之间或状态自身的转移概率用 表示,输入观察序列为 ,,每个观察序列是一帧MFCC参数。在这个模型中序列 , 是可观测的输入序列,称为序列,而每一时刻所处的状态却是隐含的。

3.2 HMM结构和三个基本问题

HMM模型通常采用 =(A,B, )表示,对于一个连续混合高斯HMM,定义为如表3-1所示的基本元素的综合。

 

若图片无法显示请联系QQ752018766 

 

 

 

3-1一个连续混合高斯HMM的基本元素综合

模型参数

                               

N

模型的状态数

A={ }

状态转移概率矩阵  P[ =j| ],            1 i,j N

={ }

各状态的起始概率公布, =P[ ]=1,           1 j N

B={ (o)}

输出概率密度函数,  (o)=     1 j N

其中输出概率密度函数中参数描述如表3-2所示。

3-2输出概率密度函数中参数描述

     

                             

O

观察向量

M

每个状包含的高斯元的个数

j状态第1个混合高斯函数的权

N

代表正态高斯概率密度函数

j状态第1个混合高斯元的均值失量

j状态第1个混合高斯元的协方差矩阵

权系数 满足下面的条件:

                                =1,                            1 j N           (3-1)

这种连续混合高斯HMM通常简称为CHMM。对于每一个状态,都用若干个正态高斯概率密度函数(简称而pdf)的线性综合来表示,每个pdf有各自的均值失量和协方差矩阵,这些都是通过对大量的MFCC参数进行统计得到的。

对于HMM模型,有三个基本问题需要解决:

(1)输出概率的计算问题:给定观察序列O=( , )HMM模型 =(A,B, ),如何计算观察叙率对HMM模型的输出概率P(O/ )

(2)状态序列解码问题:给定观察序列O=( , )HMM模型 =(A,B, ),如何确定一个最优的状态转移序列q=( , , )

(3)模型参数的估计问题:如何调整 =(A,B, )的参数,以使P(O/ )最大。

 

3.3前向概率和后向概率-HMM的输出概率计算

3.3.1 HMM输出概率的计算

给定观察序列O=( , )HMM模型 =(A,B, ),如果已知状态转移序列q=( , , ),则HMM模型 又状态转移序列q输出观察序列O概率为

                           (3-2)

HMM模型 输出q的概率为

                                     P(q/ )=                                             (2-3)

而这里需要的是对所有可能的状态转移序列q,模型输出观察序列O的概率P(O/ )。由全概率公式得:

                            P(O/ )  =                                         (3-4)

                                                        =

该式需要进行 次计算,这在实际中是无法承受的。为了降低计算复杂度,可以采用前向算法和后向算法。

3.3.2 HMM的前向概率和后向概率

首先定义HMM的前向概率为[6]

                                  P( , , =i| )                                          (3-5)

表示给定HMM模型参数 ,部分观察序列{ , },在t时刻处于状态i的概率前向概率 可以用下面的递推公式计算:

(1)   初始化

                                          =                 1 i N                    (3-6)

(2)   迭代计算

                                               1 t T-1,1 j N      (3-7)

(3)   终止计算

                                          P(O/ )=                                                               (3-8)

与前向概率相对应,还有后向概率。定义后向概率为:

                                  ( , , =i| )                                          (3-9)

表示给定HMM模型参数 ,观察序列在t时刻处于状态i,系统输出部分观察序列{ , }的概率。

后向概率[7] (i)也有类似的递推公式计算:

(1)   初始化

                               =1,                      1 i N               (3-10)

(2)迭代计算

                                          =           1 t T-1,1 j N  (3-11)

前向概率和后向概率的递推关系可用图32说明

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10]  ... 下一页  >> 

语音信号隐马尔可夫模型仿真 第6页下载如图片无法显示或论文不完整,请联系qq752018766
设为首页 | 联系站长 | 友情链接 | 网站地图 |

copyright©751com.cn 辣文论文网 严禁转载
如果本毕业论文网损害了您的利益或者侵犯了您的权利,请及时联系,我们一定会及时改正。