15HMM在语音识别中的应用_第1页
15HMM在语音识别中的应用_第2页
15HMM在语音识别中的应用_第3页
15HMM在语音识别中的应用_第4页
15HMM在语音识别中的应用_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、经典HMM语音识别训练过程,经典HMM语音识别识别过程,语音信号预处理与特征提取 声学模型与模式匹配 语言模型与语言处理,HMM语音识别系统的实现,语音信号预处理与特征提取,振动,在空气中形成压力波动,传感器的动作,时变的电压信号,语音信号预处理与特征提取,语音信号预处理与特征提取,语音信号预处理与特征提取,特征选取： 1) 幅度(或功率) 2) 过零率 3) LPC 预测系数特征矢量 4) LPC 倒谱特征矢量（LPCC） 5) Mel 倒谱参数（MFCC） 6) 前三个共振峰F1、F2、F3,以梅尔刻度式倒频谱参数（MFCC）为例：,语音信号,预加重,分帧,加窗,快速傅立叶变换,三角带通滤

2、波器,逆傅立叶变换,特征参数,计算短时能量,语音信号预处理与特征提取,耳蜗的恒Q特性,美尔（MEL)频率,模型基元 声韵母：声母22个，韵母38个 音节 ：412个音节 ，1282个有调音节 词,模型的结构选取 各态历经 从左至右,声学模型与模式匹配,参数初始化： 起始状态概率() 状态转移概率(A) 观测序列概率(B),根据观测序列概率表示方法的不同： 离散的HMM（DHMM） 连续的HMM（CHMM） 半连续的HMM（SCHMM）,声学模型与模式匹配,DHMM： 离散的符号作为观测量,CHMM： 观测量为连续概率密度函数 每个状态有不同的一组概率密度函数,SCHMM： 观测量为连续概率密度

3、函数 所有状态共享一组概率密度函数,声学模型与模式匹配,Baum-Welch算法(模型训练算法),目的：给定观察值序列O，通过计算确定一个模型l ， 使得P(O| l)最大。 算法步骤： 1. 初始模型（待训练模型） l0, 2. 基于l0 以及观察值序列O，训练新模型 l； 3. 如果 logP(X|l) - log(P(X|l0) Delta，说明训练已经达到预期效果， 算法结束。 4. 否则，令l0 l ，继续第2步工作,Baum-Welch算法(续),定义：,Baum-Welch算法(续2),参数估计：,采用统计语法的语言模型 基本原理：采用大量的文本资料，统计各个词的出现概率及相互关联的条件概率，并将这些知识与声学模型结合进行结果判决，减小误识。 设W=w1,w2,wQ,其概率表示为： P(W)=P(w1,w2,wQ) =P(w1)P(w2|w1)P(WQ|W1,W2,WQ-1) Unigram Bigram Trigram,语言模型与语言处理,t(frame) 1 30 40 100 140,注：只有一个候选,Has an what thin Has a watch thin,Has 为首词有2种选择：,trigram,Has a watch thin,P(has a watch thin)

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论