君，已阅读到文档的结尾了呢~~
[数学]一种HMM的学习算法国内图书分类号：国际图书分类号：０２１１．６２密级：公开西南交通大学研究生学位论文年级２四ｚ姓申请学位级..
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
[数学]一种HMM的学习算法
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口论文发表、论文指导
周一至周五
9：00&22：00
基于DTW和HMM算法的语音识别系统对比研究
2012年第11期目录
&&&&&&本期共收录文章20篇
　　摘要：论文在语音信号分析的理论基础上，研究了基于模型补偿的识别算法，对比了语音识别最常用的两种算法：动态时间归整算法（DTW）和隐马尔可夫算法（HMM），并针对两种算法的不足进行了改进。基于改进后的算法在MATLAB环境下搭建了孤立词语音识别系统，提高了识别率，节省了运行时间。中国论文网 /8/view-3372314.htm　　关键词：动态时间归整算法；隐马尔可夫算法；语音识别　　中图分类号：TN912.34 文献标识码：A 文章编号： (0-02　　随着人们对人机交流技术的要求越来越高，语音识别技术应运而生。语音识别是将语音信号转换成相应文本的高技术，是一种重要的人机交互技术[1]。在近二十年，越来越多高水平的研究机构和企业加入到语音识别的研究领域，并开始向市场上提供产品。其中具有代表性的产品有微软的Whisper系统，Google的Word Search系统，苹果的Siri系统等。　　语音识别最重要的性能指标就是识别率，而识别率十分依赖特征参数的训练和识别模型。常用的模式匹配和模型训练技术主要有动态时间归整算法和隐马尔可夫算法。文中就这两种算法特点进行了分析和改进，对基于改进后的算法建立的语音识别系统进行了性能评估和对比。　　一、语音识别算法　　（一）动态时间归整算法　　发音具有随机性，同一个人在不同时间，不同场合对同一个字的发音长度都不是完全一样的。在语音识别的模版匹配中，这些长度不一的发音将降低系统的识别率。为了解决这一问题，我们引入动态时间归整算法（Dynamic Time Warping，DTW）。在语音识别中，DTW算法是较早出现，较为经典的算法，它是基于动态规划（DP）的[2]。　　提取参考语音信号的特征参数存入特征模板库建立参考模板，提取待识别语音号的特征参数建立测试模板。DTW算法就是计算参考模板和测试模板各帧矢量之间的距离之和，总距离越小说明相似度越高，最后选取最小的总距离作为匹配结果。　　这种识别算法虽然较为简单、有效，但是计算量大，存储空间占用多，响应时间长。因此，文中对该算法进行改进，以避免以上缺点。　　改进后的DTW算法将归整函数限制在一个平行四边形中（其中两条边的斜率为1/2，另外两条边的斜率为2）。在计算总距离时只需计算平行四边形之内各交点的匹配距离和累积距离，这样减少了计算量，提高了系统的反应速度，节省了存储空间。　　（二）隐马尔可夫算法　　隐马尔可夫模型是在马尔可夫链基础上发展起来的一种语音信号统计模型，自从用来描述语音信号后，该模型迅速发展，使得HMM理论逐渐成为语音研究中的热点，语音识别的主流技术。　　隐马尔可夫模型HMM是一个双重随机过程，一重是可直接观测的马尔可夫链，用于描述状态的转移；另一重是隐含在观察序列中的随机过程，用于描述状态和观察值之间的统计对应关系。　　将HMM用于语音识别系统前，必须解决三个基本问题[3]：　　1.模型评估　　已知一个观察序列和一个HMM模型，如何计算由此模型产生此观察符号序列的输出概率。　　2.最优状态序列搜索　　已知一个观察序列和一个HMM模型，如何确定一个最佳状态序列，使之产生的观察序列的概率最大。　　3.模型训练　　已知一个观察序列和一个HMM模型，如何根据观察序列来确定模型的参数。　　针对以上三个问题，可分别用前向-后向算法，Viterbi算法和Baum-Welch算法改进，改进后的HMM算法较传统算法在识别率方面有了明显的提高。　　（三）算法比较　　基于模版匹配技术的DTW算法和基于随机过程理论的HMM算法是比较有代表性的孤立词识别算法。DTW算法应用动态规划的方法解决了语音信号特征参数序列时间对准问题，克服了语速的差异。DTW算法适用于训练样本较少的情况下，训练过程简单，识别过程较复杂，多用于特定人孤立词语音识别系统。　　HMM算法HMM运用状态序列描述观测向量的时间逻辑，通过多变量混合高斯分布表现观测向量序列的空间分布[4]。为了获得高识别率，HMM算法需要大量的训练样本和存储量，训练过程要耗费较多时间，识别过程较简单，多用于连续大词汇量语音识别系统。　　二、系统设计实现　　语音识别系统由预处理、特征提取、模型库和模式匹配等四个基本单元构成。系统的基本结构如图1所示：　　（一）预处理　　通过话筒将语音信号变成电信号输入到语音识别系统中。首先对信号进行一系列的预处理，包括采样、量化、加窗、端点检测、预加重等。　　采样和量化就是将离散信号分别在时间上和幅度上转化成离散形式。为了滤除低频干扰，提升信号高频部分，对信号进行预加重处理。由于系统对信号的处理都是以短时为前提的，这就要将信号分割成许多语音段，即对语音信号分帧、加窗处理。原始语音信号往往包含无音段和有音段，端点检测就是运用数字处理技术来判断各语音段的起点和终点，从而找到有用的语音成分。文中使用基于短时能量和短时平均过零率的检测方法判定语音信号的起始点和终止点，即双门限比较法。　　（二）提取特征参数　　经过预处理的语音信号中并不是所有信息都是有用的，这就需要将语音信号经过一次变换，去掉冗余部分，提取代表语音本质的特征参数。文中采用近年来运用比较广泛的Mel频率倒谱参数，先将频谱转变为美尔频标的非线性频谱，接着再转换到倒谱域上[6]。MFCC参数充分考虑了人耳的听觉特性，有很高的稳健性和抗噪性能。　　（三）模式匹配算法　　1. DTW算法　　将提取的语音特征参数与语音库中的数据按照DTW算法进行匹配。在使用DTW算法进行模型匹配之前，首先提取个人语音样本，提取特征参数建立语音库作为参考模型，然后计算待识别的语音信号的特征参数作为测试模型和参考模型。最后计算所有测试模型和参考模型的距离，选取最小距离对应的语音信号即为识别结果。
转载请注明来源。原文地址：
【xzbu】郑重声明：本网站资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息。
xzbu发布此信息目的在于传播更多信息，与本网站立场无关。xzbu不保证该信息（包括但不限于文字、数据及图表）准确性、真实性、完整性等。algorithm（13）
在上一篇中，我们已经从一个例子中学会了HMM的前向算法，解决了HMM算法的第一个问题，即模型评估问题。这一讲中我们来解决第二个问题：HMM的解码问题，即即给定观测序列 O=O1O2O3…Ot和模型参数λ=(A,B,π)，怎样寻找满足这种观察序列意义上最优的隐含状态序列S，这一步中最常用的算法就是Viterbi算法了。
&&& 同样的，我们先引入3个符合：
&&：表示在观察时刻t正处在状态j，且沿一条路径q1q2q3..qt，产生出的o1o2o3…ot最大概率。
&&：表示的是一个状态值，该状态值产生了上面的 ，也就是说计算时是由上一次那个状态产生的。
&&&：表示在观察时刻t中所有的内最大的那个状态，所以它也是一个状态值。
&&& 由上面的解释可以得出这3个符合的数学表达式如下：
&&&&& 所有说当已知观察序列，要用viterbi算法求解最优状态序列时与前面一讲中的求最大观察值概率的算法非常相似。只是在求 时不再是将其来源相加，而是取其中最大的那个。
废话少说，还是看刚开始的那个题目：
&&&& HMM模型如下，试通过前向算法计算产生观察符号序列O={ABAB}时用Viterbi算法求出最大可能的状态序列。
&&&&&当然初始概率矩阵π=(1,0,0),即开始处于状态1。按照上面的公式理论，我们的递推依次解出，以及。解法如下：
&&&& 第一次观察时：
&&&& 第二次观察时：
&&& 第三次观察时：
&&& 第四次观察时：
&&&&&&其递推结果为：
&&&& 所以最后的结果状态序列为s1、s2、s2、s2.
&&&& 其计算结果示意图如下所示：
&&& 浅绿色的箭头表示最有可能的状态序列。写得比较乱，大家随便凑合着看。
出处：/tornadomeet
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：10488次
排名：千里之外
转载：21篇
(4)(1)(16)HMM的三个应用详细描述_图文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
HMM的三个应用详细描述
上传于|0|0|文档简介
&&这三个pdf是分别对应HMM的三个应用：评估、解码、学习。如果需要做课件的话,这个挺好用的哈~~
阅读已结束，如果下载本文需要使用0下载券
想免费下载更多文档？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩30页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢}