基于HMM模型进行语音识别的基本思路.docVIP

第五章 基于HMM模型进行语音识别的基本思路 摘要：本文对隐马尔科夫模型（HMM）HMM模型进行语音识别这一方法的基本思路进行了简单的介绍。 关键字： 隐马尔可夫（HMM），模型，语音识别 1 知识背景 隐马尔可夫模型作为语音信号的一种统计模型，在语音处理各个领域中广泛 的应用，它的理论基础是在1970年前后由Buam等人建立起来的，随后由CMU的Baker和BIM的eJhnek等人将其应用到语音识别之中。由于贝尔实验室Rbainer等人在20世纪80年代中期对HMM的深入浅出的介绍，才逐渐使HMM为世界各国从事语音处理研究人员所了解和熟悉，进而成为公认的有效的语音识别方法。 (1)统计模型方法 (2)基于声道模型和语音知识的方法 (3)模式匹配的方法 (4)人工神经网络的方法 基于声道模型和语音知识的方法起步较早，没有达到实用的阶段。目前常用的方法是后三种方法，目前它们都已达到了实用阶段。 隐马尔可夫模型(HMM) 是常见的统计型模型方法，本文主要介绍经典的隐马尔可夫模型及其在语音识别中的应用。 2 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。在均匀划分的时间间隔上，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。 一个隐马尔可夫模型由下列参数来决定： (1) N—模型的状态数目。 状态的集合表示为 (2) N—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 B—状态的观测符号概率分布。 (5) (—初始状态分布。 为了完整地描述一个隐马尔可夫模型，应当指定状态数N，观测符号数M，以及三个概率密度A、B和( 。这些参数之间有一定的联系，因此为了方便，HMM常用 来简记。 给定HMM的形式后，为了将其应用于实际，必须解决以下三个基本关键问题： (1) 已知观测序列和模型，如何有效的计算在给定模型条件下产生观测序列O的概率 。 (2) 已知观测序列和模型 ，如何选择在某种意义上最佳的状态序列。 (3) 给定观测序列，如何调整参数使条件概率最大。 2.1 第一个问题的求解 这是一个评估问题，即已知模型和一个观测序列，怎样来评估这个模型（它与给定序列匹配得如何），或怎样给模型打分，这个问题通常被称为“前向-后向”的算法解决。 （一）前向算法 首先要定义一个前向变量: 即在给定模型条件下，产生t以前的部分观测符号序列，且t时刻又处于状态的概率。 以下是前向变量进行迭代计算的步骤： (1) 初始化 (2) 迭代计算 (3) 最后计算 其中 为状态转移矩阵中的元素， 为观测符号矩阵中的元素。 （二）后向算法 同理，可以类似地定义后向变量： 即在给定模型及时刻处于状态的条件下，产生t以后的部分观测符号序列的概率。 后向变量也可以用迭代法进行计算，步骤如下： 初始化 (2) 迭代计算 (3) 最后计算 前向和后向算法对于求解问题2和问题3也是有帮助的。 由于表示t时刻处于状态且部分观测序列为,而表示t时刻处于状态且剩下部分的观测序列为,因而 、表示产生整个观测序列O且t时刻处于状态的概率，即 那么，问题1也可以通过同时使用前向后向概率来求解，即 2.2 第二个问题的求解 这个问题是求取伴随给定观测序列产生的最佳状态序列。这一最佳判据，目的就是要使正确的状态数目的期望值最大。它通常用Viterbi算法解决，用于模型细调。 首先定义变量： 它是在给定观测序列O和模型的条件下，t时刻处在状态的概率。 可用前后向变量表示为： 由于 所以有 且 从而可求出在各个时刻所处的