语音识别HTK代码学习手册.doc

HMM的理论基础
一、 HMM定义
1.       N：模型中状态的数目，记t时刻Markov链所处的状态为文档来自于网络搜索
2.       M：每个状态对应的可能的观察数目，记t时刻观察到的观察值为个人收集整理 勿做商业用途
3.       ：初始状态概率矢量，，，个人收集整理 勿做商业用途
4.       A：状态转移概率矩阵，，，文档来自于网络搜索
5.       B：观察值概率矩阵（适用于离散HMM），，，；对于连续分布的HMM，记t时刻的观察值概率为文档来自于网络搜索
一个离散型的HMM模型可以简约的记为。资料个人收集整理，勿做商业用途
二、关于语音识别的HMM的三个基本问题个人收集整理 勿做商业用途
1. 已知观察序列和模型参数，如何有效的计算。个人收集整理 勿做商业用途
a. 直接计算文档收集自网络，仅用于个人学习
 
 
 
            2-1
当N=5，T=100时大概需进行次乘法!文档来自于网络搜索
b. 前向算法资料个人收集整理，勿做商业用途
定义t时刻的前向变量（forward variable），可以通过迭代的方法来计算各个时刻的前向变量：资料个人收集整理，勿做商业用途
1） 初始化（Initialization）个人收集整理 勿做商业用途
当t=1时
     2-2
2） 递归（Induction）个人收集整理 勿做商业用途
当时
   
即：                2-3文档收集自网络，仅用于个人学习
3） 终结（Termination）资料个人收集整理，勿做商业用途
                     2-4
乘法次数大约为：N2T文档收集自网络，仅用于个人学习
c. 后向算法文档收集自网络，仅用于个人学习
定义t时刻的后向变量（backward variable），可以通过迭代的方法来计算各个时刻的后向变量：个人收集整理 勿做商业用途
1）    初始化（Initialization）文档收集自网络，仅用于个人学习
当t=T时
，                       2-5文档来自于网络搜索
2）    递归（Induction）文档收集自网络，仅用于个人学习
当时
     
即：，           2-6文档来自于网络搜索
3）    终结（Termination）个人收集整理 勿做商业用途
                   2-7
              乘法计算次数约为：N2T文档来自于网络搜索
2. 已知观察序列和模型参数，在最佳意义上确定一个状态序列。个人收集整理 勿做商业用途
定义一个后验概率变量（posteriori probability variable）个人收集整理 勿做商业用途
           2-7
       则最优序列可以通过，           2-7资料个人收集整理，勿做商业用途
求得。不过，这样求得的最优序列有些问题。如果，那么这个最优序列本身就不存在。这里讨论的最佳意义上的最优序列，是使最大化时的确定的状态序列。即，使最大化时确定的状态序列。个人收集整理 勿做商业用途
       定义为t时刻沿一条路径，且，输出观察序列的最大概率，即： 2-8文档来自于网络搜索
       下面介绍迭代计算的Viterbi算法：个人收集整理 勿做商业用途
1）    初始化（Initialization）文档收集自网络，仅用于个人学习
，
回溯变量：，
2）    递归（Induction）个人收集整理 勿做商业用途
即：                 2-8文档收集自网络，仅用于个人学习
                   2-9
3）    终结（Termination）个人收集整理 勿做商业用途
                   2-10
                    2-11
4）    回溯状态序列文档来自于网络搜索
，            2-12文档来自于网络搜索
3. 已知观察序列和模型参数，如何调整模型参数使最大。个人收集整理 勿做商业用途
给定训练序列和模型，时刻Markov链处在状态和时刻处在状态的概率定义如下资料个人收集整理，勿做商业用途
       3-1
给定训练序列和模型，时刻Markov链处在状态的概率定义如下资料个人收集整理，勿做商业用途
                3-2
给定训练序列和模型，从状态转移出去的概率为资料个人收集整理，勿做商业用途
定义3.