機(jī)器人的語音識(shí)別技術(shù)(編輯修改稿)
2025-08-09 23:53 本頁面
【文章內(nèi)容簡(jiǎn)介】 據(jù)量。矢量量化有效地應(yīng)用了矢量中各元素之間的相關(guān)性，因此可以比標(biāo)量量化有更好的壓縮效果。當(dāng)給矢量量化器輸入一個(gè)任意矢量∈進(jìn)行矢量量化時(shí)，矢量量化器首先判斷它屬于哪個(gè)子空間的代表矢量。也就是說，矢量量化過程就是用代表的過程，或者說把量化成了Y。 式中，——量化器函數(shù)。矢量量化器和碼書的設(shè)計(jì)矢量量化器和碼書設(shè)計(jì)方法是采用遞推算法，這個(gè)算法就是LBG算法。整個(gè)算法實(shí)際上就是最佳設(shè)計(jì)和最佳碼書兩個(gè)條件的反復(fù)迭代過程，即由初始碼書尋找最佳碼書的迭代過程。它從對(duì)初始碼書進(jìn)行迭代優(yōu)化開始，一直到系統(tǒng)性能滿足要求或不再有明顯的改進(jìn)為止。隱馬爾可夫模型隱馬爾可夫模型（Hidden Markov Models，簡(jiǎn)稱為 HMM），作為語音信號(hào)的一種統(tǒng)計(jì)模型，今天正在語音處理的各個(gè)領(lǐng)域中獲得廣泛的應(yīng)用。大約 100 年前，數(shù)學(xué)家和工程師們就已經(jīng)知道馬爾可夫鏈了。但是，只是在近三十幾年里，它才被用到語音信號(hào)處理中來，其主要原因在于當(dāng)時(shí)缺乏一種能使該模型參數(shù)與語音信號(hào)處理達(dá)到最佳匹配的有效方法。直到 20 世紀(jì) 60 年代后期，才有人提出了這種匹配方法，而有關(guān)它的理論基礎(chǔ)，是在 1970 年前后由 Baum 等人建立起來的，隨后由 CMU 的 Baker 和 IBM 的 Jelinek 等人將其應(yīng)用到語音識(shí)別之中。由于 Bell實(shí)驗(yàn)室 Rabiner 等人在 20 世紀(jì) 80 年代中期對(duì) HMM 的深入淺出的介紹，才逐漸使HMM 為世界各國(guó)從事語音信號(hào)處理的研究人員所了解和熟悉，進(jìn)而成為公認(rèn)的一個(gè)研究熱點(diǎn)。近幾十年來，隱馬爾可夫模型技術(shù)無論是在理論上或是實(shí)踐上都有許多進(jìn)展。其基本理論和各種實(shí)用算法是現(xiàn)代語音識(shí)別等的重要基礎(chǔ)之一。HMM的基本參數(shù) 對(duì)于語音識(shí)別，HMM 可以用下面六個(gè)模型參數(shù)來定義，即：M＝{S,O,A,Bπ,F}S：模型中狀態(tài)的有限集合，即模型由幾個(gè)狀態(tài)組成。設(shè)有 N 個(gè)狀態(tài)，S＝{ |i = 1, 2,…,N}。記 t 時(shí)刻模型所處狀態(tài)為 ，顯然 ∈ (, …, )。O：輸出的觀測(cè)值符號(hào)的集合，即每個(gè)狀態(tài)對(duì)應(yīng)的可能的觀察值數(shù)目。記 M個(gè)觀察值為 ，…，,記 t 時(shí)刻觀察到的觀察值為 ,其中 ∈ (,…, )。A:狀態(tài)轉(zhuǎn)移概率的集合。所有轉(zhuǎn)移概率可以構(gòu)成一個(gè)轉(zhuǎn)移概率矩陣，即：A= 其中 是從狀態(tài) 到狀態(tài) 轉(zhuǎn)移時(shí)的轉(zhuǎn)移概率，1≤i，j≤N且有 0≤≤1， 。B：輸出觀測(cè)值概率的集合。B＝{(k)}，其中(k)是從狀態(tài) 到狀態(tài)轉(zhuǎn)移時(shí)觀測(cè)值符號(hào) k 的輸出概率。根據(jù) B 可將 HMM 分為連續(xù)型HMM和離散型 HMM 等。（離散型 HMM）（連續(xù)型 HMM）π：系統(tǒng)初始狀態(tài)概率的集合，π＝{}，表示初始狀態(tài)是的概率，即： F：系統(tǒng)終了狀態(tài)的集合。這里需要說明的是，嚴(yán)格地說 Markov 模型是沒有終了狀態(tài)的，只是在語音識(shí)別里用的 Markov 模型要設(shè)定終了狀態(tài)。這樣，可以記一個(gè) HMM 為 M={S，O，A，B，π，F(xiàn)}，為了便于表示，常用下面的形式表示一個(gè) HMM，即簡(jiǎn)寫為 M={A，B，π}。所以形象地說，HMM 可以分為兩部分，一個(gè)是 Markov 鏈，由π、A 描述，產(chǎn)生的輸出為狀態(tài)序列。另一個(gè)是一個(gè)隨機(jī)過程，由 B 描述，產(chǎn)生的輸出為觀察值序列，T 為觀察值時(shí)間長(zhǎng)度。隱馬爾可夫模型的基本算法欲使所建立的 HMM 對(duì)于實(shí)際應(yīng)用有效，下面三個(gè)問題必須加以解決：（1） 識(shí)別問題：給定觀察符號(hào)序列 0=o1,o2，… ，oT和模型 M={A，B，π}，如何快速有效地計(jì)算觀察符號(hào)序列的輸出概率 P(O|M)；（2） 尋找與給定觀察字符序列對(duì)應(yīng)的最佳的狀態(tài)序列：給定觀察字符號(hào)序列和輸出該符號(hào)序列的模型 M={ A，B，π}，如何有效地確定與之對(duì)應(yīng)的最佳的狀態(tài)序列。即估計(jì)出模型產(chǎn)生觀察字符號(hào)序列時(shí)最有可能經(jīng)過的路徑。它可以被認(rèn)為是所有可能的路徑中，概率最大的路徑。這種算法的指導(dǎo)思想就是概率最大的路徑是最有可能經(jīng)過的路徑，即最佳的狀態(tài)序列路徑；（3） 模型訓(xùn)練問題：實(shí)際上是一個(gè)模型參數(shù)估計(jì)問題，即對(duì)于初始模型和給定用于訓(xùn)練的觀察符號(hào)序列 0=o1,o2，… ，oT 如何調(diào)整模型 M={ A，B，π}的參數(shù)，使得輸出概率 P (O M)最大[18]。下面結(jié)合討論這三個(gè)問題的解法，介紹 HMM 的基本算法。前向后向算法前向后向算法（ForwardBackward，簡(jiǎn)稱為 FB 算法）是用來計(jì)算給定一個(gè)觀察值序列 0=o1,o2，… ，oT 以及一個(gè)模型 M={ A，B，π}時(shí)，由模型 M 產(chǎn)生出 O 的概率 P (O|M)的。設(shè) S1 是初始狀態(tài)，SN 是終了狀態(tài)，則前向后向算法可以介紹如下：1．前向算法前向算法即按輸出觀察值序列的時(shí)間，從前向后遞推計(jì)算輸出概率。首先說明下列符號(hào)的定義：0=o1,o2，… ，oT輸出的觀察符號(hào)序列P(O|M)給定模型 M 時(shí)，輸出符號(hào)序列 O 的概率從狀態(tài)到狀態(tài)的轉(zhuǎn)移概率從狀態(tài)到狀態(tài)發(fā)生轉(zhuǎn)移時(shí)輸出的概率輸出部分符號(hào)序列 o1,o2，… ，ot并且到達(dá)狀態(tài) 的概率，即前向概率 由上面符號(hào)的定義，則可由下面的遞推公式計(jì)算得到：（1）初始化 （2）遞推公式 （t=1,2,…,T；i,j=1,2,…,N）（3）最后結(jié)果 P( O|M)= t 時(shí)刻的等于 t1 時(shí)刻的所有狀態(tài)的之和，當(dāng)然如果當(dāng)狀態(tài) 到狀態(tài)沒有轉(zhuǎn)移時(shí) =0。這樣在 t 時(shí)刻對(duì)所有狀態(tài) (j=1,2,…, N)的都計(jì)算一次，則每個(gè)狀態(tài)的前向概率都更新了一次，然后進(jìn)入 t+1 時(shí)刻的遞推過程。與前向算法類似，后向算法即按輸出觀察值序列的時(shí)間，從后向前遞推計(jì)算出概率的方法。首先說明下列符號(hào)的定義：0=
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1