【正文】 一、訓(xùn)練結(jié)果 第一次： 正在計(jì)算語音參數(shù) 第 1 遍訓(xùn)練 66 計(jì)算樣本參數(shù) ... 1 2 3 4 5 6 7 8 9 10 重估 轉(zhuǎn)移概率矩陣 A... 重估混合高斯的參數(shù) ... 1,1 1,2 1,3 2,1 2,2 2,3 3,1 3,2 3,3 4,1 4,2 4,3 總和輸出概率 (log)=+004 第 2 遍訓(xùn)練 計(jì)算樣本參數(shù) ... 1 2 3 4 5 6 7 8 9 10 重估轉(zhuǎn)移概率矩陣 A... 重估混合高斯的參數(shù) ... 1,1 1,2 1,3 2,1 2,2 2,3 3,1 3,2 3,3 4,1 4,2 4,3 總和輸出概率 (log)=+004 收斂 ! 67 第二次 ： 正在計(jì)算語音參數(shù) 第 1 遍訓(xùn)練 計(jì)算樣本參數(shù) ... 1 2 3 4 5 6 7 8 9 10 重估轉(zhuǎn)移概率矩陣 A... 重估混合高斯的參數(shù) ... 1,1 1,2 1,3 2,1 2,2 2,3 3,1 3,2 3,3 4,1 4,2 4,3 總和輸出概率 (log)=+004 第 2 遍訓(xùn)練 計(jì)算樣本參數(shù) ... 1 2 3 4 5 6 7 8 9 10 重估轉(zhuǎn)移概率矩陣 A... 重估混合高斯的參數(shù) ... 1,1 1,2 1,3 2,1 2,2 2,3 68 3,1 3,2 3,3 4,1 4,2 4,3 總和輸出概率 (log)=+004 收斂 ! 第三次： 正在計(jì)算語音參數(shù) 第 1 遍訓(xùn)練 計(jì)算樣本參數(shù) ... 1 2 3 4 5 6 7 8 9 10 重估轉(zhuǎn)移概率矩陣 A... 重估混合高斯的參數(shù) ... 1,1 1,2 1,3 2,1 2,2 2,3 3,1 3,2 3,3 4,1 4,2 4,3 總和輸出概率 (log)=+004 第 2 遍訓(xùn)練 計(jì)算樣本參數(shù) ... 1 2 3 4 5 6 7 8 9 10 69 重估轉(zhuǎn)移概率矩陣 A... 重估混合高 斯的參數(shù) ... 1,1 1,2 1,3 2,1 2,2 2,3 3,1 3,2 3,3 4,1 4,2 4,3 總和輸出概率 (log)=+004 收斂 ! 第四次： 正在計(jì)算語音參數(shù) 第 1 遍訓(xùn)練 計(jì)算樣本參數(shù) ... 1 2 3 4 5 6 7 8 9 10 重估轉(zhuǎn)移概率矩陣 A... 重估混合高斯的參數(shù) ... 1,1 1,2 1,3 2,1 2,2 2,3 3,1 3,2 3,3 4,1 4,2 4,3 總和輸出概率 (log)=+004 70 第 2 遍訓(xùn)練 計(jì)算 樣本參數(shù) ... 1 2 3 4 5 6 7 8 9 10 重估轉(zhuǎn)移概率矩陣 A... 重估混合高斯的參數(shù) ... 1,1 1,2 1,3 2,1 2,2 2,3 3,1 3,2 3,3 4,1 4,2 4,3 總和輸出概率 (log)=+004 收斂 ! 第五次： 正在計(jì)算語音參數(shù) 第 1 遍訓(xùn)練 重估轉(zhuǎn)移概率矩陣 A... 重估混合高斯的參數(shù) ... 1,1 1,2 1,3 2,1 2,2 2,3 3,1 3,2 3,3 71 4,1 4,2 4,3 總和輸出概率 (log)=+004 第 2 遍訓(xùn)練 計(jì)算樣本參數(shù) ... 1 2 3 4 5 6 7 8 9 10 重估轉(zhuǎn)移概率矩陣 A... 重估混合高斯的參數(shù)。,rate)。 fprintf(39。,i,k,n) if i==n re(i)=re(i)+1。%d。,i,n) fprintf(39。第 %d180。 end 65 [d,n] = max(pout)。 m = m(x12:x22,:)。 [x1 x2] =Evad(x)。 % disp(fname)。c:\\Program Files\\MATLAB71\\work\\cdhmm\\samples1\\%d\\%39。 下面是識(shí)別程序 的代碼： re=zeros(1,11)。 識(shí)別 結(jié)果 hmm 為一個(gè) cell 數(shù) 組，每個(gè)元素為一個(gè) hmm 結(jié)構(gòu)，下面一段識(shí)別程序。hmm39。hmm239。 64 end hmm{i}=train(sample,[3 3 3 3])。 sample(k).wave=samplesz{i}{k}。 disp(file)。c:\\Program Files\\MATLAB71\\work\\cdhmm\\samples1\\%d\\%39。 for i=1:11 sample=[]。 七、測(cè)試程序 利用訓(xùn)練函數(shù) 和識(shí)別函數(shù) ，就可以對(duì)觀察序列進(jìn)行訓(xùn)練和識(shí)別了。其中成員 data 可以在調(diào)用之前計(jì)算，也可以由 train 程序內(nèi)計(jì)算。)。 return end end 63 end disp(39。收斂 !\n39。總和輸出概率 (log)=%d\n39。 for k = 1:K pout(loop) = pout(loop) + viterbi(hmm, samples(k).data)。,loop) hmm = baum(hmm, samples)。 for loop = 1:40 fprintf(39。 else samples(k).data = mfcc(samples(k).wave)。) amp。 for k = 1:K if isfield(samples(k),39。正在計(jì)算語音參數(shù) 39。: % hmm 訓(xùn)練完成后的 hmm K = length(samples)。179。下面是完整的訓(xùn)練程序 ： function [hmm, pout] = train(samples, M) %輸入： % samples – 樣本結(jié)構(gòu) % M 為每個(gè)狀態(tài)指定 pdf 個(gè)數(shù)，如： [3 3 3 3] %202。當(dāng)此概率的相對(duì)變化小到一定數(shù)值的時(shí)候，結(jié)束迭代。 % M*1 六、訓(xùn)練主程序 上面的函數(shù) 只是實(shí)現(xiàn)了一次迭代，實(shí)際應(yīng)用中應(yīng)該是多次迭代才能得到 結(jié)果，同時(shí)還應(yīng)該給出一個(gè)結(jié)束迭代的 61 條件。 % M*SIZE = var.^2。 % 保存結(jié)果 = M。 for j = 1:M weight(j) = sum(find(j==nn))。 var(j,:) = std(tmp)。 60 % 計(jì)算每個(gè)聚類的標(biāo)準(zhǔn)差，對(duì)角陣，只保存對(duì)角線上的元素 for j = 1:M ind = find(j==nn)。 end = mix。 samples(k).data(seg1:seg2,:)]。 seg2 = samples(k).segment(i+1)1。 end %對(duì)屬于每個(gè)狀態(tài)的向量進(jìn)行 K 均值聚類，得 到連續(xù)混合正態(tài)分布 for i = 1:N %把相同聚類和相同狀態(tài)的向量組合到一個(gè)向量中 vector = []。 % 概率密度函數(shù)的初始聚類 59 %平均分段 for k = 1:K T = size(samples(k).data,1)。 (i,i+1) = 。 % 轉(zhuǎn)移概 率矩陣 =zeros(N,N)。 % 初始概率矩陣 = zeros(N,1)。 %狀態(tài)數(shù) = N。 function hmm = inithmm(samples, M) K = length(samples)。接著將轉(zhuǎn)移概率賦值為如下形式的矩陣： 最后是對(duì)各狀態(tài)的混合高斯函數(shù)的均值、方差和權(quán)系數(shù)進(jìn)行初始化。函數(shù) 就是完成這一工作的。\n39。 57 end (l).weight(j) = nom/denom。 tmp = param(k).gama(:,l,:)。 for k = 1:K tmp = param(k).gama(:,l,j)。 % 計(jì)算各 pdf 的權(quán) nom = 0。 end end (l).mean(j,:) = nommean / denom。 nomvar = nomvar + param(k).gama(t,l,j) * (xmix(l).mean(j,:)).^2。 for t = 1:T x = samples(k).data(t,:)。 denom = 0。,l,j) 56 % 計(jì)算各 pdf 的均值和方差 nommean = zeros(1,SIZE)。) for l = 1:N for j = 1:(l) fprintf(39。 end end % 重估混合高斯參數(shù) disp(39。 nom = nom + sum(tmp(:))。 end for j = i:i+1 nom = 0。 for k = 1:K tmp = param(k).ksai(:,i,:)。重估轉(zhuǎn)移概率矩陣 A...39。\n39。,k) param(k) = getparam(hmm, samples(k).data)。 for k = 1:K fprintf(39。計(jì)算樣本參數(shù) ...39。 %語音樣本數(shù) SIZE = size(samples(1).data,2)。 %高斯混合 N = length(mix)。函數(shù) 就是進(jìn)行一次迭代的 BaumWelch 算法的 MATLAB 實(shí)現(xiàn)，首先是調(diào)用getparam 函數(shù)，為每個(gè)輸入觀察序列計(jì)算各種參數(shù)，然后再對(duì)HMM 的各種參數(shù)進(jìn)行重估，將新的參數(shù)作為輸出 變量返回。 end 函數(shù)返回為兩個(gè)輸出變量， prob 為輸出概率， q 為狀態(tài)路徑。 end end % 最終概率和最后節(jié)點(diǎn) [prob q(T)] = max(delta(T,:))。 x = O(t,:)。 end % t=2:T for t = 2:T for j = 1:N [delta(t,j) fai(t,j)] = max(delta(t1,:) + trans(:,j)39。 % t=1 53 x = O(1,:)。 fai = zeros(T,N)。 trans(ind1) = log(trans(ind1))。 ind0 = find(trans=0)。 % 計(jì)算 log(trans)。 init(ind0) = inf。 ind1 = find(init0)。 %HMM 狀態(tài)數(shù) T = size(O,1)。 %轉(zhuǎn)移概率 52 mix = 。 完整的 Viterbi 算法代碼： function [prob,q] = viterbi(hmm, O) %Viterbi 算法對(duì)應(yīng)于識(shí)別過程 %Viterbi 算法 %輸入： % hmm – hmm 模型 % O 輸入過程序列 , N*D, N 為幀數(shù) ,D 為向量維數(shù) %輸出： % prob – 輸出概率 % q 狀態(tài)序列 init = 。 51 這段代碼用來計(jì)算轉(zhuǎn)移概率的對(duì)數(shù)。 trans(ind0) = inf。為了防止出現(xiàn)對(duì) 0 取對(duì)數(shù)而造成下溢，程序中采用了下面的方法： ind1 = find (trans0)。識(shí)別程序要求輸入一個(gè) HMM 模型的參數(shù)，以及一個(gè)測(cè)試用的語音觀察序列，然后計(jì)算此出它對(duì)該模型的輸出概率，并給出最佳的狀態(tài)路徑。 = gama。 = beta。 end end end = c。 end tmp = pab(l)/sum(pab)。 v = mix(l).var (j,:)。 for l = 1:N prob = zeros(mi