【正文】 都是正值。 圖 21(b)是一種更常用，更簡單的馬爾科夫鏈，與圖 21(a)相比，它不存在跨越狀態(tài)，因而成為無跨越由左至 右模型。經(jīng)常使用的約束是 aij＝ 0,ji+Δ 。 容易看出當(dāng) ji 時 aij＝ 0,此外，初始狀 態(tài) 概 率 還 具 有 如 下 性 質(zhì) ：因?yàn)闋顟B(tài)序列必須從狀態(tài) 1 開始（在狀態(tài) N 結(jié)束）。 第三節(jié) HMM 的類型 一、由左至右模型 有 跨越由左至右模型：狀態(tài)轉(zhuǎn)移只能從左至右，而不能反 16 過來，這中模型很適合對語音信號建模，因?yàn)檎Z音信號的性質(zhì)隨 時間變化，隨時間增加狀態(tài)索引也增加保持不變。 HMM 可以分為兩個部分：⑴馬爾科夫鏈，由 π、 A 描述，產(chǎn)生的輸出為狀態(tài)序列；⑵一個隨機(jī)過程，由 B 描述，產(chǎn)生的輸出為觀察值序列。 綜上所述，一個 HMM 完全可以由 2 個模型參數(shù) N， M和 3 個概率分布參數(shù) A,B， π 來確定。 （ 4）根據(jù)狀態(tài)轉(zhuǎn)移概率分布 A，從當(dāng)前狀態(tài) qt＝ ?i轉(zhuǎn)移倒下一個狀態(tài) qt+1＝ ?j 。 （ 2）置觀察時間 t＝ 1。1=k=M （ 5） 初始狀態(tài)轉(zhuǎn)移概率 π＝ [πi],其中 π＝ P（ q1＝ i）1=i=N 基于這些特征參數(shù)， HMM 產(chǎn)生觀察序列 O＝｛ o1，??oT｝的過程可以作如下描述。 （ 2） M：每個狀態(tài)對應(yīng)的可能的觀察值數(shù)目，記 M 個觀察值為 V1? ? Vm，記 t 時刻觀察值為 Ot，觀察值序列 O＝｛ o1，?? ， oT｝，其中 T 為觀察值序列長度。雖然在 HMM 中狀態(tài)數(shù)是隱含的，但在實(shí)際應(yīng)用中它是有切確的物理含義的。 二、 HMM 的基本思想 HMM 是一個雙重隨機(jī)過程，一個是馬爾科夫鏈（基本隨機(jī)過程，描述狀態(tài)的轉(zhuǎn)移），另一個隨機(jī)過程描述狀態(tài)和觀察值之間的統(tǒng)計對應(yīng)關(guān)系（站在觀察者的角度，只能看到觀察值，不能看到狀態(tài)，而是通過一個隨機(jī)過程去感知狀態(tài)的存在及其特性） 。 可寫為： Pij（ t,t+k） ＝ Pij（ k） 當(dāng) k＝ 1 時， Pij（ 1） 為一步轉(zhuǎn)移概率，記為 aij（ 1=I,j=N）。 第二節(jié) 隱馬爾科夫模型的數(shù)學(xué)描述 一、馬爾科夫鏈定義 隨機(jī)序列 Xt，在任何時刻 t，可以處在狀態(tài) θ 1， θ 2，?? 13 θ n，且在 t+k 時刻的狀態(tài) qt+k的概率，只與它在 t 時刻的狀態(tài) qt有關(guān)，而與 t 時刻以前它所處在的狀態(tài)無關(guān)。 人的語言過程也是這樣一個雙重隨機(jī)過程。 12 第二章 HMM的理論基礎(chǔ) 第一節(jié) HMM的定義 一、信號模型 隱馬爾科夫過程是一個雙重隨機(jī)過程：一重用于描述非平穩(wěn)信號的短時平穩(wěn)的統(tǒng)計特征（信號的瞬態(tài)特征，可直接觀測到）；另一個重隨機(jī)過程描述了每個短時平穩(wěn)如何轉(zhuǎn)變到下一個短時平穩(wěn)段，即短時統(tǒng)計特征的動態(tài)特性（隱含在觀察序列中）。 環(huán)境噪聲電和傳輸設(shè)備的差異也將直接影響語音特征 11 的提取。 第二節(jié) 語音識別的實(shí)現(xiàn)難點(diǎn) 語音信號的聲學(xué)特征隨與之前后的語音不同而有很大變化，且連續(xù)語音 流中各種語音單位之間不存在明顯的界線。因此，現(xiàn)在已有人研究如何把二者的優(yōu)點(diǎn)有機(jī)結(jié)合起來，從而提高整個模型的魯棒性。 ANN 本質(zhì)上是一個自適應(yīng)非線性動力學(xué)系統(tǒng)，模擬人類神經(jīng)元活動的原理，具有自學(xué)、聯(lián)想、對比、推理和概括能力。 HMM，模型的訓(xùn)練和識別都已經(jīng)研究出有效的算法，并不斷完善，以增強(qiáng) HMM 模型的魯棒性。按照隨機(jī)函數(shù)的特點(diǎn)， HMM 模型可分為離散隱馬爾科夫模型和連續(xù)隱馬爾科夫模型以及半連續(xù)隱馬爾科夫模型。這樣，語音等時變信號某一段的特征就由對應(yīng)的觀察符號的隨即過程描述，而信號隨時間的變化由隱蔽 Markov鏈的轉(zhuǎn)移概率描述。 它由相互關(guān)聯(lián)的兩個隨即過程共同描述的統(tǒng)計特征，其中一個是隱蔽的具有有限狀態(tài)的 Markov 鏈，另一個是與 Markov 鏈的每一個狀態(tài)相互關(guān)聯(lián)的觀察矢量的隨即過程。但因其不適合連續(xù)語音大詞匯量語音識別系統(tǒng)，目前已被 HMM模型和 ANN 代替。語音識別所應(yīng)用的模式匹配和模型訓(xùn)練技術(shù)主要有動態(tài)時間歸正技術(shù)（ DTW）、隱馬爾科夫模型（ HMM）和人工神經(jīng)元網(wǎng)絡(luò)（ ANN）。實(shí)驗(yàn)證明采用這種技術(shù)語音識別系統(tǒng)的性能有一定提高。線性預(yù)測分析技術(shù)是目前應(yīng)用廣泛的特征參數(shù)提取技術(shù)，許多成功的應(yīng)用系統(tǒng)都采用基于 LP 技術(shù)提取的倒譜參數(shù)。語音信號包含了大量各種不同的信息，提取哪些信息，用哪種方式提取，需要綜合考慮個方面的因素，如成本、性能、響應(yīng)時間、計算量等。特征參數(shù)提取的目的是對語音信號進(jìn)行分析處理，提取對語音識別有用的信息，同時對語音信號進(jìn)行壓縮。由于協(xié) 同發(fā)音的影響，音素單元的不穩(wěn)定，所以如何獲得穩(wěn)定的音素單元，還有待研究。原因在于漢語音節(jié)僅由聲母和韻母構(gòu)成，且聲韻母的聲學(xué)特性相差很大。音節(jié)單元多見于漢語語音識別，主要因?yàn)闈h語是單音節(jié)結(jié)構(gòu)的語言，而英語是多音節(jié)，數(shù)量相對較少，并且漢語雖然有大約 1300 個音節(jié)，但若不考慮聲調(diào)，約有 408 個無調(diào)音節(jié)，數(shù)量相對較少。語音識別單元有單詞、音節(jié)和音素三種，具體選哪種，由具體的研究任務(wù)決定。 語音識別主要包括語音單元的選取，特征提取技術(shù)，模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三方面內(nèi)容。從 1987 年開始執(zhí)行國家 863 計劃后，國家 863 智能計算機(jī)專家組為語音識別技術(shù)研究專門立項(xiàng)，在漢語語音識別技術(shù)上還有自己的特點(diǎn)與優(yōu)勢，并達(dá)到國際先進(jìn)水平。 我國語音識別研究工作起步于五十年代，但近年來發(fā)展很快。人們也將調(diào)整自己的說話方式以適應(yīng)各種各樣的識別系統(tǒng)?？梢灶A(yù)測在近五十年內(nèi)，語音識別系統(tǒng)的應(yīng)用將更加廣泛 。人們可以通過電話網(wǎng)絡(luò)用語音識別 口語對話系統(tǒng)查詢有關(guān)的機(jī)票、旅游、銀行信息，并且取得很好 5 的結(jié)果。在西方經(jīng)濟(jì)發(fā)達(dá)國家，大量的語音識別產(chǎn)品已經(jīng)進(jìn)入市場和服務(wù)領(lǐng)域。 這些技術(shù)已經(jīng)能滿足通常應(yīng)用的要求。進(jìn)入九十年代之后，出現(xiàn)了諸多實(shí)用化的研究方向。語音識別就是研究計算機(jī)聽懂人類語言的一門科學(xué)。人類的語言在人類的的智能組成中充當(dāng)著極其重要的角色，人與人之間的交流和溝通 70%意商是通過語言的方式有效的完成。 這個語音識別系統(tǒng)是用 HMM 模型來實(shí)現(xiàn)的，用 HMM 來做語音識別的識別率是很高的，其中用到了 HMM 的三個算法 。另一重隨機(jī)過程描述了每個短時平穩(wěn)段如何轉(zhuǎn)變到下一個短時平穩(wěn)段，即短時統(tǒng)計特征的動態(tài)特性。 SHANGHAI UNIVERSITY 畢業(yè)設(shè)計（論文） UNDERGRADUATE PROJECT (THESIS) 論文 題 目 基于連續(xù)隱馬爾科夫模型的語音識別 學(xué) 院 專 業(yè) 學(xué) 號 學(xué)生姓名 指導(dǎo)教師 起訖日期 1 目 錄 摘要 2 ABSTRACT 2 緒論 3 第一章 語音知識基礎(chǔ) 6 第一節(jié) 語音識別的基本內(nèi)容 6 第二節(jié) 語音識別的實(shí)現(xiàn)難點(diǎn) 9 第二章 HMM的理論基礎(chǔ) 10 第一節(jié) HMM的定義 10 第二節(jié) 隱馬爾科夫模型的數(shù)學(xué)描述 10 第三節(jié) HMM的類型 12 第四節(jié) HMM 的三個基本問題和解決的方 15 第 三 章 HMM 算法實(shí)現(xiàn)的問題 21 第一節(jié) HMM狀態(tài)類型及參數(shù) B的 選擇 21 第二節(jié) HMM 訓(xùn)練時需要解決的 問題 23 第 四 章 語音識別系統(tǒng)的設(shè)計 32 第一節(jié) 語音識別系統(tǒng)的開發(fā)環(huán)境 32 第二節(jié) 基于 HMM的語音識別系統(tǒng)的設(shè)計 32 第三節(jié) 實(shí)驗(yàn)結(jié)果 49 第 五 章 結(jié)束語 67 致謝 68 參考文獻(xiàn) 69 2 摘要 語音識別系統(tǒng)中最重要的部分就是聲學(xué)模型的建立，隱馬爾可夫模型作為語音信號的一種統(tǒng)計模型，由于它能夠很好地描述語音信號的非平穩(wěn)性和時變性，因此在語音識別領(lǐng)域有著廣泛的應(yīng)用。 隱 馬爾可夫過程是一個雙重隨機(jī)過程 :一重隨機(jī)過程用于描述非平穩(wěn)信號中短時平穩(wěn)段的統(tǒng)計特征 。 為了能夠 對 HMM 有一個全面的認(rèn)識并能夠?qū)⑵鋺?yīng)用于解決實(shí)際問題當(dāng)中，本文介紹了 HMM 的基本理論以及其如何將其應(yīng)用于語音識別中，在解決 HMM 的三個基本問題以后，還談?wù)摿嗽诰唧w應(yīng)用時需要考 慮的其他問題，如初始模型參數(shù)的選取、數(shù)據(jù)下溢、 HMM 之間距離的度量等等，并給出了相應(yīng)的解決方法。 關(guān)鍵詞：語音識別， HMM 3 ABSTRACT The most important part of a recognition system is the acoustic model construction. As a statistic model for signal, HMM can describe the pronunciation signal nonstability and the variability well. For the sake of understand HMM systematically and apply it to solve realworld problem, this paper introduces the basic theory of HMM and how to use it in the speech recognition. After three basic problem solved,some other important issues in the application, for instance, selecting parameters of the initial model, data overfitting and the distance degree between HMM, are discussed, then methods for settling those issues are put forward. In addition, it also explains design of the topology and its parameters’ optimization ways. This recognition system use HMM models e true. It is easier recognizable to use HMM this system I use the three arithmetic of HMM. Keyword: Speech recognition,HMM