隐马尔柯夫模型在信号检测中的应用

用隐滤波器隐马尔哥尔夫模型从相似功率谱噪声中检测脑电信号，运用似然比检验的方法对混有噪声的脑电信号进行检测。实践表明，该方法检测效果较好，在－１８ｄＢ信噪比时仍得到满意的ＲＯＣ曲线。     

矢量量化技术和隐马尔柯夫模型方法在韵母识别中的应用

本文应用矢量量化技术(Vector Quantization)和隐马尔柯夫模型方法(Hidden Markov Model)为一个全字汇量的孤立字普通话语音识别系统设计了韵母识别子系统.该系统由韵母信号析取器、滤波器阵列特征分析器、矢量量化器、预识别器、隐马尔柯夫模型匹配器和决策器组成.根据对汉语中1172个不同音节的语音信号测试结果,决策器输出的准确率(即系统的最后识别准确率)为89.5%,而前两个估计的识别准确率则达到97.2%.系统的训练包括生成矢量量化器的码字和为每一个韵母建立隐马尔柯夫模型,改进了Linde 等人提出的码字生成算法,提出了一个得到隐马尔柯夫模型参数的系统化方法.     

利用基因算法训练连续隐马尔柯夫模型的语音识别

为了提高语音识别系统的性能,基于全域优化的思想,提出了一种用于训练连续隐马尔柯夫模型（ＣＨＭＭ）的新算法——基因算法,并将该算法用于语音识别．用该算法训练ＣＨＭＭ,可得到最佳的模型参数,从而提高了语音识别率．利用该算法训练ＣＨＭＭ,不需要对ＣＨＭＭ的每一个参数单独进行估值,能够在一定的程度上提高训练速度．文中阐述了整个算法,给出了计算机模拟结果,并与传统的训练方法进行了比较．     

基于话者分类和HMM的话者自适应语音识别

本文提出了一种基于话者分类和ＨＭＭ的话者自适应语音识别方法，采用对参考话者聚类、并按话者类分别建立ＨＭＭ模板的策略，对于新注册的用户，系统只需利用其极少量的语音，便可将与之最相近的一类模板指派给新用户，再采用基于谱空间映射的两级自适应方法，使系统自适应到用户的模式下工作．这种方法既提高了识别性能，又降低了自适应的难度，还有利于ＨＭＭ的建立．讨论了话者分类数和自适应语音数据对话者自适应效果及识别性能的影响，提出了一种在自适应语音数据不足情况下仍具有较好自适应效果的基于ＦＶＱ的码本自适应改进算法，该算法还具有对自适应字表不敏感的特点．     

隐Markov模型在剪接位点识别中的应用

剪接位点的识别是基因识别中的一个重要环节。由于现有的基因识别算法主要关注编码区的整体特性 ,而并不着重考虑个别位点的信息 ,因此难以准确地识别出剪接位点。考虑到剪接位点附近的保守序列的相邻碱基之间应该存在某种相关性 ,利用一阶 Markov链建立了表述这种相关性的模型 ,在此基础之上 ,设计了专门用于剪接拉点识别的隐马氏模型 (HMM)方法。实验结果表明 ,用 HMM描述剪接位点附近序列符合实际情况 ,并且利用这一方法进行剪接位点的识别可以很好地提取位点附近保守序列在边缘分布与条件分布 (转移概率 )上的统计特征。使用该方法对真实剪接位点和虚假剪接位点进行识别 ,识别率均可达 90 %以上。     

基于最大互信息的离散隐马尔柯夫模型训练方法

在基于隐马尔柯夫模型（HMM）的语音识别系统中,模型训练最常用的算法是Baum-Welch算法,该算法具有快速收敛及保证每步迭代模型的似然概率单调增的优点,但它基于最大似然训练准则,而该准则不能将各个模型很好地分析,这直接导致了识别时的错误,鉴于最大互信息可以克服这一缺点,提出了一种基于最大互信息的训练方法,该方法借助于梯度,调整参数以使模型与训练数据的互信息最大,实验结果表明,使用该方法使系统的识别性能得到了一定的改善。     

语音识别中的动态时间规正和隐马尔可夫模型等价性研究

本文论证了动态时间最正和隐马尔可夫模型在一定条件下的等价性，指出在连续观测空间中，隐马尔可夫模型的状态时序列在一定条件下就是动态时间规正中的参考模板。     

小波变换和HMM模型在语音识别中的应用

提出了一种基于小波变换和HMM模型的ARMA新模型参数,并将它用于A…N的英文字母的识别。小波变换可以高频提供高的频率分辨,在低频提供高的时间分辨率,而ARMA模型则可以改善LPC模型中没有零点的不足。实验结果表明,2个零点,10个极点的ARMA对字母C的识别准确性明显提高。     

用矢量量化和隐马尔可夫模型实现英语话句的识别

描述用矢量量化和隐马尔可夫模型实现的英语话句识别系统.采用逐级优化分裂聚类分析获取矢量量化的码本,用平均振幅函数及过零率进行单词切分,用线性预测参数的似然比距离衡量两个矢量差异的大小,使用一阶从左至右的隐马尔可夫模型,用多个输出符号序列进行训练,用Viterbi算法进行识别.用文法分析技术辅助实行识别结果的判定.     

隐马尔可夫模型在被动声信号分类中的应用

为了提高被动声目标识别率，该文研究了隐马尔可夫模型在被动声信号分类中的应用问题，然后，又提出了２种混合分类器：特征矢量混合的ＨＭＭ分类器和ＨＭＭ／ＭＬＰＮＮ（多层感知机神经网络）混合模型分类器。结果表明，这２种混合分类器在性能上都优于单个特定的分类器，它们在被动声信号分类中具有良好的应用前景。     

连续型隐马尔可夫模型(HMM)参数与语音识别

提出了一种新的连续型隐马尔可夫模型（ＨＭＭ）的概率密度函数,并导出了一系列的参数寻优迭代公式,与常用的概率密度函数相比,它的运算量较小,且不易产生计算时的上溢与溢问题,把它用于ＨＭＭ语音识别,效果较好。     

概率神经网络在文本无关说话人识别中的应用

采用基于听觉特性的Mel频率倒谱系数作为说话人识别特征参数,对概率神经网络进行了描述,并使用该网络进行了文本无关说话人识别研究.实验表明,对20名说话人,用7秒语音训练,3秒语音识别时,该方法可达到96.7%的正确识别率.     

基于语义上下文分析的因特网人物信息挖掘

网络信息的爆炸式增长给人物信息的自动获取带来了巨大挑战.论文针对因特网上大量的人物信息,设计了一种基于语义上下文分析的人物信息挖掘体系框架,重点阐述了人物简历信息识别方法、基于隐马尔可夫模型(HMM,H idden M arkovModel)的命名实体识别方法和基于语义上下文分析的人物信息抽取算法.经实验表明:基于语义上下文分析的人物信息挖掘方法具有较高的信息抽取效率和精度.     

基于隐Markov模型的图像方位识别

提出一种基于隐Markov模型(Hidden Markov Model,HMM)的图像方位识别方法.将待识别的目标图像进行分割,对子图像进行奇异值分解,提取奇异值向量形成观测序列,即图像奇异值向量作为HMM的观测向量.确定HMM参数并计算其最大似然概率,按待识别图像最大似然概率对应所属的聚类进行识别.实验结果表明,3类共150幅目标图像的识别率达到了85%.     

自相关域线性预测模型及其应用

提出了一种在自相关域对语音信号进行线性预测分析的方法。证明了只要时域信号是一个全极模型信号,则其相应的自相关序列也是一个全极模型序列,且其全极模型是稳定的,具有更好的抗干扰性能。还提出了一种有效地降低这种模型阶数的算法。将这种模型的功率谱作为语音的特征参数,进行中文讲话者识别实验,取得了满意的结果。     

基于MATLAB的孤立字语音识别试验平台

文章研究了两种不同语音识别算法—动态时间伸缩算法(DTW)和隐马尔可夫模型(HMM),并在模式匹配原理的基础上,设计、实现了在Matlab环境中,应用DTW识别法及HMM识别法的孤立字语音识别实验平台。     

无约束手写体支票金额汉字串识别系统

针对手写支票金额汉字串分割和识别都十分困难的特点 ,提出了一种基于隐 Markov模型的 ,分割与识别相结合的算法。该算法具有如下的突出优点 :在分割方面 ,将偏旁部首作为分割的基本单位 ,充分考虑无约束手写汉字分割的各种交叠和粘连情况 ,降低了金额汉字串分割的难度 ;在识别方面 ,通过对字符识别结果采用多选 ,利用动态规划算法来对整串字符进行识别 ,提高了汉字串的识别率。作为处理分割困难的汉字串的一种新思路 ,该方法对于其他手写字符识别问题也具有重要的借鉴意义。     

基于离散隐马尔科夫模型的语音识别技术

概述语音识别技术的基本原理,对当前三种主要识别技术--动态时间规整技术、隐含马尔科夫模型技术及人工神经网络技术进行比较,重点介绍基于离散隐马尔科夫模型(DHMM)的语音识别系统的实现.     

语音的音素状态模型

本文中我们定义特征矢量的分布为d维高斯密度,语音序列为状态转换的马尔可夫过程,这个假设区别于标准的HMM,主要表现在状态密度函数是由具有音素标识的特征矢量进行有监督学习,每种音素标识对应于语音生成机构的一个物理状态。特征矢量由对应于各音素的语音波形段中得到。其特征空间对应于m个d维高斯密度,一个特征矢量对于每个音素状态有与之相联系的有限的生成概率。我们提出一种训练HMM=(П,A,B,)的新方法,П是一个m维的初始状态概率矢量,A是m×m的状态转移概率矩阵,B描述系统处于某一状态时出现的一定观测值的一组概率密度函数,它在本算法中不需要参加模型的优化训练。     

一种基于小波神经网络混合模型的说话人识别方法

提出一种混合模型,即将隐马尔可夫模型(HMM)和小波神经网络(WNN)相结合应用于说话人识别的模型.该方法利用HMM的时序建模能力以及小波神经网络较强的模式分类能力,进行与文本无关的说话人的识别.实验表明,采用这种混合模型可以提高系统的识别率,特别在噪声环境中具有一定的噪声鲁棒性,提高了识别性能.