有噪语音的线性预测HMM参数估计方法

本文讨论了混有加性高斯白噪声的语音的线性预测隐Markov模型(HMM)参数估计问题.由Baum等人提出来的重估公式没有考虑噪声的影响,因此,对有噪语音的模型参数估计会产生较大的偏差.本文对该公式提出了一种修正方案,用这种方法估计出的模型参数有效地抑制了噪声的影响,较准确地反映了语音真实时变特征.实验证实了这一结论.     

一种基于梯度的HMM参数重估方法

对于隐Markov模型（HMM），经典的参数重估方法是Eaum-Welch算法，该算法基于最大似然准则，具有快速收敛和保证似然度单调增的优点，但是对于其他的训练准则，则不存在这样的算法，由于目标函数的复杂性，在考虑采用梯度方法时，必须先解决如何求取梯度的问题，为此，提出一种求取梯度的实现方法，结果表明，使用该方法所取得的模型与用Baum-Welch算法所得的模型性能相当，而前者适用于基于各种准则的训练方法。     

变帧率技术在语音识别中的应用

变帧率（ＶＦＲ）分析技术可以在语音识别时，用以丢弃那些特征非常相似的语音帧．文中分析了已有ＶＦＲ方法的不足，并提出了一种新的ＶＦＲ方法．这种新方法能够更加突出语音信号中发音变化区域．计算机模拟实验显示，经该方法预处理后的语音送入隐马尔柯夫模型的语音识别系统比传统算法有更高的识别率．     

基于MDI与进化计算相结合的HMM训练方法

MDI为HMM训练的优化准则之一,但传统的MDI是基于局部最优求解的,所得的解也是一个局部最优解,而进化计算则是基于全局搜索的。为此,提出了将MDI及进化计算相结合来训练HMM的方法。各个模型用个体来表示,个体的适应值采用模型的最小差别信息。实验结果表明,该方法所得的系统识别率高于传统的方法。     

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。     

噪声环境中基于HMM模型的语音信号端点检测方法

在噪声环境下如何提高语音信号端点检测的准确性是自动语音识别（ＡＳＲ）研究中的一个重要课题．常用的基于短时能量的端点检测方法对于能量较低的音节或在信噪比较低的环境下,检测性能不够理想．讨论了一种基于ＨＭＭ模型的语音信号端点检测方法．先用训练的方法生成背景噪声和废料的模型,再用Ｖｉｔｅｒｂｉ解码算法对待测信号进行处理,并给出了具体的实现方法．实验测试结果表明,基于ＨＭＭ的端点检测方法的检测性能接近于人工检测,方法是有效的．     

用遗传算法改进HMM的语音识别算法

提出了一种改进隐马尔可夫模型（HMM）的方法,即把遗传算法应用到Baum-Welch算法B值的优化当中,解决了Baum-Welch算法容易陷入局部最优解的缺点,得到了全局最优解,提高了语音识别系统的识别率。     

构造有理插值函数的一种方法

通过引入多个参数,利用多项式相等给出了一个构造有理插值函数的方法,该方法简便、灵活,便于实际应用,可根据需要构造所需要类型的有理插值函数.此方法与基于连分式建立的方法比较,其可行性易预知,便于在计算机上实现.     

用于统计语音合成的大尺度压缩HMM的方法

统计语音合成使用隐Markov模型(HMM)作为声学特征的统计模型。提出了一种利用声学模型空间距离进行HMM的大尺度压缩的量化方法,通过对矢量量化码本进行的优选迭代步骤,减小压缩后的声道谱模型与原模型之间的声学距离,使通过量化模型合成的语音更加接近未量化模型。主观和客观测试结果显示:使用该方法进行声道谱模型的压缩,在压缩至原模型大小的0.06左右时,仍有约90%的评价得分认为合成语音的质量没有明显下降。     

连续汉语音识别有双词文法约束的大型HMM

提出针对汉语连续语音识别中的大型ＨＭＭ进行修正。在模型中加入双词法约束,然后给出洁约束下的新的识别算法,新识别算法基于Ｖｉｔｅｒｂｉ算法和分层构筑思想之上。经实验测试,识别率有较大提高。     

一种基于 HMM 算法改进的语音识别系统

针对传统的 HMM 模型中状态持续时间不长的不足,且在计算量大的情况下,语音识别精度不高,训练时间长,训练误差较高,提出了一种基于语音状态持续时间长的 HMM 模型。 首先,令状态转移矩阵的对角线元素全为 0,去掉自转移弧,再增添以参数化的函数描述持续时间的高斯分布,再通过帧与帧相互 之间的关联程度,将每帧都计算进去;其次,通过重估公式反复计算每条弧被指定的转变概率和可见符号序列输出最原始的数值概率,直至收敛,停止运算。 最后,在 HMM 模型改进前后实验中得到更小的训练误差,下降速度更快,计算量较之前减少多,更容易达到收敛,其概率输出与它前面一个概率输出的差值与该概率 输出值的比值大于 HMM 模型设定的初始值。 与传统 HMM 模型实验比较,基于持续时间状态的 HMM 模型可以在一定程度上降低训练次数和训练时间,提高识别语音的精确度,基本完成了语音识别系统的功能。     

密度演化方法在概率分布估计中的应用研究

利用密度演化方法，提出了随机变量概率分布估计的一个新方法．在此方法中，构造一个与基本随机变量相关的虚拟随机过程，使得基本随机变量成为该随机过程的截口随机变量．利用独立随机抽样的样本值，即可获取虚拟随机过程的瞬时概率密度函数，进而获得随机变量的概率密度函数估计．以约束混凝土极限应变的试验与理论预测值之比值为例，进行了概率密度函数估计．     

改进的HMM系统在英语语音合成中的研究

根据英语语言所具有的一些特性对HMM模型进行改进,设计出适合英语语音合成的上下文属性集以及用于模型聚类的问题集,提高了其建模和训练效果。此外,借助HTK和Festival等工具,以基频和声道谱参数为训练参数,最终实现此英语语音合成系统。从所合成语句的效果来看,合成语音整体稳定流畅,而且节奏感比较强。     

一种构造正交尺度函数的方法

由于多小波解决了单小波不可能同时具有正交性、紧支性和对称性的困难,其更具有研究的价值.在正交多小波理论的基础上,研究了利用两尺度函数构造正交的尺度函数的方法,从理论上给出了直接用尺度函数正交化方法构造正交多尺度函数的方法.     

基于隐马尔可夫模型人脸识别的研究

提出了基于HMM的人脸识别方法.根据人脸的特点建立HMM模型,然后采用奇异值分解抽取观察序列.通过对观察向量的仿真结果表明,这种方法在提高识别率和缩短计算时间方面都有很大进步.     

Hybrid SVM／HMM Method for Face Recognition

A face recognition system based on Support Vector Machine(SVM) and Hidden Markov Model (HMM) has been proposed. The powerful discriminative ability of SVM is combined with the temporal modeling ability of HMM. The output of SVM is moderated to be probability output, which replaces the Mixture of Gauss (MOG) in HMM. Wavelet transformation is used to extract observation vector, which reduces the data dimension and improves the robustness.The hybrid system is compared with pure HMM face recognition method based on ORL face database and Yale face database. Experiments results show that the hybrid method has better performance.     

基于改进的PSO和HMM的Web信息抽取算法

针对传统Web信息抽取的隐马尔可夫模型对初值十分敏感和在实际应用中模型参数极易陷入局部最优的问题,提出了一种基于改进的粒子群优化算法的隐马尔可夫模型参数优化模型,用于Web信息抽取.以似然概率值作为适应度函数,使用改进的粒子群优化算法结合Baum-Welch算法对HMM模型参数进行全局优化,实现了Web页面信息的抽取.实验结果表明,该算法在精确率和时间等指标上与现有算法相比具有更好的性能.