语音识别中HMM与自组织神经网络结合的混合模型

基于隐马尔可夫模型和自组织神经网络模型提出了一种用于语音识别的混合模型,给出了训练调整权向量的算法,实验结果表明其在语音识别中具有很好的性能·     

基于HMM／SOFMNN混合模型的语音识别

本文针对传统的基于HMM模型的语音识别效率较低的问题,提出了一种将隐马尔可夫模型(HMM)与自组织特征映射神经网络(SOFMNN)相结合的方法。     

基于HMM的孤立字识别

本文以HMM(隐马尔可夫模型)为基础研究孤立字的汉语语音识别。孤立字的汉语语音样本首先经过人工切分去除寂静段,然后进行分帧处理;对每一帧语音进行频域预加重和时域汉明窗加权处理后,提取该帧的39维的MFCC混合参数(Mel频率倒谱参数);把该字所有帧的MFCC混合参数作为该字HMM模型的观察序列对其进行训练。通过在小人群范围内对0-9这十个孤立数码语音的大量实验,得到了很好的识别效果。     

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．     

基于多相关分组的HMM训练算法

在用多观察序列训练HMM理论的基础上，提出了一种基于对多观察序列按多相关系数分组的HMM训练算法(简称基于多相关分组的HMM训练算法)。该算法避免了直接计算条件概率的困难，与传统的Baum—Welch算法相比，既考虑了训练序列之间的相关性，又不增加计算量。     

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.     

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。     

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。     

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。     

一种基于HMM的雷达目标识别方法

根据雷达目标散射点的一般模型和特定条件的简化模型；提出用RELAX方法从高分辨雷达回波提取目标散射点分布的位置信息作为目标HRRR的特征向量；利用HRRR对雷达视角敏感这一特点，用隐马尔可夫过程表征多视角雷达回波序列，获得目标距离-方位两维信息，用若干HMM子过程构成的模式链表征一个飞行目标的飞行姿态变化，从而采用基于隐马尔可夫模型的分类器实现目标类属和方位的自动识别和分类，实测数据的计算机仿真结果表明，这一方法的平均识率为99.80%和81.2%。     

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.     

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。     

基于ZCPA和DHMM的孤立词语音识别系统

介绍了用离散隐马尔可夫模型(DHMM)构造孤立词语音识别系统的过程,重点针对软件实现中的问题重新推导了Baum Welch算法的重估公式,引入一种抗噪性能很好的特征参数:过零率与峰值幅度特征,将该特征与DHMM结合用于孤立词识别系统。结果表明,此系统训练时收敛很快并且识别效果好。     

基于汉语语音音位的HMM建模方法

为了减少声学模型复杂度、降低对嵌入式系统的硬件资源需求,提出了为汉语全音节的声母、韵首、韵腹、韵尾4部分音位分别建立隐含Markov模型的新方法。基于汉语语音学的音位知识,并结合4部分音位方案比较实验,最终确定声母、韵首、韵腹、韵尾4部分音位模型总数分别为76、12、76、14,对应的4部分的模型状态数分别为4、1、4、2。同采用声母、韵母2部分建立的半音节隐含M arkov模型相比,新系统中模型数、状态数减少了30.2%、36.5%,同时关键词识别率提高1.32%。     

基于汉语语音音位的HMM建模方法

为了减少声学模型复杂度、降低对嵌入式系统的硬件资源需求,提出了为汉语全音节的声母、韵首、韵腹、韵尾4部分音位分别建立隐含Markov模型的新方法。基于汉语语音学的音位知识,并结合4部分音位方案比较实验,最终确定声母、韵首、韵腹、韵尾4部分音位模型总数分别为76、12、76、14,对应的4部分的模型状态数分别为4、1、4、2。同采用声母、韵母两部分建立的半音节隐含Markov模型相比,新系统中模型数、状态数减少了30.2%、36.5%,同时关键词识别率提高1.32%。     

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。     

一种基于隐马尔可夫模型的人像识别算法

提出了一种基于隐马尔可夫模型(HMM)的人脸图像识别方法.对归一化的人脸图像,该方法 2D-DCT变换域提取人脸图像的一维特征矢量.通过对HMM的训练和识别实验表明,文中提出的方法计算量少,运行速度较快,是一种比较适合工程应用的人脸识别算法.     

基于遗传算法自适应建立HMM的静脉识别算法

为了准确地对人的身份进行识别,利用图像中脉络延伸方向与脉络间位置的相互联系,将隐马尔科夫模型(HMM)应用于识别系统中,提出了一种基于遗传算法自适应建立HMM的静脉识别算法.图像经预处理后得到静脉的骨架信息,将细化后的静脉图像进行Radon变换,每一静脉对象可表示为一个HMM;对于已知确定的训练样本库,利用遗传算法自适应调整HMM参数,使所有测试图像的观测序列在真实匹配模型中发生的概率值远远大于其在虚假匹配模型中发生的概率值,提高了不同静脉对象的区分度.实验表明,该算法具有较高的正确识别率,并具有良好的实时性.