《GMM-HMM语音识别原理详解.doc》由会员分享，可在线阅读，更多相关《GMM-HMM语音识别原理详解.doc（2页珍藏版）》请在三一文库上搜索。
1、GMM-HMM语音识别原理详解本文简明讲述GMM-HMM在语音识别上的原理，建模和测试过程。1. 什么是Hidden Markov Model？HMM要解决的三个问题：1） Likelihood2） Decoding3） Training2. GMM是什么？怎样用GMM求某一音素（phoneme）的概率？3. GMM+HMM大法解决语音识别3.1 识别3.2 训练3.2.1 Training the params of GMM3.2.2 Training the params of HMM=1. 什么是Hidden Markov Model？ANS：一个有隐节点（unobservable）和可
2、见节点（visible）的马尔科夫过程（见详解）。隐节点表示状态，可见节点表示我们听到的语音或者看到的时序信号。最开始时，我们指定这个HMM的结构，训练HMM模型时：给定n个时序信号y1.yT（训练样本）， 用MLE（typically implemented in EM） 估计参数：1. N个状态的初始概率2. 状态转移概率a3. 输出概率b-在语音处理中，一个word由若干phoneme（音素）组成；每个HMM对应于一个word或者音素（phoneme）一个word表示成若干states，每个state表示为一个音素用HMM需要解决3个问题：1） Likelihood： 一个HMM生成一串
3、observaTIon序列x的概率 the Forward algorithm其中，t（sj）表示HMM在时刻t处于状态j，且observaTIon = x1，。.，xt的概率，aij是状态i到状态j的转移概率，bj（xt）表示在状态j的时候生成xt的概率，2）Decoding： 给定一串observaTIon序列x，找出最可能从属的HMM状态序列 the Viterbi algorithm在实际计算中会做剪枝，不是计算每个可能state序列的probability，而是用Viterbi approximaTIon：从时刻1：t，只记录转移概率最大的state和概率。记Vt（si）为从时刻t-1的所有状态转移到时刻t时状态为j的最大概率：记为：从时刻t-1的哪个状态转移到时刻t时状态为j的概率最大；进行Viterbi approximation过程如下：然后根据记录的最可能转移状态序列进行回溯：3）Training： 给定一个observation序列x，训练出HMM参数 = aij， bij the EM （Forward-Backward） algorithm这部分我们放到3. GMM+HMM大法解决语音识别中和GMM的training一起讲-