SVM-HMM和基于糾錯(cuò)反饋驅(qū)動(dòng)學(xué)習(xí)方法在漢語韻律短語預(yù)測(cè)中的研究與實(shí)現(xiàn).pdf

1、隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，語音合成技術(shù)也得到快速的發(fā)展并逐步滲透到社會(huì)生活的各個(gè)領(lǐng)域。但現(xiàn)階段漢語語音合成中還存在一些問題，主要體現(xiàn)在輸出語音的可懂度和自然度上。本文在對(duì)漢語韻律結(jié)構(gòu)層級(jí)、聲學(xué)特性以及目前最常用的幾種漢語韻律短語預(yù)測(cè)機(jī)器學(xué)習(xí)方法調(diào)研的基礎(chǔ)上，提出了一種基于支持向量機(jī)和隱馬爾科夫混合模型（Support Vector Machine and Hidden Markov Model，SVM-HMM）的韻律短語邊界預(yù)測(cè)方法；與

2、此同時(shí)，為了進(jìn)一步提高漢語韻律短語邊界的準(zhǔn)確度，本文還引入了一種基于糾錯(cuò)反饋驅(qū)動(dòng)的學(xué)習(xí)方法來作為SVM-HMM模型的后處理方法，并實(shí)現(xiàn)了一個(gè)全自動(dòng)的漢語韻律短語邊界預(yù)測(cè)及標(biāo)注系統(tǒng)?，F(xiàn)階段，在漢語韻律短語邊界預(yù)測(cè)任務(wù)中廣泛應(yīng)用的統(tǒng)計(jì)模型為隱馬爾科夫模型、最大熵馬爾科夫模型以及條件隨機(jī)場(chǎng)模型。其中最為成功的統(tǒng)計(jì)模型為條件隨機(jī)場(chǎng)模型。本文所采用的SVM-HMM模型結(jié)合了支持向量機(jī)模型和隱馬爾科夫模型各自的優(yōu)點(diǎn)，同時(shí)克服了隱馬爾科夫模型中的嚴(yán)格

3、獨(dú)立假設(shè)和難以引入任意特征等問題。和傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，該模型僅用有限的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練就能夠取得較好的預(yù)測(cè)效果。當(dāng)前，SVM-HMM模型已經(jīng)被應(yīng)用在一些自然語言處理問題中，如：詞性標(biāo)注，漢語切分等。本文首次將支持向量機(jī)和隱馬爾科夫的混合模型應(yīng)用在漢語韻律短語邊界預(yù)測(cè)任務(wù)中，并通過實(shí)驗(yàn)表明，在使用相同特征模板的情況下，SVM-HMM模型稍優(yōu)于條件隨機(jī)場(chǎng)，和最大熵馬爾科夫相比更適合于漢語韻律短語的預(yù)測(cè)。
　　 通過對(duì)SVM-H

4、MM模型在漢語韻律短語預(yù)測(cè)實(shí)驗(yàn)結(jié)果的分析可知，單純利用SVM-HMM模型的方法來預(yù)測(cè)韻律短語邊界信息會(huì)帶來一些很明顯的錯(cuò)誤。而這種錯(cuò)誤的結(jié)果是由于系統(tǒng)在訓(xùn)練學(xué)習(xí)時(shí)的一些固定模式所導(dǎo)致的結(jié)果，因此為了進(jìn)一步提高韻律短語邊界預(yù)測(cè)的準(zhǔn)確度，本文提出了一種基于糾錯(cuò)反饋驅(qū)動(dòng)的學(xué)習(xí)方法(Transformation-baseed Error-Driven Learning Method，TBL)來對(duì)SVM-HMM標(biāo)注模塊所標(biāo)注結(jié)果的錯(cuò)誤部分進(jìn)行了后