基于區(qū)分性訓練的手語識別算法研究.pdf

1、傳統(tǒng)的隱馬爾科夫模型（HMM）的訓練方法基于統(tǒng)計概率的最大似然準則（MLE），在訓練樣本數目足夠大的情況下，這種方法在理論上可以得到最優(yōu)的結果。在手語識別研究中，采集足夠大的訓練樣本十分困難。區(qū)分性訓練可以很好的彌補由于訓練樣本的缺乏以及手語模型之間的近似而造成的識別系統(tǒng)的缺陷。最大交互信息準則（MMIE）作為區(qū)分性訓練準則的一種已經被廣泛的應用于語音識別領域。
　　本文主要針對中國手語400個手勢詞進行識別算法的研究，在此基礎上

2、通過合理的構建手語識別中的競爭模型和易混集，提出了MMIE準則的改進形式，并將其應用于特定人與非特定人手語識別。主要研究工作如下：
　　1.在手語識別領域第一次引入了區(qū)分性訓練的概念，將區(qū)分性訓練與原始的MLE訓練相結合組成新的識別系統(tǒng)框架。
　　2.詳細討論了在手語識別中基于擴展BW算法（EBW）的MMIE區(qū)分性準則的重估公式的推導過程，并對其中參數的設置給出了理論上的答案。
　　3.為了使區(qū)分性訓練準則適應手語識別

3、的特點，采用更一般化的MMIE準則H準則，并對用GD算法得到的參數重估公式進行了適當的改進。不但簡化了計算的復雜性，而且克服了原公式因常數的加入而造成的不穩(wěn)定性。通過大量的實驗，給出了新的重估公式各參數的定性定量的分析，指出當h=1.7和迭代次數為4次時，算法的收斂速度和識別率都達到最佳。
　　4.為了合理的體現手語模型之間的交互信息，提出了在手語數據訓練集上基于改進N-BEST算法的有效構造易混集的方法，并給出了具體的構造易混集