語音識別htk代碼學習手冊

1、HMM的理論基礎的理論基礎一、一、HMM定義定義1.N：模型中狀態(tài)的數(shù)目，記：模型中狀態(tài)的數(shù)目，記t時刻時刻Markov鏈所處的狀態(tài)為鏈所處的狀態(tài)為2.M：每個狀態(tài)對應的可能的觀察數(shù)目，記：每個狀態(tài)對應的可能的觀察數(shù)目，記t時刻觀察到的觀察值為時刻觀察到的觀察值為3.：初始狀態(tài)概率矢量，：初始狀態(tài)概率矢量，，，4.A：狀態(tài)轉移概率矩陣，：狀態(tài)轉移概率矩陣，，，5.B：觀察值概率矩陣（適用于離散：觀察值概率矩陣（適用于離散HMM），），，

2、，；對于連續(xù)分布的；對于連續(xù)分布的HMM，記，記t時刻的觀時刻的觀察值概率為察值概率為一個離散型的一個離散型的HMM模型可以簡約的記為模型可以簡約的記為。二、關于語音識別的二、關于語音識別的HMM的三個基本問題的三個基本問題1.已知觀察序列已知觀察序列和模型參數(shù)和模型參數(shù)，如何有效的計，如何有效的計算。a.直接計算直接計算21c.后向算法后向算法定義定義t時刻的后向變量（時刻的后向變量（backwardvariable），可以通過迭代的

3、方法來計算各個時刻的后向，可以通過迭代的方法來計算各個時刻的后向變量：變量：1）初始化（初始化（Initialization）當t=T時，252）遞歸（遞歸（Induction）當時即：即：，263）終結（終結（Termination）27乘法計算次數(shù)約為：乘法計算次數(shù)約為：N2T2.已知觀察序列已知觀察序列和模型參數(shù)和模型參數(shù)，在最佳意義上，在最佳意義上確定一個狀態(tài)序列確定一個狀態(tài)序列。定義一個后驗概率變量（定義一個后驗概率變量（po