一种基于改进SCHMM/ANN的语音识别算法

隐马尔科夫(HMM)和人工神经网络(ANN)模型已经广泛的应用在语音识别中,而HMM中的半连续隐马尔可夫模型(SCHMM)又具有连续密度函数和训练数据少等特点。人工神经网络(ANN)具有自组织、自学习和很高的容错力,将两模型相结合应用于语音识别当中,会使SCHMM模型的特点更加突出。本文所采用的是一种SCHMM/ANN模型,经仿真实验结果表明,在纯净无噪声和信噪比较低的情况下,与传统的HMM模型相比,该算法的识别率有较大提高。

基于SCHMM的手语识别方法的实验研究

在近些年的手语识别工作中,HMM起到了重要的作用。提出将SCHMM用于手语识别,实验结果表明SCHMM优于离散隐马尔科夫模型(DHMM)和连续隐马尔科夫模型(CHMM),可以避开DHMM中因矢量量化造成的信息损失,在保证识别率的前提下降低模型的复杂性和运算量。

结合人体运动特征的行为识别

人体运动具有马尔可夫性质,即当前状态只受前一状态的影响.目前为止,用于人体行为识别的隐马尔可夫模型(HMM)大多使用的是全连接结构(Full-Connected structure),并且没有把状态数目的选取和状态转移条件与人体运动特性间的关系作为研究重点.本文针对这种关系提出了基于"从左到右三状态半连接HMM"的人体行为识别方法,为每个状态的输出概率引入了权重的概念.实验表明,该方法能够在降低运算复杂度的同时,提高行为识别率,从而证明了人体运动特性分析在HAR领域中的应用价值.