量化子空间分布隐马尔可夫模型

提出了量化子空间分布隐马尔可夫模型 (QSDHMM ) .该模型可由连续分布隐马尔可夫模型(CDHMM)导出 ,方法是先将CDHMM的高斯分布投影到K个子空间 ,然后将每个子空间高斯分布聚类成一个数目较小的“高斯分布原型” .用这些“高斯分布原型”可以表示出声学模型的状态分布 .理论分析和仿真实验表明 ,对于大词表连续语音识别系统 ,与CDHMM相比较 ,QSDHMM可以压缩模型参数 18倍 ,从而节省系统存储空间 。

量化子空间分布隐马尔可夫模型的直接训练

尽管量化子空间分布隐马尔可夫模型 ( QSDHMM)的间接训练算法具有简单实用等优点 ,但仍存在两个方面的不足 :其一 ,QSDHMM的间接训练实际上要经历两个最优化过程 ,即先用原始语音数据训练连续分布隐马尔可夫模型 ( CDHMM) ,然后将训练好了的 CDHMM转换成 QS-DHMM.因此 ,QSDHMM的精度将受到影响 ;其二 ,没有发挥 QSDHMM本身参数少的潜在优势 .在系统的子空间捆绑结构为已知的前提下 ,文中提出了 QSDHMM的直接训练算法 .仿真实验表明 ,与传统的训练算法相比较 ,采用直接训练算法可减少训练数据约 1 0倍 。

量化子空间分布隐马尔可夫模型的间接训练

研究了量化子空间分布隐马尔可夫模型(quantizedsubspacedistributionhiddenmarkovmodel,QS DHMM)间接训练所涉及的三个关键的问题:连续分布隐马尔可夫模型(continuousdistributionhiddenmarkovmodel,CDHMM)的训练、特征子空间的划分和子空间高斯分布的量化方案。提出了相关特征子空间的定义及实现算法。在仿真实验中,采用基于分类学的Bhattacharyya距离测度的K均值高斯聚类算法对子空间高斯分布进行量化,用最相关子空间的概念划分特征子空间,并将这两者结合使用,提高了系统的识别精度和速度。