文章分析了经典隐马尔可夫模型（Hidden Markov Model，HMM）齐次假设的理论缺陷，以及两种非齐次HMM。语音识别对比实验表明，经验性的惩罚概率法是稳健的、且更有效的补偿方法。实验结果还指出在最优惩罚概率下，经典HMM达到了与非齐...文章分析了经典隐马尔可夫模型（Hidden Markov Model，HMM）齐次假设的理论缺陷，以及两种非齐次HMM。语音识别对比实验表明，经验性的惩罚概率法是稳健的、且更有效的补偿方法。实验结果还指出在最优惩罚概率下，经典HMM达到了与非齐次的基于段长分布的HMM（Duration Distribution Based HMM，DDBHMM）几乎相同的识别率，证明了齐次假设并不影响经典HMM在实用中的重要性。文章提出了一种改进Baum－Welch重估算法的初值的经验方法，用于HMM参数的估计，在汉语连续语音识别实验中一致性地降低了音节误识率。展开更多
文摘文章分析了经典隐马尔可夫模型（Hidden Markov Model，HMM）齐次假设的理论缺陷，以及两种非齐次HMM。语音识别对比实验表明，经验性的惩罚概率法是稳健的、且更有效的补偿方法。实验结果还指出在最优惩罚概率下，经典HMM达到了与非齐次的基于段长分布的HMM（Duration Distribution Based HMM，DDBHMM）几乎相同的识别率，证明了齐次假设并不影响经典HMM在实用中的重要性。文章提出了一种改进Baum－Welch重估算法的初值的经验方法，用于HMM参数的估计，在汉语连续语音识别实验中一致性地降低了音节误识率。
