新闻资讯

信息技术日新月异的进步使语音识别成为可能，在全球范围内引发了极大的关注，语音识别的准确率和效率不断提高。人工神经网络（ANN）最早于上世纪八十年代开始引入声学领域，并利用反向传播方法（BP）对网络进行训练。随着相关研究的补充和完善，传统神经网络已经难以满足使用需求，各种缺陷越来越突出，人们开始寻求新的识别方法，尝试通过高斯混合模型（GMM）实现语音识别。2006年，著名学者Hinton将深度学习^[1]引入语音识别过程，可以比较有效地防止陷入局部最优。以深度神经网络（DNN）为基础的声学模型^[2]得到了大范围应用，极大地促进了语音识别的效果的优化。
1 隐马尔科夫模型
1.1 概述
可以通过参数对特定的隐马尔科夫模型进行表示^[3]。模型的状态集合是,其中为状态个数； 代表不同状态下能够观测到的输出，集合中代表可观测符号数量；代表 时刻到完成状态转换的概率，全部的共同构成矩阵，即：， 成立，。代表能够观测到的状态的概率情况，分析过程中结合观测量对HMM模型进行区分，包括离散和连续两种类型。为时刻的观测值，它是由不可见的内部状态决定的，则有：为初始状态分布，有=｛｝，。如图1-1所示，HMM是个双重随机过程。下一时刻出现状态转移的概率仅取决于该时刻所在的位置，不受历史位置信息的影响，是一种很有代表性的马尔科夫链，通过参数A进行描述。通常用随机过程B来表示依附于状态的观测事件的概率，得到观测值序列。

图1-1 
1.2 隐马尔可夫模型的三个基本问题