HMM在语音识别中的应用研究
| 第一章 前言 | 第1-16页 |
| ·研究背景 | 第8-9页 |
| ·语音识别的工作方式 | 第9-10页 |
| ·统计语音识别框架 | 第10-13页 |
| ·语音识别技术的基本内容 | 第13-14页 |
| ·识别单元选取 | 第13页 |
| ·特征参数提取技术 | 第13-14页 |
| ·模式匹配及模型训练技术 | 第14页 |
| ·当前面临的困难 | 第14-15页 |
| ·本文的主要工作 | 第15-16页 |
| 第二章 HMM的理论基础 | 第16-25页 |
| ·HMM模型的定义 | 第16-17页 |
| ·信号模型 | 第16页 |
| ·隐马尔可夫模型的数学描述 | 第16-17页 |
| ·HMM的类型 | 第17-20页 |
| ·由左至右模型 | 第17-18页 |
| ·全连结或各态遍历HMM | 第18-20页 |
| ·HMM的三个基本问题及解决办法 | 第20-25页 |
| ·“向前-向后”算法-问题1的解决方案 | 第21-22页 |
| ·Viterbi算法-问题2的解决方案 | 第22页 |
| ·Baum-Welch算法-问题3的解决方案 | 第22-25页 |
| 第三章 HMM算法的实现问题 | 第25-42页 |
| ·HMM状态类型及B参数的选择 | 第25-27页 |
| ·HMM状态类型的选取 | 第25页 |
| ·HMM中B参数类型的选择 | 第25-27页 |
| ·HMM训练时需解决的问题 | 第27-37页 |
| ·初始模型参数的选取 | 第27-28页 |
| ·HMM模型距离的度量 | 第28-30页 |
| ·比例因子问题 | 第30-34页 |
| ·使用多个观察值序列训练 | 第34页 |
| ·克服训练数据不足的方法 | 第34-37页 |
| ·一种改进HMM | 第37-42页 |
| 第四章 HMM的优化 | 第42-53页 |
| ·基于ML-SSS的HMM拓扑优化方法 | 第42-45页 |
| ·SSS技术介绍 | 第42页 |
| ·ML-SSS算法的提出 | 第42-43页 |
| ·ML-SSS算法 | 第43-45页 |
| ·基于MMIE准则的参数优化 | 第45-53页 |
| ·MMIE优化准则 | 第45-46页 |
| ·扩展的Baum-Welch算法 | 第46-49页 |
| ·提高MMIE一般化的方法 | 第49-50页 |
| ·基于格状结构的MMIE训练 | 第50-53页 |
| 第五章 应用实例 | 第53-73页 |
| ·HMM判别训练系统设计 | 第53-56页 |
| ·判别训练过程 | 第53-55页 |
| ·判别训练系统框架 | 第55-56页 |
| ·训练系统实现 | 第56-69页 |
| ·网格的生成 | 第56-57页 |
| ·判别混合分裂算法 | 第57-58页 |
| ·具体实现 | 第58-69页 |
| ·实验及测试结果 | 第69-73页 |
| 第六章 结束语 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 中文摘要 | 第77-79页 |
| ABSTRACT | 第79-82页 |
| 致谢 | 第82-83页 |
| 导师及作者简介 | 第83页 |
