语音信号处理 第4版 课件 第7章：语音识别.pptx

南京邮电大学

通信与信息工程学院

;;7.1;7.1;7.1;7.1;7.1;7.1;7.1;7.1;7.1;;7.2;7.2;7.2;7.2;7.2;7.2;上述的概率尺度DP方法，实际上相当于把语音样本的每一帧看作一个模型状态的连续状态HMM。因为如果参考样本是则其特征矢量的时间序列是一个马尔可夫过程，如果把每一个特征矢量看作马尔可夫过程的一个状态，同时把输入信号看作观察时间序列并应用Viterb算法，则HMM法和概率尺度DP方法具有同一关系式。由于连续状态HMM能较好地描述语音特征矢量的帧间相关信息，改善HMM的动态特性，可望得到较好的识别性能。;7.2;7.2;7.2;;在连续语音识别系统中，一段语音信号（例如一个句子）经特征提取后，得到一个特征矢量的时间序列，假设该特征矢量序列可能包含的一个词序列为，那么连续语音识别的任务就是找到对应观测矢量序列Ａ的最可能的词序列

。这个过程如果按照贝叶斯准则就是

在连续语音识别系统中利用语言模型的目的是找出符合句法约束的最佳单词序列，并且减少观测矢量序列A和词序列W的匹配有哪些信誉好的足球投注网站范围，提高识别效率。;7.3;;7.4;7.4;（2）系统识别任务的熵和识别单位的分支度

设在由语言模型规定的语言Ｌ中，S、P(S)、K(S)分别表示识别处理单位语的时间序列、序列S出现的概率和S的长度

（当时K(S)＝k），则语言Ｌ中每一序列的平均信息量（熵）可用下式定义：

同时，语言Ｌ的语句集中每一个识别处理单位的熵，可表示为：

从而我们可以知道，因为语言Ｌ每一个处理单位的熵是。所以,从前一个单位语预测后续单位语时，平均需要有回的Yes/No的判断操作。也就是说，要从个出现概率相等的单位语中选择一个单位语。因此下面式子被定义为系统任务语言模型的分支度：

;7.4