Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Liên kết xu hướng trong mô hình HMM dựa trên đặc trưng phân đoạn
Tóm tắt
Chúng tôi trình bày một phương pháp giảm số lượng tham số trong mô hình HMM dựa trên đặc trưng phân đoạn (SFHMM). Nếu SFHMM cho kết quả tốt hơn CHMM, số lượng tham số sẽ lớn hơn CHMM. Do đó, cần có một cách tiếp cận mới để giảm số lượng tham số. Tương tự, quỹ đạo có thể được tách biệt thành xu hướng và vị trí. Vì xu hướng có nghĩa là sự biến đổi của các đặc trưng phân đoạn và chiếm một phần lớn của SFHMM, nếu xu hướng được chia sẻ, số lượng tham số của SFHMM có thể giảm xuống. Phương pháp được đề xuất chia sẻ phần xu hướng của các quỹ đạo thông qua phân loại. Các thí nghiệm được thực hiện trên tập hợp dữ liệu TIMIT để kiểm tra hiệu quả của việc liên kết xu hướng. Kết quả thực nghiệm cho thấy hiệu suất của nó gần như tương đương với các nghiên cứu trước đó. Để đạt được kết quả tốt hơn với số lượng tham số ít, các điều kiện khác nhau cho các thành phần quỹ đạo phải được xem xét.
Từ khóa
#Hidden Markov models #Speech #Polynomials #Information technology #Electronic mail #Quantization #Linear systems #Working environment noise #Gaussian distribution #Feature extractionTài liệu tham khảo
10.1109/ICSLP.1996.607155
gales, 1993, Segmental Hidden Markov Models, Proc 6th European Conf on Speech Communication and Technology, 1579
10.1006/csla.1998.0048
10.1109/89.536930
10.1016/S0167-6393(01)00047-4
10.1109/97.844631
10.1109/ICASSP.1993.319337
deng, 1992, A generalized hidden Markov model with state-conditioned trend functions of time for the speech signal, Signal Processing, 27, 65, 10.1016/0165-1684(92)90112-A