如何实现隐马尔可夫模型在语音识别中的应用？
- 内容介绍
- 文章标签
- 相关推荐
本文共计242个文字，预计阅读时间需要1分钟。
动态模型：离散HMM，连续：线性（Kalman Filter），非线性：Particle Filter。HMM的两个假设：\(\mathbf{0}\) 马尔可夫假设：当前隐变量只与前一个隐变量有关，\(\mathbf{1}\) 观测独立假设：观测变量只与当前隐变量有关。
动态模型：
离散：HMM
连续：
线性：kalman Filter
非线性：Particle Filter
HMM的两个假设：
①齐次马尔可夫假设
当前的隐变量只与前一个隐变量有关
②观测独立假设
观察变量只与它的隐变量有关
三个问题：
1.evaluation
2.learning
3.decoding
evaluation：
已知(初始概率分布Π，转移矩阵A，发射矩阵B) => 入
求P(O|入）
前向算法：
本文共计242个文字，预计阅读时间需要1分钟。
动态模型：离散HMM，连续：线性（Kalman Filter），非线性：Particle Filter。HMM的两个假设：\(\mathbf{0}\) 马尔可夫假设：当前隐变量只与前一个隐变量有关，\(\mathbf{1}\) 观测独立假设：观测变量只与当前隐变量有关。
动态模型：
离散：HMM
连续：
线性：kalman Filter
非线性：Particle Filter
HMM的两个假设：
①齐次马尔可夫假设
当前的隐变量只与前一个隐变量有关
②观测独立假设
观察变量只与它的隐变量有关
三个问题：
1.evaluation
2.learning
3.decoding
evaluation：
已知(初始概率分布Π，转移矩阵A，发射矩阵B) => 入
求P(O|入）
前向算法：