语音识别之HTK入门（七）——HERest训练模型之Baum-Welch算法

hjx5200

已于 2022-09-26 17:09:40 修改

阅读量1k

点赞数 1

分类专栏：语音识别文章标签： HTK 语音识别 EM模型 Baum-Welch算法

于 2020-10-26 17:23:55 首次发布

本文链接：https://blog.csdn.net/hjx5200/article/details/109293792

版权

语音识别专栏收录该内容

45 篇文章 4 订阅

订阅专栏

上一个博客为B-W算法准备了基础，也就是前向算法和后向算法以及EM模型。

现在看看到底Baum-Welch算法是如何利用上述算法及模型来更新HMM的参数的。

之前也分析过多次了，在语音识别领域HMM模型之所以这么复杂，是因为观察向量对应的隐含状态不可得。存在隐藏数据，如果能得知这些标注数据，那么无论是计算初始概率，状态转移概率还是混淆概率都异常的简单而直接。

隐藏向量，假设它为I，观察向量为O，（O，I）表明为完全数据。

现在假设 $P(O,I|\bar{\lambda})$ 表示当前模型下，完全数据的联合概率， $LogP(O,I|\lambda)$ 分别表示完全数据的对数似然概率，现在求得 $Q(\lambda,\bar{\lambda}) = \sum_{I}LogP(O,I|\lambda) P(O,I|\bar{\lambda})$ ,使这个Q函数最大值的 $\lambda$ 即为这次迭代的结果，即为完成一次迭代训练。

整个HMM模型里需要训练的参数包括三个分别是初始概率、转移概率和混淆概率。

我们需要从公式里推导出计算上述三个概率的计算式。公式推导可以参考这篇博客，我希望能从直觉上理解这些计算式。

在前一篇博客里，我们知道了前向算法 $\alpha_{t}(i)$ 表示在t时刻状态i下，输出观察向量 $O_{1}O_{2}...O_{t}$ 的概率， $\beta_{t}(i)$ 表示在t时刻，t+1,t+2, ... ,N时刻观察向量为 $O_{t+1}O_{t+1}...O_{N}$ 的概率，那么 $\alpha_{t}(i) \times \beta_{t}(i)$ 呢？表示在t时刻状态为i，整个观察向量为O的概率，可以写出连等式： $P(O|\lambda) = \sum_{i=1}^{N}\alpha_{1}(i)\beta_{1}(i) = \sum_{i=1}^{N}\alpha_{2}(i)\beta_{2}(i) = ... = \sum_{i=1}^{N}\alpha_{T-1}(i)\beta_{T-1}(i)$ 。定义 $\pi_{i} = \frac{\alpha_{1}(i)\beta_{1}(i)}{P(O|\lambda)}$ ，更一般的定义一个变量 $\gamma_{t}(i) = \frac{P(O,s_{t}=i|\lambda )}{P(O|\lambda)} = \frac{\alpha_{t}(i)\beta_{t}(i)}{P(O|\lambda)}$ ， $\pi_{i} = \gamma_{1}(i)$ ，是一个特例。

那么在已知观察向量和模型参数情况下，如何估算模型状态转移的概率呢？，根据定义可以把这一概率值计算分部进行，首先计算状态i的概率，然后计算状态（i，j）同时发生的概率。

由于计算状态转移概率时没有给定时间，假设为t时刻， $P(s_{t}=i,O|\lambda) = \alpha_{t}(i)\beta_{t}(i)$ ，它与我们前面定义的 $\gamma_{t}(i)$ 存在一个比例关系。

而 $P(s_{t}=i, s_{t+1}=j,O|\lambda)$ ，其值也可以通过前向-后向算法来求得， $P(s_{t}=i, s_{t+1}=j,O|\lambda) = \alpha_{t}(i)a_{ij}b_{j}(O_{t+1})\beta_{t+1}(j)$ ,定义新的变量 $\xi{t}(i,j) = \frac{P(s_{t}=i, s_{t+1}=j,O|\lambda)}{P(O|\lambda)} = \frac{\alpha_{t}(i)a_{ij}b_{j}(O_{t+1})\beta_{t+1}(j)}{P(O|\lambda)}$ 。从这些公式以及状态转移的意义可以推出公式：

$P(O|\lambda) =\sum_{t=1}^{T-1}\sum_{j=1}^{N} \alpha_{t}(i)a_{ij}b_{j}(O_{t+1})\beta_{t+1}(j)$ ,

$a_{ij} = \frac{\sum_{t=1}^{T-1}\xi_{t}(i,j)}{\sum_{t=1}^{T-1}\gamma_{t}(i)}$ ，

$b_{j} (k)= \frac{\sum_{t=1,O_{t}=v_{k}}^{T-1}\gamma_{t}(i)}{\sum_{t=1}^{T}\gamma_{t}(i)}$ ,

$\pi_{i} = \gamma_{1}(i)$

下面就是调试程序，看看在HERest程序中，是如何处理标注文件和特征文件来训练HMM模型。

大部分代码都是在处理命令行参数和读取数据。其实核心的代码不过数十行。但是要充分理解那数十行的代码要穿透重重迷雾。

首先读取phones0.mlf文件中的所有数据，构建一个个的MLFEntity，每个MLFEntity对应一个文件脚本，会指出该实体对应phones0.mlf文件的偏移位置。例如下面是phones0.mlf的开头。它包括三部分，MLF头文件，必须要包含否则报错，然后是两个MLFEntity，分别“S0001.lab”和“S0002.lab”后面的省略了。然后把这些实体对象被保存到一个全局的链表中。而这是在处理命令行参数 -I phones0.mlf 时发生的。

#!MLF!#
"*/S0001.lab"
sil
d
ay
ax
l
ey
t
f
ay
v
sil
.
"*/S0002.lab"
sil
d
ay
ax
l
z
ia
r
ow
z
ia
r
ow
ey
t
s
ih
k
s
ow
w
ah
n
z
ia
r
ow
n
ay
n
th
r
iy
f
ay
v
ey
t
f
ay
v
th
r
iy
th
r
iy
n
ay
n
z
ia
r
ow
sil
.

接着是处理-t参数和 -H参数。-H参数指定MMF（ Master Model File）文件，它与MLF文件都是HTK的一种脚本文件，一个是用来定义模型的，一个是用来指定标签的。它们之间也存在某种内在关系，暂时不表。它们的文件路径和名字被暂时保存在HMMSet模型（全局变量hset）的“依赖文件链表中”，供后续处理使用。

最后就是初始化一个HMMSet集合，由monophones0参数指定，该文件的内容是指定了整个训练系统所有的音子，也就是通过该文件需要建立的声学模型个数。

现在分析主要的处理函数： Initialise(fbInfo, &fbInfoStack, &hset, GetStrArg()); InitUttInfo(utt, twoDataFiles); DoForwardBackward(fbInfo, utt, datafn, datafn2) ;看它们分别完成了哪些功能。

在进入这些函数之前，有两个重要的struct需要介绍，因为它们和后面的计算息息相关，一个是FBInfo，一个是UttInfo。

/* structure storing the model set and a pointer to it's alpha-beta pass structure */
typedef struct {
  Boolean twoModels;  /* Enable two model reestimation */
  HMMSet *up_hset;    /* set of HMMs to be re-estimated */
  HMMSet *al_hset;    /* HMMs to use for alignment */
                      /* these are equal unless 2 model reest */
  HSetKind hsKind;    /* kind of the alignment HMM system */
  UPDSet uFlags;      /* parameter update flags */
  int skipstart;      /* Skipover region - debugging only */
  int skipend;
  int maxM;           /* maximum number of mixtures in hmmset */
  int maxMixInS[SMAX];/* array[1..swidth[0]] of max mixes */
  AlphaBeta *ab;      /* Alpha-beta structure for this model */
  AdaptXForm *inXForm;/* current input transform (if any) */
  AdaptXForm *al_inXForm;/* current input transform for al_hset (if any) */
  AdaptXForm *paXForm;/* current parent transform (if any) */
} FBInfo;

主要包括两个HMMSet和AlphaBeta指针，它们包含了模型训练的一些重要信息。两一个struct就是UttInfo。

/* structure for the utterance information */
typedef struct {

  MemHeap transStack; /* utterance transcript information heap */
  MemHeap dataStack;  /* utterance data information heap */
  MemHeap dataStack2; /* utterance data2 information heap */

  int Q;              /* number of models in transcription */
  Transcription *tr;  /* current transcription */

  Boolean twoDataFiles; /* Using two data files */
  int S;              /* number of data streams */
  int T;              /* number of frames in utterance */
  ParmBuf pbuf;       /* parameter buffer */
  ParmBuf pbuf2;      /* a second parameter buffer (if required) */

  Observation ot;      /* Observation at time t ... */
  Observation ot2;     /* Cepstral Mean Normalised obervation, used in
                               single pass re-training */

  LogDouble pr;        /* log prob of current utterance */

} UttInfo;

它主要包括Transcription指针和Observation。

下面看函数调用 Initialise(fbInfo, &fbInfoStack, &hset, GetStrArg())的内部逻辑。

1、根据提供的模型脚本文件构建和初始化一个当前的模型以及其参数，MakeHMMSet( hset, hmmListFn )和LoadHMMSet( hset,hmmDir,hmmExt)。

2、然后调用 InitialiseForBack(fbInfo, x, hset, uFlags, pruneInit, pruneInc, pruneLim, minFrwdP);实现前向后向算法做准备。

主要是初始fbInfo里的一些参数，例如为AlphaBeta对象分配空间，设定模型的混合个数，等等

然后是InitUttInfo(utt, twoDataFiles);函数调用：初始化UttInfo对象的空间。

接着就是循环执行（语音，文本）对的前向-后向算法来重新估算模型参数，这里正式进入Baum-Welch算法的代码。

主要实现在DoForwardBackward(fbInfo, utt, datafn, datafn2)中，它执行的逻辑如下：

1、 LoadLabs(utt, lff, datafn_lab, labDir, labExt);

2、 LoadData(fbInfo->al_hset, utt, dff, datafn, datafn2);

3、 InitUttObservations(utt, fbInfo->al_hset, datafn, fbInfo->maxMixInS);

4、 FBFile(fbInfo, utt, datafn);

现在来分析每一步的执行逻辑，以及代码实现的对应公式。

第一步：在LoadLabs函数中，主要完成了通过datafn_lab的文件名，找到MLF文件中（phoneses0.mlf）它对应的transcription，也就是语音段对应的模型标注。例如第一个utterance是S0001.mfc，它对应于S0001.lab所指定的模型。该项目的所有标注数据都保存在phones0.mlf文件中，其实也可以写成单独的MLF格式的文件。

在LoadLabs函数中，会为UttInfo对象构建一个Transcription，它对应一个data/train/S000X.mfc文件。接下来的代码就是在这个链表中添加节点，每个节点对应一个模型的Label。节点的连接顺序就是文本的先后顺序。

typedef struct {
   LabList *head;          /* Pointer to head of Label List */
   LabList *tail;          /* Pointer to tail of Label List */
   int numLists;           /* num label lists (default=1) */
}Transcription;

执行顺序是LOpen ->LoadHTKLabels ->LoadHTKList。执行的结果，在utt对象的Transcription* tr对象中，指定了一个LabelList，它包含了当前音频对应的模型Label。主要逻辑是在LoadHTKList中实现的，它通过读取之前构建的MLFEntry对象，来实现Label节点并构建它们的链表。

第二步：执行LoadData。读取S0001.mfc的数据到utt对象的pbuf中，并把相关信息保存在BufferInfo中，例如包含多少个frame，每个frame包含多少个采样点，等等。

第三步InitUttObservations是第一次执行时，初始化一个观察向量的对象，就是分配空间。

第四步：FBFile(fbInfo, utt, datafn)执行前向-后向算法。这是咱们重点分析的地方。

算法所依赖的Label和frame data都预处理完了，分别保存在utt和fbInfo中。主要分两步：StepBack和StepForward。

在StepBack中，构建Beta矩阵。在StepForward中计算alpha矩阵。有了这两个参数，根据Baum-Welch的计算公式，就能重新评估模型参数了。

hjx5200

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
语音识别之HTK入门（七）——HERest训练模型之Baum-Welch算法

上一个博客为B-W算法准备了基础，也就是前向算法和后向算法以及EM模型。现在看看到底Baum-Welch算法是如何利用上述算法及模型来更新HMM的参数的。之前也分析过多次了，在语音识别领域HMM模型之所以这么复杂，是因为观察向量对应的隐含转态不可得。存在隐藏数据，如果能得知这些标注数据，那么无论是计算初始概率，还是状态转移概率还是混淆概率都异常的简单、直接。隐藏向量，假设它为I，观察向量为O，（O，I）表明为完全数据。现在假设表示当前模型下，完全数据的联合概率，分别表示完全数据的对数似然概率
复制链接

扫一扫