hmm 流程图_[转载]HTK之嵌入式HMM模型参数估计Baum-Welch算法

在单HMM模型参数估计的Baum-Welch算法中，使用硬边界，即使用模型对应音段的开始和结束时间。这里的嵌入式HMM模型参数估计Baum-Welch算法，忽略观察序列

对应的模型之间的边界，即使用所谓的软边界。训练时，将

对应的模型(假设有

个，

)按时间先后顺序拼接起来构成一个复合模型，模型与模型之间的转移概率为1.0。对这个复合模型整体使用Baum-Welch算法来达到重估

个子模型参数的目的。虽然这里使用的Baum-Welch算法还是经典的算法，但由于使用了复合模型，其形式和经典的相差甚远。

采用这样的训练方式，其好处主要有两个。第一，语音信号的音素切分问题本身就是个不平凡的问题，至今还没有一个准确(标准也不好定)的音素自动切分程序，使用嵌入式训练恰好避开了这个麻烦，模型在训练过程中自身会收敛到一个合适的边界。第二，只要给定一个合适的模型初始值，使用软边界训练，得到的模型参数将会更为精确和一致。事实上，利用嵌入式训练收敛的HMM参数，可以反过来完成音段的自动切分。这就避免了“鸡生蛋、蛋生鸡”的困扰。

2. 前后向算法

本节描述在嵌入式训练中前后向概率计算的公式，注意HTK中模型的特殊性，即开始和结束状态为非输出状态。并且

，

注意：

1.

拼接模型的第一个和最后一个模型不能是Tee模型(Tee模型是指存在从开始状态到结束状态的转移概率的HMM模型，即：

)

2. 拼接模型中不能出现相继的Tee模型。

前向概率

(上指标

为拼接模型中的模型标号，

，下同)

，

a. 初始条件，

，

即：

b. 递归计算，

推导

，

如下

又，

所以：

，

c. 终结

总的似然值：

后向概率

，

a. 初始条件

，

即：

b. 递归计算，

推导

如下：

而，

所以：