第五讲 GMM-HMM模型学习笔记

已于 2022-09-14 22:11:53 修改
阅读量1.2k 收藏 8
点赞数 1
分类专栏： 语音识别学习 文章标签： 学习 语音识别
于 2022-08-25 19:12:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44589825/article/details/126530299
版权

目录

1. 基于孤立词的GMM-HMM语音识别系统

在这里插入图片描述

 目标：
在这里插入图片描述

 建模：
在这里插入图片描述

 GMM-HMM语音识别系统流程（孤立词）：
在这里插入图片描述

a. 训练（前向后向训练/Viterbi训练）

在这里插入图片描述

在这里插入图片描述
 
Viterbi训练
在这里插入图片描述
在这里插入图片描述
 
前向后向训练（Baum-Welch训练）
在这里插入图片描述

在这里插入图片描述
 

b. 解码

 
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
 

2. 基于单音素的GMM-HMM语音识别系统

在这里插入图片描述

a. 音素/词典

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

b. 训练

在这里插入图片描述

c. 解码

在这里插入图片描述

在这里插入图片描述

3. 基于三音素的GMM-HMM语音识别系统

在这里插入图片描述

a. 三音素

在这里插入图片描述
在这里插入图片描述

b. 决策树

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

c. 训练

d. 解码

4. 基于GMM-HMM语音识别系统流程

在这里插入图片描述

5. 总结

 第五章讲述了如何构建语音识别系统，是对前四章知识的总结与应用，应将上节的两个学习算法与本节的知识理解清楚。

6. 作业代码

 待完善

机器学习笔记——聚类算法（Kmeans、GMM-使用EM优化）
haopinglianlian的博客
11-19 1178
本笔记介绍机器学习中常见的聚类算法（Kmeans、GMM-使用EM优化）。
语音识别 HMM和端到端Seq-to-Seq模型的异同
dhj_tsukuba的博客
03-20 1114
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言1 Hidden Markov Model (HMM)1-1 传统HMM1-2 HMM+Deep Learning1-2-1 Tendam1-2-2 DNN-HMM混合模型2 Seq-to-Seq模型 前言 本文主要是李宏毅老师语音识别公开课4的笔记，全部课程可以参考这里 近几年语音领域的顶会发表了很多关于端到端Seq-to-Seq模型的研究，并且根据实验数据，在大规模语音数据集的支持下，他们的WER或者是CER都已经超过了传
GMM-HMM语音识别模型 原理篇
热门推荐
Rachel Zhang的专栏
05-28 10万+
本文简明讲述GMM-HMM在语音识别上的原理，建模和测试过程。这篇blog只回答三个问题： 1. 什么是Hidden Markov Model？ 2. GMM是神马？怎样用GMM求某一音素（phoneme）的概率？ 3. 用GMM+HMM大法解决语音识别
机器学习&数据挖掘笔记_14（GMM-HMM语音识别简单理解）
weixin_34279184的博客
08-23 406
   　　为了对GMM-HMM在语音识别上的应用有个宏观认识，花了些时间读了下HTK（用htk完成简单的孤立词识别）的部分源码，对该算法总算有了点大概认识，达到了预期我想要的。不得不说，网络上关于语音识别的通俗易懂教程太少，都是各种公式满天飞，很少有说具体细节的，当然了，那需要有实战经验才行。下面总结以下几点，对其有个宏观印象即可（以孤立词识别为例）。 　　一、每个单词的读音都对应一个HMM模...
GMM-HMM
m0_49673695的博客
11-10 1067
需要训练的参数 1.对应于混淆矩阵B的高斯混合模型参数B 2.状态转移矩阵A 3.A中只有对应于自环和后继的状态转移概率需要被训练，其他项全都设置为零，并且不再改变 训练过程 Step 1：构建整个句子的HMM结构 Step 2：将A矩阵中对应于自环和后继的项初始化为0.5，其他项初始化为0 Step 3：用整个训练集的全集均值和方差对B矩阵进行初始化 Step 4：运行Baum-Welch算法的迭代过程。在每一次迭代中，计算前向概率和后向概率（计算方法见下文）以得到t时刻处于状态i的概率，然后将它用于更新
【NLP】语音识别 — GMM， HMM
gongdiwudu的专栏
07-27 6482
在语音识别的深度学习（DL）时代之前，HMM和GMM是语音识别的两项必学技术。现在，有将HMM与深度学习相结合的混合系统，并且有些系统是免费的HMM。我们现在有更多的设计选择。然而，对于许多生成模型来说，HMM仍然很重要。但无论状态如何，语音识别都有助于我们更好地理解HMM和GMM在ML环境中的应用。所以停止长脸，让我们有时花在上面。
学习笔记（GMM,HMM）
weixin_47416620的博客
08-25 2035
隐马尔可夫模型是关于时间序列的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态序列，再由各个状态生成一个观测而产生观测序列的过程。举个例子，加入科学家们需要根据小明每天吃冰激凌的数量1,2,3来判断那天的天气，那么观测序列O可以是O=（3,1,3）对应的天气的状态序列Q则为Q=（hot,cold,hot），观测序列就是可以直观感受到的，状态序列则需要通过观测序列推理得到。
GMM-HMM学习笔记
davidie的专栏
07-17 4万+
最近几天钻研了语音处理中的GMM-HMM模型，阅读了一些技术博客和学术论文，总算是对这个框架模型和其中的算法摸清了皮毛。在这里梳理一下思路，总结一下这几天学习的成果，也是为以后回顾时提高效率。 本文主要结合论文和博客资料来介绍我对GMM-HMM的理解，主要分为以下几个部分：第一个部分介绍语音识别总体框架，第二部分介绍典型的HMM结构和识别过程，第三部分介绍HMM的学习算法，最后补充介绍一些其他细
Kaldi单音素GMM学习笔记
许开拓的专栏
04-08 1万+
Kaldi单音素GMM学习笔记。从原理、脚本、程序和类四个方面介绍单音素GMM和Kaldi代码。
gmm-hmm-asr:简单GMM和HMM模型的Python实现，用于隔离数字识别
05-23
用于隔离数字识别的简单GMM-HMM模型 简单的GMM和HMM模型的Python实现，用于隔离数字识别。 此实现包含3个模型： 单一高斯：使用具有对角协方差的单一高斯对每个数字进行建模。 高斯混合模型（GMM）：每个数字都是使用高斯混合模型来建模的，并通过扰动单个高斯模型进行初始化。 隐马尔可夫模型（HMM）：每个数字由包含N个状态的HMM建模，其中每个状态的发射概率是具有对角协方差的单个高斯分布。 免责声明：这是一个教育性的实现，预计不会有很高的性能。 安装 要安装使用： pip install git+https://github.com/desh2608/gmm-hmm-asr.git 要安装测试（用于开发）： git clone https://github.com/desh2608/gmm-hmm-asr.git cd gmm-hmm-asr && pip ins
语音识别GMM-HMM
12-28
语音识别GMM-HMM 模型 语音识别发展 人工智能 ASR 传统结合
hmm模型matlab代码-HMM-GMM:隐马尔可夫模型和高斯混合模型
05-27
hmm模型matlab代码HMM-GMM 这是我个人实现的隐马尔可夫模型和高斯混合模型，这是统计机器学习中的两个经典生成模型。 HMM是在无监督的情况下进行训练的，代码实现了前向后退算法，以在给出部分/全部观测值的任何时间步长计算状态的边际概率，而Baum-Welch算法则用于估计初始概率分布，过渡和排放概率分布。 对于此示例，观察值是空格和字母，但是代码足够通用，可以与任何观察值序列和隐藏状态一起使用。 下面讨论的所有概率将在日志空间中。 HMM的推论被实现为一种维特比算法（动态编程） 依存关系 Python 3.x load_corpus(path) 此功能特定于此示例，用于读取观察顺序。 它将读取路径中的文件，仅保留字母和单个空格对其进行清理，并将所有内容都转换为小写。 它将返回清除输入的字符串。 load_probabilities(path) 此函数在指定的路径中加载pickle文件，该路径包含字典的元组。 第一个字典包含初始状态概率，并将整数i映射到第i个状态的概率。 第二词典包含转换概率和映射整数i到该整数j映射到过渡的从状态i到状态j的概率的第二词典。 最后，第三个字典
GMM，HMM的语音识别，说话人识别源码
05-10
该压缩包中包含一个完整的语音识别程序，代码使用matlab实现，使用了经典的GMM，HMM模型。附件中还包含完整的说明文档，介绍了一些基本原理，和该源码的使用方法。是语音识别入门必读源码之一。该源码只需要很小的改动就可以用来做说话人识别。 ：}
机器学习-白板推导系列笔记（二十一）-RBM
scu-liu的博客
01-04 778
此文章主要是结合哔站shuhuai008大佬的白板推导视频：受限玻尔兹曼机_155min 全部笔记的汇总贴：机器学习-白板推导系列笔记 一、背景介绍 RBM（Restricted Boltzmann Machine） （一）玻尔兹曼机 玻尔兹曼机（Boltzmann Machine）可以说它就是一个马尔科夫随机场（Markov Random Field），简单来说就是一个无向图模型，是一种随机神经网络，借鉴了模拟退火思想，因为使用了玻尔兹曼分布作为激活函数，所以称为玻尔兹曼机。 如下图所示，将无向图中的节点
GMM-HMM总结
zbuger的博客
12-19 6453
最近在做毕设，所以查了很多的资料。有paper有博客，牛人太多了，浙大的一个妹子真的是太厉害了，而且长的也女神~~废话不多，接下来总结一下 GMM-HMM是两个算法，GMM和HMM。 其中GMM是混合高斯模型（Gauss of mixture models），什么意思呢。意思是说，给出一堆观察序列（可以是多维的可以是一维的），用几个高斯函数模拟一个模型，这个模型产生这些观察序列的概率最大，其中
GMM-HMM笔记
mingtsang的专栏
09-04 1497
For the all known HMM, it is a generative model. In different scenarios and and assumption, there are many methods  to infer the parameter. Case 1:  When we know the prior probability P(y), transiti
AI大语音（八）——GMM-HMM声学模型（深度解析）
aibigtruth的博客
09-24 7707
基于GMM的0-9孤立词识别系统以词为训练单位，添加新词汇需要重新进行训练，若要涵盖所以词，差不多6万个词，训练量极大，预测时也要计算6万个模型的似然，哪个大预测出哪个，在实际应用中有局限性，只能应用于小词汇量场合。 孤立词识别系统识别了0-9的数字的英文单词，但是假如有人用英文报电话号码，是识别不了整个号码的，甚至识别不了其中的one。 孤立词识别这个模型无法从一连串英文号码（里面包含了one two等多个数字）中准确识别出one，关键点在于连续语音中不知道哪些语音信号是one，哪些是two，或者说不
gmm-hmm模型训练matlab代码完整
最新发布
12-26
GMM-HMM模型是一种用于语音识别和语音处理的模型，它结合了高斯混合模型（GMM）和隐马尔可夫模型（HMM）。在MATLAB中，我们可以使用工具包来训练GMM-HMM模型，并且提供了完整的代码实现。 首先，我们需要准备训练数据，包括语音信号和对应的标签。然后，我们可以使用MATLAB提供的函数来加载数据并进行特征提取，比如使用MFCC（Mel频率倒谱系数）来提取语音特征。 接下来，我们可以使用GMM-HMM工具包中的函数来建立和训练模型。这些函数包括初始化参数、迭代优化、Baum-Welch算法等。通过这些函数，我们可以将训练数据输入模型，并且不断优化模型参数，直到达到收敛。 在训练过程中，我们还可以使用交叉验证等方法来评估模型的性能，以便进行调参和优化。 最后，我们可以保存训练好的GMM-HMM模型，以便后续的语音识别和处理任务中使用。 总的来说，使用MATLAB进行GMM-HMM模型的训练是一个相对简单的过程，只需要依次调用相应的函数即可完成。当然，在实际应用中，还需要根据具体的任务需求来进行参数调整和性能优化。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值