非特定人手语识别统计模型的改进及应用

目前,非特定人手语识别与特定人系统相比还有较大的差距.手语数据差异性使得非特定人手语识别中提取手语数据有效的共同特征非常困难,因而,手语数据差异性在一定程度上影响了非特定人手语识别的识别效果.本文从手语数据存在差异性这一角度入手,利用流形概念的学习和推理能力并在流形允许变化的范围内进行有效建模.在建模的过程中,从范函求极值的角度出发,给出了一个让人容易理解且直观化的推导过程.进而应用流形概念中的切向量来改进手语识别的统计模型(TV/HMM)并应用于大词汇量非特定人手语识别,以解决手语数据的差异性对大词汇量非特定人手语识别所造成的影响.实验表明,改进后的TV/HMM识别系统在大词汇量非注册的易混词集上识别率高明显.     

基于EMD-HMM的BIT间歇故障识别

针对引起机内测试系统(BIT)虚警的间歇故障,提出了一种基于经验模态分解(EMD)和隐马尔科夫模型(HMM)的间歇故障诊断方法以抑制虚警。首先对原始信号进行EMD分解,选择能量最大的几个固有模式分量函数(IMF)进行特征提取,作为系统状态的观测值;然后将观测值输入到训练好的HMM中进行决策,求取最大似然概率值作为识别结果。结果表明,利用EMD进行特征提取并与HMM方法相结合能很好地分类出各种状态,有效地诊断出间歇故障。     

Two‐pass search strategy using accumulated band energy histogram for HMM‐based identification of perceptually identical music

In this article, we present an efficient two‐pass search strategy for the implementation of a Hidden Markov Model (HMM)‐based music identification system. In our previous work, we demonstrated a single‐pass HMM‐based music identification system, considering its application to music copyright protection. This conventional system showed very robust performance to signal‐level variations between perceptually identical music files. However, it requires heavy computation for search. In the proposed two‐pass search system, the conventional single‐pass search is extended to two‐pass. In pass 1 of the proposed method, a queried music produces an accumulated band energy histogram which is a set of normalized sums of band energies for each frequency bin. This histogram is compared to all of the histograms for the registered music files. The system generates a list of small number of most probable music files among the all of the registered music files. In pass 2, HMM‐based search is applied only to candidate music files selected in pass 1. Using the proposed two‐pass strategy, we successfully implemented a HMM‐based music identification system, which maintains the same level robustness to signal level variations between perceptually identical music files but also produces the identification result very quickly. © 2013 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 23, 127–132, 2013     

HMM转移概率的新的重估算法

将隐含马尔可夫模型(HMM:Hidden Markov Model)引入到语音识别中来是一个巨大的贡献.但是在经典的HMM中关于状态转移概率a_ij(#em/em#≠j)与自转移概率a_ii的独立性假设,导致了这个模型的不协调性.事实上,段长分布概率与状态转移概率并非相互独立的,由其中的一个就可以唯一的确定另外一个.本文从段长分布概率出发说明了以上关于转移概率独立性假设的不合理性,并得到了转移概率新的重估算法.这个新算法比经典HMM的Baum-Welch迭代算法重估转移概率效果更好,前者比后者相对误识率下降了大约5%.     

基于CHMM的语音识别仿真系统实现

介绍了一种基于连续M元高斯混合密度的隐马尔可夫模型（HMM）的非特定人孤立词语音识别仿真系统。通过研究模型状态数、训练时间以及特征参数选取对语音识别率的影响,得出HMM状态数取4,训练次数为20次,特征参数选取48维LPCC和MFCC的混合参数,可使语音识别系统对于汉语孤立词的识别率达到90％。     

HMM关键词检出系统专

关键词检出(keywordspottin)g也称词检出(wordspottin)g,是近年来语音识别中颇受重视的研究领域,可广泛应用于电话的自动接听和对话监听、语音的录入和检索等方面。文中首先介绍了关键词检出的HMM方案及其研究成果,并对其进行了仿真实验,最后指出了关键词检出尚待解决的一些问题及研究方向。     

EM-HMM多频率线跟踪算法

基于隐马尔可夫模型的多频率线跟踪算法 ,能在很低的SNR环境下工作 ,但量化误差较大 ,和计算量大 .本文提出另一种选择量测向量和计算量测概率的方法 ,创造条件减小量化误差 .又经简单论证 ,将EM算法和HMM用于多频率线跟踪 ,严格地 (而不是启发式地 )得到EM HMM算法 ,可以极大地减少计算量 .本文又提出获得初始估计以启动EM HMM算法的二种方法 .仿真计算表明 ,所提的算法是有效的     

基于HMM的机载UWB SAR图像中的点目标检测

UWBSAR图像中的目标检测通常指二面角目标检测，点目标检测由于没有发现军用车辆等人造目标这一直接效益而受到较少关注。为满足一些UWB SAR图像中检测点目标的需求(如图像融合时的配准，通过路灯和树木进行道路检测和为了抑制树干杂波而识别树干杂波等)而研究了其中的点目标检测问题。通过综合运用方向依赖滤波、隐马尔可夫模型和恒虚警率检测技术，设计了一种用于机载UWB SAR图像中的点目标检测算法。     

NEW HMM ALGORITHM FOR TOPOLOGY OPTIMIZATION

0 INTRODUCTIONTwo types of algorithms are currently widely used instructure optimization. The first one is the optimization criteria(OC) method. The OC method can be understood directly, but it isdifficult to deduce different types of optimization criteri…     

从线性预测HMM到一种新的语音识别的混合模型

线性预测HMM(Linear Prediction HMM,LPHMM)并没有象传统HMM那样引入状态输出独立同分布假设,但实用中识别性能并不佳.通过分析两种HMM的各自优劣,本文提出了一种新的语音识别的混合模型,将语音静态特性(基于传统HMM)和动态特性(基于LPHMM)分别描述又有机结合在一起,更为精确地刻划了真实的语音现象,同时又继承使系统的实现改动很小和较小的计算量.汉语大词汇量非特定人连续语音识别的实验表明,混合模型的识别性能显著好于LPHMM和传统HMM.理论上,本文还给出了LPHMM的一组闭式参数重估公式.