摘要
本文是对HMM最大距离训练方法的一种改进 ,该方法采用了更合理的模型距离定义 ,能更有效地利用训练数据集中的区别信息 ,使有限的训练数据得到更好的应用 ,达到提高语音识别系统性能的目的 .导出了HMM模型参数的迭代公式 .基于TIMIT数据库的非连续语音及连续语音实验结果表明 。
An improved maximum model distance approach was proposed to train HMM.By adopting a more realistic model distance definition,discriminative information contained in the training data could be used to improve the performance of recognizer.HMM parameter adjustment rules were induced.Both isolated word and continuous speech recognition experiments on TIMIT database showed that significant error reduction could be achieved by the improved approach.
出处
《电子学报》
EI
CAS
CSCD
北大核心
2000年第9期56-58,共3页
Acta Electronica Sinica
基金
国家自然科学基金!(No.69881 0 0 1 )
广东省自然科学基金!(No .970 4 4 5)
关键词
隐马尔可夫模型
训练方法
判决信息
Hidden Markov Model (HMM)
training approach
discriminative information
