[发明专利]基于连续混合高斯HMM模型的地名语音信号识别方法

摘要

本发明揭示的基于连续混合高斯HMM模型的地名语音信号识别方法，其中连续混合高斯HMM模型的训练过程如下：定义HMM模型并初始化；将一类地名语音信号的特征矩阵代入模型中进行训练；根据模型参数求出一类地名语音信号出现的概率；将该概率和训练之前的输出概率比较，判断相对误差是否满足输出条件；符合，输出该类地名语音信号对应的HMM模型；不符合，判断训练次数是否达到最高训练阈值；未到达，再训练一次，达到，输出HMM模型；将若干类地名语音信号的特征矩阵代入模型中，得到若干个不同地名对应的HMM模型，形成地名语音识别模型库。本发明能够有得到适合孤立词的地名语音识别的HMM模型及地名语音识别模型库，为准确进行地名语音识别创造了条件。

主权项

基于连续混合高斯HMM模型的地名语音信号识别方法，其特征在于：包括连续混合高斯HMM模型的训练过程及地名语音识别过程，其中，所述连续混合高斯HMM模型的训练过程如下：S1，定义一个包含如下参数的连续混合高斯HMM模型，λ＝(N，M，A，π，B)，其中：N，模型状态数，为4；M，每个状态所对应的高斯函数的个数，每个状态包含3个39维的高斯函数，一个模型中N个状态中每个状态高斯函数个数相同；A，状态转移概率矩阵，A＝{aij}，aij＝P[qt+1＝j/qt＝i],1≤i,j≤N，其中，qt＝i表示在t时刻处在状态i,q(t+1)＝j表示t+1时刻在状态j，整体表示从状态i转换到状态j的概率；π，各状态的起始概率分布，π＝πt，πt＝P[qi＝i],1≤i≤N,其中，π＝πt表示从状态i开始的概率，下标i表示各个状态对应的起始概率；B，输出概率密度函数，B＝{bj(o)}，其中，o为观察向量，M为每个状态包含的高斯函数的个数；cjl为第j个状态第l个混合高斯函数的权，L为正态高斯概率密度函数，μjl为第j个状态第l个混合高斯元的均值矢量，Ujl为第j个状态第l个混合高斯元的协方差矩阵；S2，模型初始化，将初始状态π＝πt向量设置为(1 0 0 0),状态转移矩阵A在其自身转移和转移到下一个状态的概率均为0.5，每个高斯函数均为39阶的均值为0、方差为1的函数，权重均为1/3；S3，将一类地名语音信号的特征矩阵代入模型中，利用Baum‑Welch迭代算法进行一次模型参数训练；所述一类地名语音信号是指将一个地名的所有样本语音信号的特征矩阵数据放到一起，根据均值聚类法k‑means进行聚类，分为4类，对应4个状态；S4，根据计算出的模型参数，使用viterbi算法求出一类地名语音信号出现的概率；S5，将该概率和训练之前的输出概率相比较，判断两者的相对误差是否满足输出条件；S6，若符合输出条件，输出该类地名语音信号对应的连续混合高斯HMM模型；S7，若不符合输出条件，判断训练次数是否达到最高训练阈值；S8，若训练次数未到达最高训练阈值，则重复S3‑S7步骤，若训练次数达到最高训练阈值，则终止训练，输出连续混合高斯HMM模型；S9，将若干类地名语音信号的特征矩阵代入模型中，重复S3‑S8步骤，得到若干个不同地名对应的连续混合高斯HMM模型，所有的连续混合高斯HMM模型数据形成地名语音识别模型库。