Sphinx Декодер А Р Нехаев Архитектура Sphinx

Sphinx Декодер А. Р. Нехаев

Архитектура Sphinx

Схема работы декодера

Схема работы декодера

Формальное описание HMM Q = q 1, q 2, …, q. N Множество из N состояний A = a 01, a 02, . . , an 1, …, ann Матрица вероятностей переходов между состояниями O = o 1, o 2, …, o. T Последовательность из T событий, каждое из которых является элементом множества (алфавита) V = v 1, v 2, …, vv B = bi(ot) Функция, определяющая вероятность того, что в состоянии i наблюдается событие ot q 0 , q F Стартовое и финальное состояния

HMM для слова

Звуки не однородны

HMM для слова

HMM для цифр

Слитное произношение

Трелис декодера

Как использовать HMM для наблюдений, выраженных вещественными значениями Проблема Согласно определению HMM, каждое наблюдаемое событие должно быть из конечного алфавита V Однако характеристический вектор состоит из 39 вещественных чисел Решение Создать тренировочное множество векторов Выполнить их кластеризацию (т. е. разбить на сравнительно небольшое количество классов) Представить каждый класс символом из алфавита V Для каждого класса посчитать вероятность возникновения соответствующего события во всех состояниях HMM

Квантование векторов

Алгоритм кластеризации, метод k-средних 1. 2. 3. 4. Случайным образом выбираем M векторов из тренировочного множества L и назначаем их кодовыми символами vk алфавита V Для каждого вектора в тренировочном множестве вычисляем ближайший кодовый символ, используя метрику. Добавляем этот вектор в ячейку подобранного символа Для всех ячеек пересчитываем центр масс. Новым кодовым символом становится центр масс Повторяем шаги 2 -3 до тех пор пока состав ячеек изменяется

Алгоритм кластеризации, метод k-средних

Вычисление bj(vk)