Стандартный СММ-распознаватель

Блок-схема стандартного СММ-распознавателя включает предобработку, сегментацию, ЛПК-анализ и векторное квантование, аналогичное описанному выше для ДП-распознавателя. Тестовая последовательность уменьшается до наблюдаемой последовательности { O }, состоящей из кодов векторов кодовой книги, которые наилучшим образом соответствуют ЛПК-векторам последовательности. Алгоритм Витерби определяет, для каждого индивидуального слова СММ, вероятность того, что наблюдаемая последовательность была сгенерирована данным словом СММ. Решающее правило или выбирает слово, чья модель имеет наибольшую вероятность, как распознанное слово, или выдает перечень кандидатов слов, упорядоченный по их вычисленной вероятности.

Вероятность для каждой модели слова вычисляется по следующему алгоритму. Каждое слово СММ является моделью из N состояний, которая характеризуется матрицей переходных вероятностей A, и порождающей матрицей B. На рис. 14. представлена модель слова при N=5 с M* дискретными выходными символами на каждое состояние. Здесь мы предполагаем, что модели слов являются слева-на-право моделями; то есть, что элементы переходной матрицы удовлетворяют отношению:

(7.27)

и, далее, мы ограничиваем ранг переходов случаем, когда:

. (7.28)

Таким образом, мы имеем переходы между состояниями не более чем через два. Эксперименты показывают, что это приемлемые ограничения.

Основываясь на рассуждениях раздела 5.2, мы имеем процедуру для вычисления вероятности наблюдаемой последовательности , где L означает метки входов кодовой книги, порожденной моделью , следующего вида:

1. Инициализация:

2. Рекурсия: для

3. Завершение: .

Этот алгоритм является вариантом хорошо известного ДП-метода, и может быть показано, что он имеет свойство вычисления последовательности , которая максимизирует вероятность . Можно видеть, что если входы в матрицы A и B хранятся в логарифмическом формате и потому вычисление расстояния по Витерби не требует умножений и вычисления логарифма. Поэтом скорость вычисления расстояния по Витерби очень высока.

Матрицы A и B для каждого СММ-слова вычисляются на основе обучающей выборки, содержащей множество наблюдаемых последовательностей для слова. Начиная с начальной оценки модели вычисляется вероятность P наблюдения данной обучающей последовательности O данной модели M. Используя алгоритм переоценки Баума-Вэлша модель итеративно переоценивается для увеличения P. Итерация останавливается, когда P перестает увеличиваться существенно, или когда выполняются какие-либо другие критерии (например, когда превышается заданное число итераций).

Дата добавления: 2014-01-11