Training HMM cho từ chuyên dụng sử dụng training từ ddeere ước lượng ma trận chuyển trạng thái A, xác xuất quan sát ma trận B xác xuất trạng thái vecto π(1) Mục đích xuất xác xuất lớn từ chuyên dụng gần Điều thực xong lặp lặp lại cách sử dụng thuật toán forward-backward, thuật toán giải tìm vùng tần số ứng với từ đo Chúng ta cần train nhiều lần để tìm xác xuất từ cần tìm Hàm hmmfb.m thực thuật toán FB hàm hmmtrain.m thực train lặp lặp lại nhiều HMM dựa rút trích đặc trưng, vec-tor lượng tử hóa thuật toán FB (4.3.5) Chúng tạo codebook từ tập hợp huấn luyện 10 lần xuất lời nói 'không' đến 'chín' Các codebook sau sử dụng để train tập hợp mười HMM có trạng thái ẩn Chúng ta thấy biểu đồ lưới ma trận A B hình 45 46 Ma trận A có xác suất lớn đường chéo Điều có nghĩa xử lý trạng thái định thời điểm t, xác suất cao mà trạng thái thời gian t+1 Điều có nghĩa trạng thái không thay đổi nhanh thời gian Nhìn vào biểu đồ ma trận B hình vẽ 46 thấy trạng thái, có vài quan sát có xác suất cao Thông thường xác suất cao trạng thái Ví dụ, trạng thái xác suất quan sát cao biểu tượng 9, cho trạng thái có xác suất quan sát cao biểu tượng 15 Chúng ta kết luận mô hình Markov ẩn không hoàn toàn ẩn Cấu trúc ma trận A B phù hợp với kết luận cho task (4.1.2) -Nếu hội lớn để lại trạng thái tại, hội quan sát biểu tượng cho trạng thái lớn, tính vectơ thay đổi chậm thời gian 5.4 Recognition using the HMM Đối với chuỗi quan sát cho (nhưng không rõ) cho HMM train từ đó, tính toán loga mà HMM tạo chuỗi Để nhận biết tín hiệu đưa ra, phải sử dụng hmmfeatures.m trích xuất đặc tính vector Sau sử dụng functionhmmlogp.m để tính toán loga cho chuỗi HMM cho trước Cuối cùng, phải tìm HMM để xác định xác suất cao sản xuất chuỗi Hàm hmmrecog.m thực nhận dạng HMM bản, kết phân loại HMM có lẽ hầu hết tạo chuỗi Chúng cố gắng nhận dạng từ "one" không lấy từ train thiết lập câu lệnh sau: [logp,guess]=hmmrecog(data{1}(12),A_m,B_m,pi_m,cb,N,deltaN,M,Q) Hàm hmmrecog.m trả dự đoán Kết hảm hàm log là: Vì vậy,xác xuất tính toán nhỏ , lý sử dụng hàm loga Tuy nhiên, rõ ràng HHM dành riêng cho chữ "one" có xác suất lớn tạo (sản xuất) chuỗi, HMM khác (4.4.4) Chúng ta nên cố gắng lặp lại thí nghiệm sử dụng từ khác định kiểm tra nhận dạng tất từ mà tập hợp huấn luyện Vì vậy, thấy nhận dạng có tỷ lệ thành công 100% thiết lập (4.4.5) Chúng lặp lặp lại thí nghiệm sử dụng kích thước block khác khoảng cách kích thươc ban đầu N = 320 deltaN = 80 Chúng dự kiến đoán sai N deltaN tăng, recognizer tỏ mạnh mẽ, cần thiết để tăng N lên đến 2000 deltaN lên đến 500 để có vài kết sai Chúng chọn kết cho N = 3200 deltaN = 800 mà thấy suy giảm chất lượng nhận dạng chữ 'chín' nhận dạng sai "Một" trường hợp Chúng cho tỷ lệ thành công phụ thuộc nhiều vào kích thước khối khoảng cách cho thuật toán nhận dạng phải nắm bắt khác biệt tinh tế từ, ví dụ cho kích thước trung bình từ vựng recognizers Khung thời gian để tăng cải thiện tốc độ tính toán, lần nữa, người ta phải đánh giá tốc độ tính toán tính xác thí nghiệm để giải tình trạng khó xử (4.4.6) Chúng lặp lặp lại thí nghiệm sử dụng LPC / cepstrum mã hóa chế độ nhỏ lớn, ban đầu M = 12 Q = 12 Tỷ lệ thành công thường nhỏ cho chế độ )lệnh) nhỏ nhận diện trở nên không ổn định, thay đổi đầu từ thí nghiệm để thử nghiệm Tuy nhiên, thấy recognizer mạnh mẽ với thay đổi LPC để / cepstrum Chúng bao gồm kết cho M = Q = Chúng lặp lặp lại thí nghiệm lần nữa, lần sử dụng codebooks kích cỡ khác nhau, ban đầu K = 16 lượng tử hóa vector thành nhỏ số chùm , tỷ lệ thành công giảm Chúng bao gồm kết cho K = ...xác suất lớn tạo (sản xuất) chuỗi, HMM khác (4.4.4) Chúng ta nên cố gắng lặp lại thí nghiệm sử dụng từ khác định kiểm tra nhận dạng