Презентация на тему: Sphinx Декодер

Sphinx Декодер
Архитектура Sphinx
Схема работы декодера
Схема работы декодера
Формальное описание HMM
HMM для слова
Звуки не однородны
HMM для слова
HMM для цифр
Слитное произношение
Трелис декодера
Как использовать HMM для наблюдений, выраженных вещественными значениями
Квантование векторов
Алгоритм кластеризации, метод k- средних
Алгоритм кластеризации, метод k- средних
Вычисление b j (v k )
1/16
Средняя оценка: 4.4/5 (всего оценок: 39)
Код скопирован в буфер обмена
Скачать (1183 Кб)
1

Первый слайд презентации: Sphinx Декодер

А. Р. Нехаев

Изображение слайда
2

Слайд 2: Архитектура Sphinx

Изображение слайда
3

Слайд 3: Схема работы декодера

Изображение слайда
4

Слайд 4: Схема работы декодера

Изображение слайда
5

Слайд 5: Формальное описание HMM

Q = q 1, q 2,…, q N Множество из N состояний A = a 01, a 02,.., a n1,…, a nn 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,…, v v B = b i ( o t ) Функция, определяющая вероятность того, что в состоянии i наблюдается событие o t q 0, q F Стартовое и финальное состояния

Изображение слайда
6

Слайд 6: HMM для слова

Изображение слайда
7

Слайд 7: Звуки не однородны

Изображение слайда
8

Слайд 8: HMM для слова

Изображение слайда
9

Слайд 9: HMM для цифр

Изображение слайда
10

Слайд 10: Слитное произношение

Изображение слайда
11

Слайд 11: Трелис декодера

Изображение слайда
12

Слайд 12: 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

Изображение слайда
13

Слайд 13: Квантование векторов

Изображение слайда
14

Слайд 14: Алгоритм кластеризации, метод k- средних

Случайным образом выбираем M векторов из тренировочного множества L и назначаем их кодовыми символами v k 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

Изображение слайда
15

Слайд 15: Алгоритм кластеризации, метод k- средних

Изображение слайда
16

Последний слайд презентации: Sphinx Декодер: Вычисление b j (v k )

Изображение слайда