论文部分内容阅读
隐马尔可夫模型(HiddenMarkovModel,HMM)是将实时信号源视为Markov信号源或Markov链的概率密度函数的一种统计模型,一直被公认为是处理与话者无关语音识别研究的主流方法。目前,许多研究者以各种方式将HMM用于其他模式识别领域,如手写字符识别领域等等。本文提出了将HMM用于一般多分类问题识别的新方法,即将原始问题投影到统计不相关的最佳鉴别方向中并进行编码,作为HMM观测序列来进行识别。由于统计不相关最佳鉴别变换保证了类内离散度最小,类间离散度最大,使HMM编码的稳定性和模式的可分性得到明显的改善。随后,本文在分析了传统HMM用于多分类识别问题中的局限性后,提出了一种增强HMM区分力的方法,即应用前向多层线性神经网络的结构来实现HMM前向概率的递推计算,进一步,提出了将多层感知器网络(MultilayerPerceptron,MLP)引入HMM的训练中,对HMM前向概率的输出进行鉴别训练,形成一种HMM/MLP混合分类器结构。对比实验表明,该混合结构的算法明显要优于传统的HMM的识别能力,具有很强的理论和现实的意义。
本文将隐马尔可夫模型及其改进模型应用于机器嗅觉的气味识别问题,取得了良好的识别结果。