La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Maximum Likelihood Successive State Splitting Algorithm for Tied-Mixture HMnet Algorithme de division d'états successifs à vraisemblance maximale pour HMnet à mélange lié

Alexandre GIRARDI, Harald SINGER, Kiyohiro SHIKANO, Satoshi NAKAMURA

  • Vues en texte intégral

    0

  • Citer

Résumé:

Cet article montre comment un algorithme de regroupement d'états de division qui génère des modèles acoustiques de Markov cachés (HMM) peut bénéficier d'une représentation à mélange lié de la fonction de densité de probabilité (pdf) d'un état et augmenter les performances de reconnaissance. Les algorithmes de clustering populaires basés sur des arbres de décision, comme par exemple l'algorithme de division d'état successif (SSS), utilisent une simplification lors du clustering des données. Ils représentent un état utilisant un seul pdf gaussien. Nous montrons que cette approximation de la vraie pdf par une seule gaussienne est trop grossière, par exemple une seule gaussienne ne peut pas représenter les différences dans les parties symétriques des pdf des nouveaux états hypothétiques générés lors de l'évaluation du gain de partage d'état (qui déterminera le division de l'État). L’utilisation de représentations plus sophistiquées conduirait à des problèmes de calcul insolubles que nous résolvons en utilisant une représentation pdf à mélange lié. De plus, nous contraignons le livre de codes à être immuable pendant la scission. Entre les divisions d'état, cette contrainte est assouplie et le livre de codes est mis à jour. Dans cet article, nous proposons donc une extension à l’algorithme SSS, appelé algorithme Tied-mixture Successive State Splitting (TM-SSS). TM-SSS affiche une réduction d'erreur jusqu'à environ 31 % par rapport à l'algorithme ML-SSS (Maximum-Likelihood Successive State Split) pour une expérience de reconnaissance de mots.

Publication
IEICE TRANSACTIONS on Information Vol.E83-D No.10 pp.1890-1897
Date de publication
2000/10/25
Publicisé
ISSN en ligne
DOI
Type de manuscrit
PAPER
Catégories
Parole et audition

Auteurs

Mots-clés

Table des matières