基于區(qū)分性訓(xùn)練的手語識(shí)別算法研究.pdf

1、傳統(tǒng)的隱馬爾科夫模型（HMM）的訓(xùn)練方法基于統(tǒng)計(jì)概率的最大似然準(zhǔn)則（MLE），在訓(xùn)練樣本數(shù)目足夠大的情況下，這種方法在理論上可以得到最優(yōu)的結(jié)果。在手語識(shí)別研究中，采集足夠大的訓(xùn)練樣本十分困難。區(qū)分性訓(xùn)練可以很好的彌補(bǔ)由于訓(xùn)練樣本的缺乏以及手語模型之間的近似而造成的識(shí)別系統(tǒng)的缺陷。最大交互信息準(zhǔn)則（MMIE）作為區(qū)分性訓(xùn)練準(zhǔn)則的一種已經(jīng)被廣泛的應(yīng)用于語音識(shí)別領(lǐng)域。
　　本文主要針對(duì)中國(guó)手語400個(gè)手勢(shì)詞進(jìn)行識(shí)別算法的研究，在此基礎(chǔ)上

2、通過合理的構(gòu)建手語識(shí)別中的競(jìng)爭(zhēng)模型和易混集，提出了MMIE準(zhǔn)則的改進(jìn)形式，并將其應(yīng)用于特定人與非特定人手語識(shí)別。主要研究工作如下：
　　1.在手語識(shí)別領(lǐng)域第一次引入了區(qū)分性訓(xùn)練的概念，將區(qū)分性訓(xùn)練與原始的MLE訓(xùn)練相結(jié)合組成新的識(shí)別系統(tǒng)框架。
　　2.詳細(xì)討論了在手語識(shí)別中基于擴(kuò)展BW算法（EBW）的MMIE區(qū)分性準(zhǔn)則的重估公式的推導(dǎo)過程，并對(duì)其中參數(shù)的設(shè)置給出了理論上的答案。
　　3.為了使區(qū)分性訓(xùn)練準(zhǔn)則適應(yīng)手語識(shí)別

3、的特點(diǎn)，采用更一般化的MMIE準(zhǔn)則H準(zhǔn)則，并對(duì)用GD算法得到的參數(shù)重估公式進(jìn)行了適當(dāng)?shù)母倪M(jìn)。不但簡(jiǎn)化了計(jì)算的復(fù)雜性，而且克服了原公式因常數(shù)的加入而造成的不穩(wěn)定性。通過大量的實(shí)驗(yàn)，給出了新的重估公式各參數(shù)的定性定量的分析，指出當(dāng)h=1.7和迭代次數(shù)為4次時(shí)，算法的收斂速度和識(shí)別率都達(dá)到最佳。
　　4.為了合理的體現(xiàn)手語模型之間的交互信息，提出了在手語數(shù)據(jù)訓(xùn)練集上基于改進(jìn)N-BEST算法的有效構(gòu)造易混集的方法，并給出了具體的構(gòu)造易混集