Una Introducción a los Modelos Ocultos de Markov
9
Seminarios de Tecnologías del Habla Una Introducción Una Introducción a los a los Modelos Ocultos de Markov Modelos Ocultos de Markov
-
Upload
donelle-macadam -
Category
Documents
-
view
39 -
download
1
description
Una Introducción a los Modelos Ocultos de Markov. ¿Cómo funciona?, Las bases. Sea O una secuencia de T medidas acústicas de la voz Sea W una secuencia de N palabras pertenecientes a un vocabulario fijo y conocido. - PowerPoint PPT Presentation
Transcript of Una Introducción a los Modelos Ocultos de Markov
Seminarios de Tecnologías del Habla
Una Introducción Una Introducción a los a los
Modelos Ocultos de MarkovModelos Ocultos de Markov
Seminarios de Tecnologías del Habla
¿Cómo funciona?, Las bases Sea O una secuencia de T medidas acústicas de la voz
Sea W una secuencia de N palabras pertenecientes a un vocabulario fijo y conocido.
P(W|O) es la probabilidad de que la secuencia de palabras W haya sido pronunciada, dado que la secuencia O de medidas acústicas ha sido observada
El reconocedor decidirá a favor de la secuencia de palabras W que satisfaga
W = arg maxW P(W|O)
Es decir, el reconocedor dará como resultado la secuencia mas probable de palabras dadas la medidas acústicas obtenidas.
Seminarios de Tecnologías del Habla
Las BasesUtilizando la fórmula de Bayes
)(
)()|()|(
OP
WPWOPOWP
P(W) ... Probabilidad de que la secuencia de palabras W sea pronunciada P(O|W) ... Probabilidad de que cuando una persona pronuncia la secuencia de palabras W obtengamos la secuencia de medidas acústicas O P(O) ... Probabilidad de la secuencia de medidas acústicas O
Fórmula del Reconocedor
)()|(arg WPWOPmaxWW
Modelo Acústico Modelo de Lenguaje
Seminarios de Tecnologías del Habla
Hz
Componentes de un sistema de ReconocimientoComponentes de un sistema de Reconocimiento
Procesado
Acústico
Voz
Algoritmo
de
Reconocimiento
Secuencia de Palabras
Modelado
Acústico
P(O|W)Modelado
Lenguaje
P(W)
texto
AnálisisLéxico
AnálisisGramatical
transcripción
voz
ProcesadoAcústico
ReconocimientoReconocimiento
EntrenamientoEntrenamiento
Aprendizajemodelos acústicos
Seminarios de Tecnologías del Habla
Time
Frequency
0 0.05 0.1 0.15 0.2 0.25 0.3 0.350
1000
2000
3000
4000
5000
6000
7000
8000
0 1000 2000 3000 4000 5000 6000 7000-4000
-3000
-2000
-1000
0
1000
2000
3000
4000
U N O
Modelado Acústico: HMMModelado Acústico: HMM
Seminarios de Tecnologías del Habla
Modelo SimpleModelo Simple
Mezcla de GaussianasM 1
t tm m mm 0
P(O ) c N(O ; , )
T 1
m mt tm
1O O
2t m 1/ 2m N / 2
m
1N(O ; , ) e
(2 )
Suponiendo independencia entre observacionesT 1
tt 0
P(O ) P(O )
Problema: No se modela la secuencialidadProblema: No se modela la secuencialidad
Seminarios de Tecnologías del Habla
Modelo SecuencialModelo Secuencial
Time
Frequency
0 0.05 0.1 0.15 0.2 0.25 0.3 0.350
1000
2000
3000
4000
5000
6000
7000
8000
U N O
S1 S2 S31P(O S1, ) 2P(O S2, ) 3P(O S3, )
iM 1
i,t i,ti,m i,m i,mm 0
P(O ) c N(O ; , )
Problema: ¿Cómo encontrar las secciones?
Seminarios de Tecnologías del Habla
Modelos Ocultos de MarkovModelos Ocultos de Markov
SecuencialidadSecuencialidad: proceso estocástico modelado poruna cadena de Markov
S1 S2 S3
a1,1
a1,2
a2,2
a2,3
a3,3
i, j j ia P(S S , ) iM 1
t t ti i i,m i,m i,mm 0
b (O ) P(O S , ) c N(O ; , )
Suposición: Independiencia de observaciones
t 1t 0 ti iP(O O ,S , ) P(O S , )
Seminarios de Tecnologías del Habla
