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

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

Page 1: 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

Page 2: Una Introducción  a  los  Modelos 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.

Page 3: Una Introducción  a  los  Modelos Ocultos de Markov

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

Page 4: Una Introducción  a  los  Modelos Ocultos de Markov

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

Page 5: Una Introducción  a  los  Modelos Ocultos de Markov

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

Page 6: Una Introducción  a  los  Modelos Ocultos de Markov

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

Page 7: Una Introducción  a  los  Modelos Ocultos de Markov

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?

Page 8: Una Introducción  a  los  Modelos Ocultos de Markov

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 , )

Page 9: Una Introducción  a  los  Modelos Ocultos de Markov

Seminarios de Tecnologías del Habla