Una Introducción a los Modelos Ocultos de Markov
-
Upload
donelle-macadam -
Category
Documents
-
view
39 -
download
1
description
Transcript of Una Introducción a los Modelos Ocultos de Markov
![Page 1: Una Introducción a los Modelos Ocultos de Markov](https://reader036.fdocuments.es/reader036/viewer/2022071717/56812a44550346895d8d76ca/html5/thumbnails/1.jpg)
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](https://reader036.fdocuments.es/reader036/viewer/2022071717/56812a44550346895d8d76ca/html5/thumbnails/2.jpg)
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](https://reader036.fdocuments.es/reader036/viewer/2022071717/56812a44550346895d8d76ca/html5/thumbnails/3.jpg)
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](https://reader036.fdocuments.es/reader036/viewer/2022071717/56812a44550346895d8d76ca/html5/thumbnails/4.jpg)
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](https://reader036.fdocuments.es/reader036/viewer/2022071717/56812a44550346895d8d76ca/html5/thumbnails/5.jpg)
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](https://reader036.fdocuments.es/reader036/viewer/2022071717/56812a44550346895d8d76ca/html5/thumbnails/6.jpg)
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](https://reader036.fdocuments.es/reader036/viewer/2022071717/56812a44550346895d8d76ca/html5/thumbnails/7.jpg)
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](https://reader036.fdocuments.es/reader036/viewer/2022071717/56812a44550346895d8d76ca/html5/thumbnails/8.jpg)
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](https://reader036.fdocuments.es/reader036/viewer/2022071717/56812a44550346895d8d76ca/html5/thumbnails/9.jpg)
Seminarios de Tecnologías del Habla