手语识别中基于HMM的区分性训练方法

摘要：

传统的隐马尔科夫模型(HMM)的训练方法基于统计概率的最大似然准则(MLE),在训练样本数El足够大的情况下,这种方法在理论上可以得到最优的结果.在手语识别研究中,采集足够大的训练样本十分困难.区分性训练可以很好地弥补由于训练样本的缺乏以及手语模型之间的近似而造成的识别系统的缺陷.最大交互信息准则(MMIE)作为区分性训练准则的一种已经被广泛的应用于语音识别领域.文中通过合理的构建手语识别中的竞争模型和易混集,提出了MMIE准则的改进形式,并将其应用于特定人与非特定人手语识别.实验证明,使用改进的MMIE准则对识别系统性能有很大的提高.

关键词：区分性训练、隐马尔科夫模型、易混集、最大交互信息

所属期刊栏目：2

分类号：TP(自动化技术、计算机技术)

在线出版日期：2007-04-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：80-84