声学模型学习笔记(三) DNN-HMM hybrid system
2016-10-08 19:54
295 查看
architecture
声学信号使用HMM框架建模,每个状态的生成概率使用DNN替换原来的GMM进行估计,DNN每个单元的输出表示状态的后验概率。
decoding
实际的语音识别解码的时候使用的是似然概率:w^=argmaxwp(w|x)=argmaxwp(x|w)p(w)/p(x)=argmaxwp(x|w)p(w)
其中声学部分概率为p(x|w),使用的是似然概率。
所以需要将DNN输出的后验概率转化为似然概率:
p(xt|qt=s)=p(qt=s|xt)∗p(xt)/p(s)
p(xt)表示观察值的概率,跟词序列无关可以忽略。
p(s)表示状态的先验概率,可以使用训练语料的频率统计近似。实际使用时的先验概率有时无关紧要,但是可以缓解训练语料的标注偏移问题(比如训练语料包含大量的silience,从而导致silience的后验概率偏大)。
最终的声学概率表示如下:
p(x|w)=∑qp(x|q,w)p(q|w)≈maxπ(q0)∏t=1Taqt−1qt∏t=0Tp(qt|xt)/p(qt)
training
流程如下:- 训练CD-GMM-HMM
- 使用CD-GMM-HMM对训练语料进行维特比解码,强制对齐特征和状态
- dnn训练
dnn训练使用的准则是基于后验概率,而hmm训练的准则是基于似然概率。
tricks
1.隐层个数隐层越多(具有更强的函数拟合能力),效果越好,超过9层基本饱和。
2.contextual window
一般使用左右相邻的特征拼接起来作为dnn的输入,一般9-13帧。
在HMM中,有观察独立性假设(任意时刻的观测至于该时刻的状态有关,与其他观测和状态无关):
logp(otn,...,otn+1−1|sn)≈∑t=tntn+1−1[log(p(ot|sn)]
实际上相邻帧是存在一定关系的,并不是完全独立的:
logp(otn,...,otn+1−1|sn)=∑t=tntn+1−1[log(p(ot|sn,otn,...,ot−1)]
DNN的拼帧方法在一定程度上减弱了HMM的独立性假设,更符合实际关系。
3.对senones建模
使用cd-phone的状态比使用monophone的state建模效果更好。
4.pretraining
层数小于5的时候pretraining比较重要;当层数增加以后,pretraining收益变小,但是pretraining可以保证训练的鲁棒性,避免比较糟糕的参数初始化。
5.better alignment
更好的模型可以获得更准确的alignment,除了使用GMM-HMM的模型进行对齐,还可以使用DNN-HMM模型对训练数据进行对齐。
参考文献
《automatic speech recognition a deep learning approach》 chapter 6相关文章推荐
- 声学模型学习笔记(一) HMM
- 声学模型学习笔记(二) DNN
- 声学模型学习笔记(四) dnn speedup
- 分词算法模型学习笔记(一)——HMM
- 声学模型学习笔记(五) SDT(MMI/BMMI/MPE/sMBR)
- 声学模型学习笔记(七) advanced deep models
- 声学模型学习笔记(六) representation learning
- DNN模型学习笔记
- 学习笔记之HMM模型
- 【学习笔记】HMM统计模型
- DNN学习笔记 之一 配置
- System.Text.Encoding 学习笔记
- 学习笔记-地理数据模型
- Multi Agent System学习笔记
- Multi Agent System学习笔记
- Multi Agent System学习笔记
- Multi Agent System学习笔记
- 产品生成器学习笔记---产品模型
- Jena学习笔记(1)---创建RDF模型
- Multi Agent System学习笔记