基于HMM的汉语文本识别后处理琛

本文用ＨＭＭ描述汉语文本识别后处理,将汉语语言和单字识别这两个概率模型结合起来,以充分利用单字识别器提供的信息。语言模型的参数由语料库统计得到：单字识别模型的参数为条件概率,经理论分析,它要转化为后难事概率来求解。在分析训练样本集单字识别结果的基础上,提出一种统计方法估计候选字的后验概率。ＨＭＭ在脱机手写体汉语文本识别中的实验表明,后处理性能除取决于语言模型外,还取决于后验概率的精确估计。     

HMM方法识别脱机手写汉字

本文提出了一种在隐含马尔可夫模型(HMM)框架下建立的识别脱机手写汉字的方法,介绍了以HMM对脱机手写汉字进行建模、识别的整个过程,并给出了实验结果对国标一级3755个汉字的识别率,在两种测试集上分别达到96.4%和91.5%.     

基于HMM动态手势轨迹识别的门限模型方法研究

在利用隐马尔可夫模型进行连续动态手势轨迹识别时,如何进行似然度阈值的确定,以及如何提取复杂手势的起始点与结束点是研究的难点之一.本文提出了一种能使参考阈值随测试样本及模型样本动态变化的门限模型,仿真实验表明利用此门限模型方法能有效地解决这两个问题.     

基于嵌入式HMM的脸部表情识别

提出了一种基于嵌入式EHMM的表情识别方法。通过分析人脸表情的变化情况,利用DCT提取脸部表情特征构成特征向量,构建嵌入式HMM来识别静态图像中的人脸表情,并在单层嵌入式HMM的基础上提出了更利于区分易混淆表情的双层嵌入式HMM结构。实验表明该方法能有效地识别6种基本表情。     

基于状态持续时间的HMM语音识别模型

针对经典隐马尔可夫模型对状态持续时间的函数表达与实际语音的物理事实不相符合这一缺点,在通常隐马尔可夫的基础上引入状态持续时间参数,建立基于状态持续时间的HMM语音识别模型（SDHMM）,并用其进行语音识别实验,与经典隐马尔可夫模型相比,识别率有所提高。     

基于HMM和神经网络的语音识别

随着计算机技术的不断发展和信息技术的不断进步,各类智能机器也逐步进入到人们的生活中.语音识别是一种前景广阔、社会效益广泛、经济效益明显的技术,在快速发展的同时也不可避免地产生了一些问题.本文主要针对基于HMM和神经网络的语音识别系统进行了细致的分析,期待能对我国语音识别系统的研究和实践提供有效的借鉴和参考.     

基于N-gram语言模型的汉字识别后处理研究

为提高汉字文本的识别率,本文将基于统计的N-gram元语言模型和单字识别器概率模型结合起来,以充分利用单字识别器提供的信息.该方法把具有确定性边界的一个汉字序列(多数情况为一个句子)作为一个处理单元,利用统计获得的字字同现概率和距离值信息,采用Viterbi算法,对汉字识别文本进行自动后处理.经过实验证明,后处理将汉字识别准确率平均值从97.62%提高到98.71%.     

基于HMM方法的动态手势识别技术的改进

为了提高基于HMM方法的动态手势识别的效率和准确性,针对HMM方法在训练手势中计算的高复杂性,提出了一种HMM算法和动态规划的算法相结合的方法,对HMM算法中的训练阶段进行了改进,增强了人机交互的准确性与实时性。     

基于HMM的离线签名识别

给出一种以隐马尔可夫（HMM）模型为基础的离线签名的识别方法,此方法把离线签名图像中的所有汉字作为一个整体,首先利用图像处理技术,把整个字体区域分割出来,再统计每一行字体部分的像素点数。利用隐马尔可夫模型来对这个整体进行建模;然后利用Baum-Welch算法对模型进行训练;最后,利用已经训练好的HMM模型对一些签名图片进行识别。试验表明,识别率可达95.7%,为离线签名识别系统的进一步应用奠定了基础。     

HMM模型在语音识别研究中的应用

语音识别是人工智能最基础性课题,该课题研究者通过对隐马尔可夫模型这一数学模型的扩领域应用,解决了声学、语言学、句法等统计知识相关性问题。文章系统阐述了隐马尔可夫模型原理以及在语音识别中的应用过程,从而为更多研究者了解和认识。     

语音识别中隐马尔可夫模型状态数的选取原则及研究

文章建立了隐马尔可夫模型（ＨＭＭ）状态数研究的简单模型,并从信息论的角度出发,对ＨＭＭ中状态数的选择进行研究,得出ＨＭＭ信息熵的三个结论,指出了ＨＭＭ的信息熵由固有熵和附加熵两部分组成,而附加熵又由正附加熵和负重叠附加熵构成。在一定重叠程度下,随着状态数的增加,附加熵逐渐趋向零,从而导致ＨＭＭ的信息熵渐趋于固有熵。考虑到信息熵的变化趋势,得出语音识别时ＨＭＭ状态数并非越多越好的结论;指出了汉语单字ＨＭＭ的状态数取６为宜。     

基于HMM的英文印刷体识别建模研究

讨论一种基于HMM(隐马尔可夫模型)的英文印刷体识别方法。先将整篇文本图像切分成字母级别,提取出字母轮廓的8方向特征,之后把特征向量进行矢量量化并送入HMM训练识别。根据切分中出现的错误特点,对矢量量化过程和训练算法提出一些改进方法,提高识别率。     

基于HMM的京剧机构命名实体识别算法

针对机构命名实体识别效率低的问题,提出一种基于隐马尔科夫模型(HMM)的京剧机构命名实体识别算法.利用HMM模型标注文本切分结果的词性消除歧义,通过Viterbi算法计算某种分词结果所对应的可能性最大的词性序列.根据定制的名称识别规则,借助机构前缀词库、后缀词库获得机构名称左右边界,通过自动机算法识别语料中的机构命名实体,并将新词加载到分词词典中.针对京剧领域语料进行开放测试验证,结果表明,该算法的识别正确率可达到99％.     

MATLAB环境下的基于HMM模型的语音识别系统

在MATLAB环境下利用语音工具箱Voice Box实现基于连续概率密度隐含马尔科夫模型的汉语语音识别系统。在实时录音的情况下,利用该语音识别系统,不同的人对20条2～8个字的语音命令进行识别,准确率可达到95％,识别时间1．5～3s,实现了小词汇量连续语音的非特定人的实时识别。     

基于模糊自适应Hamming网的语音识别方法

本文提出了一种基于模糊自适应Hamming网络的连续汉语识别方法,用模糊自适应Hamming网络来估计HMM中的状态观测概率。结合HMM对动态时间序列极强的建模能力和神经网络的分类决策能力来提高语音识别的准确率。通过对非特定人汉语连续词的语音识别实验,证实了该方法的有效性。     

基于HMM的心电数据压缩方法研究

心电数据压缩在远程医疗和动态监测方面具有非常重要的意义。心电信号的各个脉动周期具有很强的相关性。基于隐马尔可夫模型(HiddenMarkovModel,HMM)的心电数据压缩方法充分利用ECG信号的相关性对源信息进行处理。实验证明,该方法在高数据压缩比的情况下仍然能够很好地恢复原始数据,计算复杂度相对较小。     

基于乘积HMM的双模态语音识别方法

针对噪声环境中的语音识别,提出一种用于双模态语音识别的乘积隐马尔可夫模型(HMM)。在独立训练音频HMM和视频HMM的基础上,建立二维训练模型,表征音频流和视频流之间的异步特性。引入权重系数,根据不同噪声环境自适应调整音频流与视频流的权重。实验结果证明,与其他双模态语音识别方法相比,该方法的识别性能更高。     

基于HMM的汉语整句拼音输入法研究

介绍了一种基于HMM的汉语整句拼音输入转换为整句汉字的输入法,提出了引入语言知识后的一种音字选择方法.并给出了采用N元拼音文法时的选择模型.实验表明,该方法取得了较好的效果.     

维吾尔语连续语音识别技术研究

维吾尔语连续语音识别技术研究主要阐述维吾尔语连续语音的识别技术．主要包括声学模型和语言模趋。在声学模型中,主要介绍基于隐马尔可夫模型（Hidden Markov Model,HMM）的维吾尔语筵续语音识别声学建模。在语言模型中,主要对比基于文法和基于统计这两种方法的优劣。     

基于HMM的音乐识别算法

音乐识别的研究早在20世纪70年代就开始了,但直到最近,识别系统的性能仍不令人满意。该文提出了利用HMM进行音乐识别的新思路。给出了基本的算法框架,并对相关的问题进行了讨论。