HMM的学习问题和解码问题研究

作     者：韩广军 

作者单位：国防科学技术大学 

学位级别：硕士

导师姓名：李兵

授予年度：2004年

学科分类：02[经济学] 0202[经济学-应用经济学] 020208[经济学-统计学] 07[理学] 0714[理学-统计学（可授理学、经济学学位）] 070103[理学-概率论与数理统计] 0701[理学-数学] 

主      题：隐马氏模型 遗传算法 扩散过程 Viterbi算法 拓广的EM算法 Jenson不等式 滤波 

摘      要：隐马氏模型(the Hidden Markov Model, HMM)是一种重要的统计信号模型。这一模型的基本理论由L. E. Baum在上世纪六十年代给出,随后这一模型逐渐被应用到很多领域,如语音识别、基因关联分析和基因识别、文字识别、图象处理、目标跟踪和信号处理等。隐马氏模型需要解决三个问题:学习问题、识别问题和解码问题。对这三个问题的回答就构成了隐马氏模型理论。 本论文创新之处: 1 由于HMM的传统的参数训练方法容易陷入问题的局部最优解,而且HMM的参数训练属于带约束的优化问题,所以一般的优化方法很难解决这种问题。而遗传算法却相对具有搜索全局最优解的能力,而且它处理约束问题的能力也是令人满意的。故本文通过结合一种比较机制并运用遗传算法进行了HMM的参数训练,其中的仿真试验充分说明了该方法的可靠性。 2 由于带有连续观察空间的连续时间HMM较难处理,所以很少被考虑。本文对之进行了研究,得到了该结构下一类特殊HMM的参数的最大后验概率(MAP)估计。 3 对于我们接触到的识别方法——传统的Viterbi解码算法和简单模型下的基于滤波和内插的方法来说,后者操作起来相对前者较简单,所以为了拓广后者的应用范围,我们将后者进行了推广,即考虑了基于滤波和内插方法的非齐次非平稳隐马氏链的状态识别算法。同时我们还对该方法下的识别误差进行了分析。 4 本文还在第三章第五节总结了隐马氏模型应用在语音降噪处理中的理论基础。有些信号是伴随着较强的噪音发送的,即我们接受到的信号除了系统误差外,还有额外的附加噪声过程。为了准确地估计信号,我们必须先对接收到的信号作初步的处理,使得处理后的信号相对接近真实信号。这样有助于提高我们的解码质量。