ся Наступний рівнянням:
Відлікі, включені в КОЖЕН фільтр, перераховуються з урахуванням трикутна вікна, візначається енергія на віході шкірного фільтра S (n) и робиться логаріфмуванння виходим шкірного фільтра.
Зрештою, опісані вищє превращение можна Записатись в Наступний виде:
Поряд з коефіцієнтамі даного вектора Прийнято використовуват значення «Дельта», что відбівають ШВИДКІСТЬ и прискореного, з Якими змінюються значення даних векторів MFCC при переході від одного сегмента Промови до Іншого [34, 936 c.].
.2 Пріховані марківські моделі
У якості математичного апарату, Який застосовується для розпізнавання голосових команд, Пропонується вікорістаті пріховані марківскі моделі (ПММ) які являються собою універсальний інструмент Опису стохастичних процесів. Для роботи з ними не існує точних математичних моделей, а їх Властивості міняються з Пліній годині відповідно до Деяк статистичних Законів [24].
Достоїнствамі методу ПРИХОВАНЕ моделей Маркова є:
- Швидкий способ обчислення значень функцій відстані (ймовірності);
- істотно менший ОБСЯГИ пам'яті, в порівнянні з методом «дінамічної деформації годині», необхідній для зберігання еталонів команд.
Основними недолікамі:
- велика складність его реализации;
- необходимость использование великих фонетічно збалансованності мовних корпусів для навчання параметрів.
При практічній роботі з ПРИХОВАНЕ марківськімі моделями доводитися вірішуваті ряд ключовими Завдання:
) вибір системи параметричного векторів, например, для розпізнавання мовлення Використовують кепстральні КОЕФІЦІЄНТИ (MFCC), КОЕФІЦІЄНТИ лінійного передбачення (LPC ??) i ряд других;
) розробка алгоритму нормалізації параметрично векторів;
) вибір кількості станів моделі N и числа компонент Гауса суміші M ;
) Первісна Сегментація Навчальних векторів для знаходження набліженіх значень математичних очікувань гаусівськіх сумішей на початкових кроці навчання і т.д.
необходимо зауважіті, что немає універсального алгоритму визначення віщепереліченіх параметрів и в шкірному конкретному випадка, в залежності від розв'язуваної задачі, может знадобітіся проведеня велічезної кількості експеріментів, дере чем будут досягнуті необхідні результати точності розпізнавання [26].
У Основі пріхованої марківської моделі лежить кінцевій автомат, что складається з N -станів, Які назіваються ПРИХОВАНЕ. Переходь между станами в КОЖЕН дискретні моменти годині t
схематично зображення діаграмі переходів между станами ПММ наведено на рис. 2.2.
Малюнок 2.2 - Діаграма переходів между станами пріхованої марківської моделі
Знаходження моделі в Деяк стані i відповідність певній стаціонарності сигналу спостерігається на ограниченной вартовому інтервалі. З'являється проста фізична інтерпретація ПММ: розглядається процес, Який іноді стрібкоподібно змінює свои характеристики.
При здійсненні Чергова переходу в стан i в момент годині t відбувається генерація вихідного вектора x t , Який назівають параметрично вектором, відповідно до багатомірної Функції розподілу ймовірностей f j (x) .
Результатом роботи пріхованої марківської моделі є послідовність векторів (СПОСТЕРЕЖЕНЬ) { x 1 , x 2 , ..., x T } довжина T . Перевага ПММ Є можливість оброб?? і послідовностей и сігналів різної довжина, что утруднено при роботі з штучними нейронними мережами, зокрема.
Функція щільності ймовірностей f j (x) для стану j опісується, як правило, віваженою гаусівською сумішшю:
де M - Кількість компонент суміші;
w i - вага компонента суміші;
