Abstract | ||
---|---|---|
Cet article présente une nouvelle variante des Modèles de Markov cachés (HMM) “à Quantification Vectorielle Multiple” (MVQHMM). Sa caractéristique principale est d'utiliser un dictionnaire différent pour chaque modèle. On décrit les algorithmes d'apprentissage et de reconnaissance pour ces modèles. La procédure de reconnaissance combine le calcul de l'erreur de quantification de la séquence de vecteurs avec celui de la probabilité de sa génération par le HMM. On donne des résultats sur un système de reconnaissance de mots isolés, en comparant les MVQHMM et les HMM discrets et semi-continus: utiliser des dictionnaires différents et inclure l'erreur de quantification dans le calcul améliore les performances du système. De plus, les MVQHMM apparaissent plus robustes à la variabilité interlocuteur que les modèles discrets et semi-continus. |
Year | DOI | Venue |
---|---|---|
1994 | 10.1016/0167-6393(94)90006-X | Speech Communication |
Keywords | Field | DocType |
hidden markov models,speech recognition,hidden markov modelling,multiple vq | Pattern recognition,Recognition system,Markov model,Computer science,Word recognition,Speech recognition,Quantization distortion,Artificial intelligence,Quantization (signal processing),Hidden Markov model,Codebook | Journal |
Volume | Issue | ISSN |
14 | 2 | Speech Communication |
Citations | PageRank | References |
4 | 0.52 | 4 |
Authors | ||
5 |
Name | Order | Citations | PageRank |
---|---|---|---|
J. C. Segura | 1 | 201 | 22.54 |
A. J. Rubio | 2 | 149 | 17.85 |
A.M. Peinado | 3 | 93 | 14.23 |
P. García | 4 | 51 | 12.63 |
R. Román | 5 | 4 | 0.52 |