HMM跳跃和单对角高斯

本自述文件版本1.03。EM训练功能在这个版本更新。那些在一个更好用的版本有兴趣的请下载1.01版，其中的HMM模型的结构是由左至右没有跳过。那些有兴趣的高阶隐马尔可夫模型（ho-hmm）或隐半马尔可夫模型（HSMM）应邀访问https: / SourceForge。网/项目/何HMM /。在这个版本中，该模型允许具有状态跳跃转换。状态1和状态，在这个版本的空的开始和结束的状态，分别。此包的切入点是“main_train_test_em。”。在脚本文件，您可能需要修改的识别系统，如model_no几个参数，模糊的（特征向量的维数），iteration_end（这是用来确定训练迭代次数），为emit_state_no范围，和模型的结构，这是由初始化的概率，A0，AIJ定义，和房颤。0是一个从虚拟启动状态的发光状态，即转移概率行向量，A0（K）用于初始化（1，K + 1）学会是一个行向量的过渡概率从发射状态本身和下面的状态，即，AIJ（k）是用来初始化（I，I + K-1）所有一。房颤是一种用来设置过渡概率从最后一个发射状态的空结束状态的行向量。对于每个k，如果AF（K）大于（n-k，N），然后自动对焦（K）代替（n-k，N）与过渡圆弧的离开状态k相关联的概率是重整化。如果AF（K）不存在或AF（K）不大于（K，N），然后（n-k，N）不会受到影响。在您开始使用的程序，你应该先准备的训练和测试数据。摘录的TIDIGITS数据库可以从HTTP：/ /克罗诺斯。罗格斯大学。教育/ ~ LRR /语音20recognition % % 20course /数据库/ isolated_digits_ti_train_endpt.zip和HTTP：/ /克罗诺斯。罗格斯大学。教育/ ~ LRR /语音20recognition % % 20course /数据库/ isolated_digits_ti_test_endpt.zip。对于训练数据，isolated_digits_ti_train_endpt根目录，和测试数据，isolated_digits_ti_test_endpt根目录，应该放在“文件”目录，所以我们不需要修改”main_train_test_em。M”来运行该程序。编写你自己的

models
wav
COPYING
EM_hmm_skips_1gau.m
dr_wav2mfcc_e_d_a.m
forward_backward_hmm_skips_1gau_log_math.m
forward_hmm_skips_1gau_log_math.m
fwav2mfcc_e_d_a.m
generate_LR_HMM_skips_HTK_structure.m
generate_LR_HMM_skips_structure.m
generate_htk_filelist_txt.m
generate_htk_word_trans_mlf.m
generate_selected_TI_isolated_digits_testing_list_mat.m
generate_selected_TI_isolated_digits_training_list_mat.m
generate_testing_list_mat.m
generate_training_list_mat.m
global_mean_var_for_hmm_skips_1gau.m
logDiagGaussian.m
logSum.m
main_dr_wav2mfcc_e_d_a.m
main_test_EM.m
main_train_EM.m
main_train_test_EM.m
main_train_test_EM_init_zero_mean.m
main_train_test_EM_with_skips.m
overall_max.m
overall_sum.m
plot_results_hmm.m
readme.txt
recognition_Viterbi_hmm_skips_1gau.m
slope.m
viterbi_hmm_LR_skips_1gau.m
wav2logpow.m
wav2mfcc.m
wav2mfcc_e_d_a.m