数字三 公式与算法数字三
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
数字三 公式与算法
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口您的位置： >
来源：　　作者：李志鹏陈善广薛亮;
解决Baum-Welch算法下溢问题的参数重估公式中存在的问题及其更正　 弓言 自８０年代以来，ＨＭＭ（隐含马尔可夫模型）用于语音识别研究已经取得了巨大的成功。其中用于ＨＭＭ训练的Ｂａｕｍｗｅｄ算法经过了严格理论椎导，并成为ＨＭＭ训练方法中最通用的算法．本文的３个参考文献对该算法作了较详细的推导并为很多国内外有关文献所引用．为了解决在ＨＭＭ训练过程中Ｂａｕｍｗｅｌｃｈ算法下溢问题，文献二川文献３都给出了解决方法━━尺度变换法（ＳＣａｌｉｎｇ），笔者用这些文献中给出的算法公式编程实现ＨＭＭ训练过程中发现很多情况下算法不能严格收敛，即每迭代一次进行参数重估后模型产生训练语音的概率（先验概率）不能保证增大，经常会出现下降的情况．笔者在察看了算法的推导过程后发现这些文献中的公式都存在不同程度的错误．其中文献１中单样本训练和多样本训练公式都有误，而文献２和文献３中的多样本训练公式有误．本文推导后给出正确的尺度变换后Ｂａｕｍｗｅｌｃｈ算法，实验结果证实了原有计算公式的误差和改正后公式的正确性．１ 单样本训练公式 为简化起见，以下推导都假定每帧语音特征为一个标量，ＨＭＭ中每个状态语音信号杨率分布函数为单个的高斯分布，下面的符号表示方法及使用的基本公式参阅文献１． 设模型共(本文共计8页)　　　　　　　　　　
相关文章推荐
看看这些杂志对你有没有帮助...
单期定价：8.00元/期全年定价：6.40元/期　共38.40元
　　　　　　有关log的公式和算法，，，最基础的_百度知道
有关log的公式和算法，，，最基础的
提问者采纳
等等，我找找
log以2为底3的对数等于？
就那样写，不能简便的
提问者评价
你的回答完美的解决了我的问题，谢谢！
你转身的一瞬
来自:作业帮
按默认排序
其他2条回答
第二张看不太清楚
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁图形匹配算法在公式发现系统FDD中的应用_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
评价文档：
8页¥2.0076页免费65页免费6页¥3.004页¥2.00 4页免费15页免费5页免费4页免费3页免费
喜欢此文档的还喜欢3页免费7页免费62页免费6页免费146页免费
图形匹配算法在公式发现系统FDD中的应用|
把文档贴到Blog、BBS或个人站等：
普通尺寸(450*500pix)
较大尺寸(630*500pix)
你可能喜欢这是一篇旧文，点击以旧主题模式浏览。}