一、隐马尔可夫模型在语音识别中的应用（论文文献综述）
郭霏霏[1]（2021）在《基于隐马尔可夫模型的物联网终端语音身份动态识别方法》文中认为为提高多角度面部表情识别的精度,提出了一种基于隐马尔可夫模型的物联网终端语音身份动态识别方法。通过隐马尔可夫函数特征,构建物联网终端语音模型和身份模型,结合两种模型完成隐马尔可夫语音身份特征的建模。在此基础上,构建物联网终端语音的采集平台,完成物联网终端语音数据的采集,再对原始信号进行滤波预处理,使用加窗方法提取处理后语音信号的身份特征,并对身份特征信号数据进行分类识别,从而完成基于隐马尔可夫的物联网终端语音身份动态识别。实验结果表明,该方法识别精准度较高,识别用时较短,且稳定性较好。
张蒙[2]（2021）在《马尔可夫过程在通信物理层中的智能化应用》文中指出随着人工智能无线通信通信系统的广泛应用,作为通信网络的重要组成部分,物理层单纯地传输上层交付的比特流时效性、可靠性已满足不了通信质量要求。"智能化"成为了底层通信网络所要满足的重要需求,针对这一需求,论文设计并实现了采用马尔可夫过程的通信机制,并结合机器学习模型,设计了基于马尔可夫决策过程（MDP）的通信控制及预测方法。为了验证论文所设计的预测方法的准确性,结合移动通信系统的信道衰落统计分布特性,与当下主流的机器学习预测模型进行了一系列对比。实验结果表明,通过论文所设计的预测方法,能够确保正常通信并可靠预测,从而改善了通信物理层的智能化水平。
完颜瑞云,周曦娇,陈滔[3]（2021）在《大数据背景下健康保险动态定价机制研究——基于变换的隐马尔可夫模型》文中研究说明健康保险作为有效的市场化健康风险管理工具逐渐受到青睐。同时,物联网和大数据等创新科技的应用使得医疗健康相关的数据大幅增加且以极快的速度更新,给传统健康保险定价带来巨大挑战。在此背景下,基于大数据背景展开健康保险动态定价研究具有重要意义。本文基于大数据技术构建变换的隐马尔可夫模型,将被保险人多维度健康管理数据合理引入,进行更精准的健康风险预测,并基于奖惩机制实时对健康保险费率进行动态调整。研究发现,相对于传统定价模型,本文所搭建的健康保险费率动态调整机制不但能够防范逆选择风险,还能在很大程度上缓解道德风险,并基于健康管理理念有效激励被保险人主动进行风险控制,对健康保险动态定价的理论探索和实践检验具有一定启发。
余本国,郇晋侠,刘晓峰,高伟涛[4]（2021）在《语音识别系统在山西方言中的实现与应用》文中进行了进一步梳理目前山西的语音识别系统多数为普通话识别,对于该地区方言识别的准确率并不理想。针对这一问题,采集山西地方方言语音和语料建立语音库,根据山西各地方言发音的特点,构建山西地方方言的语音识别系统,以山西声韵母为基元,提取Mel倒谱系数（MFCC）的特征参数,选择隐马尔可夫模型（Hidden Markov Model,HMM）,实现山西当地方言的语音识别系统。实验结果显示,针对差别小的小区域方言识别,HMM的识别率有很好的稳定性。
刘辉[5]（2021）在《隐马尔可夫模型的构建及实现》文中研究指明隐马尔可夫模型在语音识别、自然语言处理、生物信息、模式识别等领域有着广泛的应用。介绍了隐马尔可夫模型的基本概念,分别叙述了隐马尔可夫模型的概率计算算法、学习算法以及预测算法。利用观测的海藻湿度数据作为训练数据,找出隐藏的转换概率,构建了隐马尔可夫模型,完成了预测天气变化的机器学习。
刘旭[6]（2021）在《基于HMM模型的车辆状态评估》文中认为为通过噪声检测及时发现车辆行驶过程中突发的异常,提出基于隐马尔可夫（HMM）的评估方式。通过选取车辆正常以及异常状态下的噪声采集数据样本作为离线训练样本,得到相应的模型参数;然后将实时数据送入这两类模型进行评估,概率大的为系统当前运行状态。测试发现该评估方式在车辆状态异常评估中有较高的精确度,可用于车辆异常情况的检测。
郑丹[7]（2021）在《基于人工智能算法的优选时间序列数据模型设计》文中研究指明为突破单一模型分析局限,文章围绕常见时间序列分析模型展开原理分析,主要包括隐马尔可夫模型、自回归移动平均模型、人工神经网络模型三类人工智能模型,对以上三种模型展开数据仿真,了解三种模型所产生的时间序列数据特征。以此为依据展开模型对比与选择,并进行实例验证,经分析后可判断,三类模型产生的时间序列数据数理特征存在差异,为模型的设计与构建提供了依据。
段青青[8]（2021）在《基于HMM算法的英语形音匹配可视分析》文中认为形音匹配是指字素与音素相互转换的过程,它是语音识别、语音合成的基础。许多研究学者采用深度学习模型来提高形音匹配的准确率,但所得到的匹配模式比较复杂,不利于人的学习。针对上述问题,提出一种基于HMM的时序与模式可视分析方法,用于分析窗口大小与方向对字素发音的影响,以获取得到高频发音模式。将模式与机器学习方法相结合以更好地揭示形音匹配的隐藏规律,且对不同字素的影响模式进行比较分析。该方法可以有效提高学习者对单词的解码能力和拼写能力。
余焕伟,陈仙凤,朱先华,赵星波,杜锡勇[9]（2021）在《基于高斯混合-隐马尔可夫模型的特种设备敲击检测》文中研究表明通过设计金属构件的敲击检测试验,研究分析了敲击信号的频谱特征,并对利用语音识别技术识别金属材料内部缺陷的可能性进行了验证。结果表明,缺陷的存在会导致敲击信号的频谱向低频段移动或频率主峰发生分裂,利用敲击信号的MFCC（梅尔频率倒谱系数）特征参数构建的GMM-HMM（高斯混合-隐马尔可夫模型）可有效识别出不同类别的缺陷试件,但识别结果易受到噪声影响;经"二元信息融合+噪声泛化"算法改进后的GMM-HMM在强烈噪声干扰下（10 dB信噪比）仍具有较高的识别率,且在敲击声信号融合权重为0.6时识别率达到最优（99.3%）。
蒋正锋,李海强[10]（2021）在《新工科视域下语音识别声学模型的设计实验》文中指出针对新工科视域下工程专业对学生具有扎实理论基础,较强的实验实践操作能力,强烈工程创新意识的需求,探索抽象理论模型与具象实验相结合的教学模式。设计隐马尔科夫模型的实验中,内容涵盖了数学与统计学、声学与语言学、计算机与人工智能等多学科交叉的知识,通过逐步优化多参数融合的隐马尔科夫模型实验,锻炼了学生理论与实践相结合,分析和解决复杂问题的能力,也解决了学生参与工程实践与科研实践的难题,将知识系统化、工程化、科研化,实现了新工科的培养理念。
二、隐马尔可夫模型在语音识别中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、隐马尔可夫模型在语音识别中的应用（论文提纲范文）
（1）基于隐马尔可夫模型的物联网终端语音身份动态识别方法（论文提纲范文）
| 1 隐马尔可夫建模 |
| 1.1 隐马尔可夫特征 |
| 1.2 文本建模 |
| 1.3 纹理建模 |
| 2 物联网终端语音身份动态识别 |
| 2.1 语音数据的采集 |
| 2.2 语音预处理 |
| 2.3 语音身份特征提取 |
| 2.4 分类识别 |
| 3 实验与分析 |
| 4 结论 |
（2）马尔可夫过程在通信物理层中的智能化应用（论文提纲范文）
| 1 引言 |
| 2 马尔可夫过程 |
| 2.1 马尔可夫过程的无后效性和齐次性 |
| 2.2 马尔可夫的转移概率 |
| 3 马尔可夫信源 |
| 3.1 编码的不同衡量指标 |
| 3.2 马尔可夫信源数学建模要求 |
| 4 仿真试验 |
| 4.1 当前时刻的信号衰落 |
| 4.2 马尔可夫状态转移矩阵 |
| 4.3 马尔可夫状态与传统通信比较 |
| 5 结语 |
（3）大数据背景下健康保险动态定价机制研究——基于变换的隐马尔可夫模型（论文提纲范文）
| 一、引 言 |
| 二、模型的构建 |
| 三、模型的解析 |
| (一)观测序列估值问题 |
| (二)状态序列解码问题 |
| (三)训练样本学习问题 |
| 四、基于奖惩机制的健康保险动态定价 |
| (一)应用场景 |
| (二)动态定价解析 |
| (三)结论分析 |
| 五、结 语 |
（4）语音识别系统在山西方言中的实现与应用（论文提纲范文）
| 1 引言 |
| 2 山西方言概括 |
| 2.1 山西方言的作用 |
| 2.2 山西方言的特色 |
| 2.3 当前研究方言现状与应用 |
| 2.3.1 研究现状 |
| 2.3.2 应用 |
| 3 山西方言语音识别概括 |
| 3.1 语音识别原理 |
| 3.2 预处理 |
| 3.3 特征参数 |
| 3.4 声学模型 |
| 3.5 语言模型 |
| 4 HTK工具基本介绍 |
| 5 方言语音识别的设计与实现 |
| 5.1 语音库建立 |
| 5.1.1 科学的划分区域 |
| 5.1.2 音语料的设计 |
| 5.1.3 注 |
| 5.2 特征参数提取 |
| 5.3 模型训练 |
| 5.4 模式识别与分析 |
| 5.6 实验结果分析 |
| 6 结语 |
（5）隐马尔可夫模型的构建及实现（论文提纲范文）
| 1 隐马尔可夫模型的建立 |
| 1.1 建立训练数据集 |
| 1.2 观测概率矩阵 |
| 1.3 状态转换概率矩阵 |
| 1.4 初始状态概率矩阵 |
| 1.5 隐马尔可夫模型的创建 |
| 2 隐马尔可夫模型的3个基本问题 |
| 2.1 概率计算问题 |
| 2.2 预测问题 |
| 3 结语 |
（6）基于HMM模型的车辆状态评估（论文提纲范文）
| 0 引言 |
| 1 隐马尔科夫模型 |
| 2 HMM模型训练 |
| 2.1 特征参数提取 |
| 2.2 训练和评估 |
| 3 试验测试及分析 |
| 3.1 测试方案 |
| 3.2 训练 |
| 3.3 结果分析 |
| 4 结论 |
（7）基于人工智能算法的优选时间序列数据模型设计（论文提纲范文）
| 1时间序列分析中的人工智能模型基本原理 |
| 1.1隐马尔可夫模型 |
| 1.2自回归移动平均模型 |
| 1.3人工神经网络模型 |
| 2基于各类模型的时间序列数据分析 |
| 2.1隐马尔可夫模型时间序列数据 |
| 2.2自回归移动平均模型时间序列数据 |
| 2.3人工神经网络模型时间序列数据 |
| 3模型对比与选择 |
| 4真实数据下的时间序列模型实证研究 |
| 5结语 |
（8）基于HMM算法的英语形音匹配可视分析（论文提纲范文）
| 0 引 言 |
| 1 相关工作 |
| 1.1 英语发音 |
| 1.2 可视化分析 |
| 1.3 Hidden Markov Model(HMM)算法 |
| 1.4 数据降维方法 |
| 2 数据处理流程 |
| 2.1 字素音素分解流程 |
| 2.2 HMM窗口处理 |
| 3 可视化分析 |
| 3.1 窗口大小解析 |
| 3.2 发音规律分析 |
| 3.3 字素稳定性分析视图 |
| 3.4 字素词云分析视图 |
| 3.5 字素模式关联图 |
| 3.6 字素模式对比图 |
| 3.7 可视化交互 |
| 4 案例分析 |
| 4.1.1 纵览字素 |
| 4.1.2 模式分析 |
| 4.2 案例2:多字素发音模式对比 |
| 5 用户反馈 |
| 5.1 系统设计 |
| 5.2 可视与交互设计 |
| 6 结 语 |
（9）基于高斯混合-隐马尔可夫模型的特种设备敲击检测（论文提纲范文）
| 1 隐马尔可夫语音识别理论 |
| 2 敲击检测系统及信号采集 |
| 2.1 模拟试件与敲击检测系统 |
| 2.2 敲击信号预处理 |
| 3 敲击信号的频谱分析 |
| 3.1 构件缺陷与敲击声信号的相关性 |
| 3.2 敲击信号的互相关分析 |
| 3.3 MFCC特征集 |
| 4 缺陷识别模型搭建与试验结果分析 |
| 4.1 GMM-HMM模型搭建 |
| 4.2 GMM-HMM模型改进 |
| 4.2.1 二元信息融合+互相关性反向决策 |
| 4.2.2 二元信息融合+噪声泛化 |
| 5 结论 |
（10）新工科视域下语音识别声学模型的设计实验（论文提纲范文）
| 一、预备知识 |
| （一）HMM在语音识别领域的地位 |
| （二）HTK语音识别系统的体系结构 |
| （三）HTK工具 |
| 二、准备阶段 |
| （一）实验环境 |
| （二）语料库与HMM模型参数 |
| 三、隐马尔科夫模型设计实验 |
| （一）13维语音特征MFCC参数 |
| （二）26维语音特征MFCC参数 |
| （三）39维语音特征MFCC参数 |
| （四）实验总结 |
| 四、结论 |
四、隐马尔可夫模型在语音识别中的应用（论文参考文献）
- [1]基于隐马尔可夫模型的物联网终端语音身份动态识别方法[J]. 郭霏霏. 上海电机学院学报, 2021(06)
- [2]马尔可夫过程在通信物理层中的智能化应用[J]. 张蒙. 舰船电子工程, 2021(12)
- [3]大数据背景下健康保险动态定价机制研究——基于变换的隐马尔可夫模型[J]. 完颜瑞云,周曦娇,陈滔. 保险研究, 2021(10)
- [4]语音识别系统在山西方言中的实现与应用[J]. 余本国,郇晋侠,刘晓峰,高伟涛. 计算机与数字工程, 2021(10)
- [5]隐马尔可夫模型的构建及实现[J]. 刘辉. 上海电力大学学报, 2021(05)
- [6]基于HMM模型的车辆状态评估[J]. 刘旭. 廊坊师范学院学报(自然科学版), 2021(03)
- [7]基于人工智能算法的优选时间序列数据模型设计[J]. 郑丹. 九江学院学报(自然科学版), 2021(03)
- [8]基于HMM算法的英语形音匹配可视分析[J]. 段青青. 计算机应用与软件, 2021(08)
- [9]基于高斯混合-隐马尔可夫模型的特种设备敲击检测[J]. 余焕伟,陈仙凤,朱先华,赵星波,杜锡勇. 无损检测, 2021(08)
- [10]新工科视域下语音识别声学模型的设计实验[J]. 蒋正锋,李海强. 高教学刊, 2021(21)