Li Kang 笔记本

1. 噪声集The QUT-NOISE dataset， Café，Car，Home，Reverb，Street，约12小时数据，其中reverbe_pool可以删除。Environmental Background Noise dataset， Babble，Car，Machinery，约30秒一条，一共253条noise set from the MUSAN corpus 长短不一，各...

隐马尔可夫模型是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。隐马尔可夫链随机生成的状态的序列，称为状态序列（state sequence);每个状态生成一个观测，而由此产生的观测的随机序列，称为观测序列（observation sequence)。序列的每一个位置又可以看作是一个时刻。

隐马尔可夫模型的学习，根据训练数据是包括观测序列和状态序列还是只有观测序列，可以分别由监督学习与非监督学习实现。由于监督学习需要使用训练数据，而人工标注训练数据往往代价很高，有时就会利用非监督学习的方法，即Baum-Welch算法（也就是EM算法)。在介绍学习算法之前，先介绍一些概率和期望值的计算。这些计算会成为Baum-Welch算法公式的基础。

HTK3.5支持DNNHTK3.5支持DNN了，本来想做一个HMM+DNN的模型，作为HMM+GMM的对比。但是HTK不支持实时的HMM+DNN解码。原因有两个。HTK不支持实时的计算MFCC_0_D_A_Z的特征，即无法实时计算出特征空间的均值。HTK不支持实时的DNN或者HMM+DNN的解码。所以只能做离线的演示。为了学习HVITE的细节，我决定将HVITE工具单独编译。HTK的...