一种非时齐的隐马尔科夫模型及其在音字转换中的应用

摘要

隐马尔科夫模型是当今应用最广泛的语言模型之一.为了提高模型的描述能力,通常模型中的"有限历史假设"被扩展,得到高阶的隐马尔科夫模型.然而高阶模型的参数空间增长过快,面临数据稀疏、系统资源过度消耗等问题,影响了模型的进一步应用.本文从另一个角度入手,扩展隐马尔科夫模型的"时齐性假设",引入时间信息,构造了一种非时齐的隐马尔科夫模型.本文具体讨论了时间信息的定义及其应用方式,分析了算法的空间复杂度,并将这种技术应用到音字转换领域.实验表明,同标准隐马尔科夫模型相比,本文的技术有效地降低了音字转换系统的错误率,同时避免了系统参数空间的过快增长.这说明,本文这种引入时间信息的方法能够有效地提高语言模型的描述能力,增强其应用效果.