隐马尔可夫模型阈值

我已经开发出了使用mfcc和隐马尔可夫模型进行声音识别的概念验证系统。当我在已知声音上测试系统时，它会提供令人鼓舞的结果。尽管系统在输入未知声音时返回的结果具有最接近的匹配结果，并且得分的差异并不明显，但它是未知声音，例如：

我训练了3种隐藏式马尔可夫模型，一种用于讲话，一种用于从水龙头出来的水，另一种用于敲打桌子。然后，我对它们进行了看不见的数据测试，并得到以下结果：

input: speech
HMM\knocking:  -1213.8911146444477
HMM\speech:  -617.8735676792728
HMM\watertap:  -1504.4735097322673

So highest score speech which is correct

input: watertap
HMM\knocking:  -3715.7246152783955
HMM\speech:  -4302.67960438553
HMM\watertap:  -1965.6149147201534

So highest score watertap which is correct

input: knocking
HMM\filler  -806.7248912250212
HMM\knocking:  -756.4428782636676
HMM\speech:  -1201.686687761133
HMM\watertap:  -3025.181144273698

So highest score knocking which is correct

input: unknown
HMM\knocking:  -4369.1702184688975
HMM\speech:  -5090.37122832872
HMM\watertap:  -7717.501505674925
Here the input is an unknown sound but it still returns the closest match as there is no system for thresholding/garbage filtering.

我知道在关键字中发现OOV（词汇量不足）的声音可以使用垃圾模型或填充物模型过滤掉，但是它说它是使用有限的一组未知词进行训练的，因此无法像我一样将其应用于我的系统还不知道系统可能会录制的所有声音。

语音识别系统中如何解决类似的问题？我该如何解决我的问题以避免误报？

很好的问题！

如您所述，使HMM给出“我不知道”（我们称其为OOV）答案的唯一方法是给它一个特殊的状态，因为它始终输出模型下可能性最高的状态。所以，你必须确保OOV具有较高下的可能性每个输入不是speech，watertap或knocking。

简短的答案是这是不可能的。因为HMM不是绝对模式识别器。它仅比较模型下输出的可能性，并在上下文中对其进行训练。

想想输入，这将是speech和knocking在同一时间。HMM最有可能在这两种状态之间“犹豫”，因为此输入具有每种功能。最后，它将输出其中之一，但是输出OOV的可能性很小。在发现关键字的情况下，我的猜测是您会找到聪明的输入，这些输入会始终欺骗他们的HMM。然而，作者可能知道期望输入什么，并且他们选择了未知单词的有限列表，因此这些有毒输入很少见。

我建议您也这样做。考虑一下将要使用HMM并在要消除的最常见输入上训练OOV状态的情况。您甚至可以想到具有多个OOV状态。

这在手势识别领域有点普遍。答案是创建一个阈值模型，如Lee和Kim（1999）的论文所述。

它的作用与填充模型或垃圾模型相同，但不需要像您所说的那样单独进行训练。您可以通过从其他型号连接所有自过渡态与统一的概率初始化的过渡，完全连接这些州创建一个阈值模型。请在纸上看一看，看看如何实际完成。

即使您的库不支持遍历模型，也不应阻止您手动创建所需大小的模型并相应地设置状态。如果您真的想要一个库，则例如，Accord.NET Framework中提供了隐马尔可夫模型分类器的实现，包括对阈值模型的支持。

免责声明：我是这个库的作者。

因此，我要做的是：我创建了填充模型的简化版本。代表敲击声，敲打声和言语声的每个hmm是单独的6状态hmm，分别由来自30、50、90个声音的训练集中的声音进行训练，声音的长度分别为0.3秒至10秒。然后，我创建了一个填充器模型，该模型是1状态hmm，包括用于敲打，敲打和讲话的所有训练集声音。因此，如果给定声音的hmm模型得分大于填充者的得分，则声音将被识别，否则为未知声音。我确实没有大量数据，但是我对以下问题进行了以下测试：针对看不见的声音的误报排除和真正拒绝。

true positives rejection
knocking 1/11 = 90% accuracy
watertap 1/9 = 89% accuracy
speech 0/14 = 100% accuracy


false positives rejection
Tested 7 unknown sounds
6/7 = 86% accuracy

因此，从这个快速测试中，我可以得出结论，尽管我感到奇怪，这种方法可能还不够，但该方法给出了合理的结果。