SVM-HMM和基于糾錯反饋驅(qū)動學習方法在漢語韻律短語預測中的研究與實現(xiàn).pdf

1、隨著計算機技術(shù)的快速發(fā)展，語音合成技術(shù)也得到快速的發(fā)展并逐步滲透到社會生活的各個領(lǐng)域。但現(xiàn)階段漢語語音合成中還存在一些問題，主要體現(xiàn)在輸出語音的可懂度和自然度上。本文在對漢語韻律結(jié)構(gòu)層級、聲學特性以及目前最常用的幾種漢語韻律短語預測機器學習方法調(diào)研的基礎上，提出了一種基于支持向量機和隱馬爾科夫混合模型（Support Vector Machine and Hidden Markov Model，SVM-HMM）的韻律短語邊界預測方法；與

2、此同時，為了進一步提高漢語韻律短語邊界的準確度，本文還引入了一種基于糾錯反饋驅(qū)動的學習方法來作為SVM-HMM模型的后處理方法，并實現(xiàn)了一個全自動的漢語韻律短語邊界預測及標注系統(tǒng)?，F(xiàn)階段，在漢語韻律短語邊界預測任務中廣泛應用的統(tǒng)計模型為隱馬爾科夫模型、最大熵馬爾科夫模型以及條件隨機場模型。其中最為成功的統(tǒng)計模型為條件隨機場模型。本文所采用的SVM-HMM模型結(jié)合了支持向量機模型和隱馬爾科夫模型各自的優(yōu)點，同時克服了隱馬爾科夫模型中的嚴格

3、獨立假設和難以引入任意特征等問題。和傳統(tǒng)的機器學習方法相比，該模型僅用有限的訓練數(shù)據(jù)進行訓練就能夠取得較好的預測效果。當前，SVM-HMM模型已經(jīng)被應用在一些自然語言處理問題中，如：詞性標注，漢語切分等。本文首次將支持向量機和隱馬爾科夫的混合模型應用在漢語韻律短語邊界預測任務中，并通過實驗表明，在使用相同特征模板的情況下，SVM-HMM模型稍優(yōu)于條件隨機場，和最大熵馬爾科夫相比更適合于漢語韻律短語的預測。
　　 通過對SVM-H

4、MM模型在漢語韻律短語預測實驗結(jié)果的分析可知，單純利用SVM-HMM模型的方法來預測韻律短語邊界信息會帶來一些很明顯的錯誤。而這種錯誤的結(jié)果是由于系統(tǒng)在訓練學習時的一些固定模式所導致的結(jié)果，因此為了進一步提高韻律短語邊界預測的準確度，本文提出了一種基于糾錯反饋驅(qū)動的學習方法(Transformation-baseed Error-Driven Learning Method，TBL)來對SVM-HMM標注模塊所標注結(jié)果的錯誤部分進行了后