隐马尔科夫模型

HMMS

隐马尔科夫模型

用在语音信号方面的,是为了分析语音信号而提出的一个算法模型.在语音信号处理上用的比较多

隐马尔可夫模型（HMMs）是对语音信号的时间序列结构建立统计模型，可将之看作一个数学上的双重随机过程：一个是用具有有限状态数的Markov链来模拟语音信号统计特性变化的隐含的随机过程，另一个是与Markov链的每一个状态相关联的观测序列的随机过程。前者通过后者表现出来，但前者的具体参数是不可测的。人的言语过程实际上就是一个双重随机过程，语音信号本身是一个可观测的时变序列，是由大脑根据语法知识和言语需要(不可观测的状态) 发出的音素的参数流。可见HMM合理地模仿了这一过程，很好地描述了语音信号的整体非平稳性和局部平稳性,是较为理想的一种语音模型。从整段语音来看，人类语音是一个非平稳的随机过程，但是若把整段语音分割成若干短时语音信号，则可认为这些短时语音信号是平稳过程，我们就可以用线性手段对这些短时语音信号进行分析。若对这些语音信号建立隐马尔可夫模型，则可以辩识具有不同参数的短时平稳的信号段，并可以跟踪它们之间的转化，从而解决了对语音的发音速率及声学变化建立模型的问题。

HMMS

HMMS(HyperMedia Management Schema) WBEM的一部分

是一种可扩展的，独立于实现的公共数据描述模式。它能够描述，实例化和访问各种数据，是对各种被管对象的高层抽象。它由核心模式和特定域模式两层构成，核心模式由高层的类以及属性 关联组成、将被管理环境分成被管系统元素、应用部件和网络部件。特定域模式继承了核心模式，采用其基本的语义定义某一特定环境的对象。