1. 從前一單元開始的前面路徑的概率forward [t-1, i] ；

2. 從前一狀態(tài)i到當(dāng)前狀態(tài)i的轉(zhuǎn)移概率a ij；

3. 當(dāng)前狀態(tài)j與觀察符號t匹配的觀察似然度b jt。對于在這里考慮的加權(quán)自動(dòng)機(jī)來說，如果觀察符號與狀態(tài)相匹配，則b jt為1，否則為0。

圖2 在連續(xù)語音識別中發(fā)現(xiàn)最優(yōu)狀態(tài)序列的Viterbi算法，為簡單起見，使用音子作為輸入。給出音子的觀察序列和加權(quán)自動(dòng)機(jī)（狀態(tài)圖），算法返回具有最大概率的自動(dòng)機(jī)的路徑，并且接收觀察序列。a[S,S']表示從當(dāng)前狀態(tài)s到下一個(gè)狀態(tài)s'的轉(zhuǎn)移概率，b[S'，Ot]表示對于給定的Ot，s'的觀察似然度。對于這里考慮的加權(quán)自動(dòng)機(jī)，如果觀察符號與狀態(tài)匹配，b[S', Ot]為1，否則為0

在圖3 中，在輸入n這一列，每個(gè)單詞都以[n]開頭，因此在狀態(tài)為n的單元內(nèi)，每個(gè)單元都具有非零概率。在這一列中的其他單元的項(xiàng)目為零，因?yàn)樗鼈兊臓顟B(tài)與n不匹配。當(dāng)我們向前進(jìn)入下一列時(shí)，每個(gè)與iy匹配的單元的值等于前一個(gè)單元的內(nèi)容乘以從前一單元到這一單元的轉(zhuǎn)移概率。這樣，單詞new的狀態(tài)iy的viterbi [2, iynew]值等于new的“單詞概率”乘以new在這個(gè)位置的發(fā)音為元音iy的概率。注意，如果只是看iy這一列，單詞need就是當(dāng)前具有“最大概率”的單詞。但是，如果繼續(xù)向前移動(dòng)，進(jìn)入最后一列，取得最后勝利的將是單詞new,因?yàn)閚eed進(jìn)入end的轉(zhuǎn)移概率最?。ǖ扔?.11），而new進(jìn)入end的轉(zhuǎn)移概率為1.0?，F(xiàn)在我們可以跟隨返回指針，回溯并找到最后概率為0.00036的路徑，從而判斷單詞new取得最后勝利。

圖3 Viterbi算法在單獨(dú)的狀態(tài)列中的各個(gè)項(xiàng)目。每個(gè)單元保持了在當(dāng)前情況下的最好路徑的概率以及沿著這條路徑指向前一個(gè)單元的指針。從最后狀態(tài)end回溯，可以重建達(dá)到最好的單詞new的狀態(tài)序列nnew iynew

責(zé)任編輯：admin