從 HMM-GMM 中的語音識別論文中理解變量

Question

我正在閱讀 Mark Gales 和 Steve Young 關於使用 HMM-GMM 進行語音識別的論文。 在第 205 頁第二段中，寫道：

"對於每個話語 Y ^(r) , r = 1, . . , R, 長度為 T ^(r)的基本形式序列, HMMs 對應於話語中的詞序列, 和相應的復合 HMM構造“

沒看清楚什么是Y ^(r)和Tsup>(r)？ 有人可以澄清一下嗎？ 我不明白r和R代表什么？

同樣在這篇題為： A Parallel Implementation of Viterbi Training for Acoustic Models using Graphics Processing Units 的論文中，作者在第 2.1 節提到：

" Given a set of training observations Osup>(r), 1 ≤ r ≤ R and an HMM state sequence 1 < j < N the observations sequence is aligned to the state sequence via Viterbi alignment. "

我知道這兩個句子是相似的，但在上面的論文中我也不明白r和R是什么。

Answer 1

在 HMM 中，您有時間序列的觀察結果。 語音識別是一項特殊的任務，因為觀察長度不是固定的而是可變的。

據我了解，觀察 Y(r) 給出為：

Y(r) = {Y_0, Y_1, Y_2, ..., Y_R}，因此 r 是 r = 0, 1, ..., ZE1E1D3D40573127E9EE0480CAF1 的索引。

在這種情況下，r 是觀察計數，R 是最后一個觀察。