语音合成与识别

开发平台：

Matlab

hmm_cl.m：源码内容

							% function [lik,likv]=hmm_cl(X,T,K,Mu,Cov,P,Pi);
% 
% Calculate Likelihood for Hidden Markov Model 
%
% X - N x p data matrix
% T - length of each sequence (N must evenly divide by T, default T=N)
% K - number of states
% Mu - mean vectors
% Cov - output covariance matrix (full, tied across states)
% P - state transition matrix
% Pi - priors
%
% lik - log likelihood of X 
% likv - vector of log likelihoods of each sequence
%
% If 0 or 1 output arguments requested, lik is returned. If 2 output
% arguments requested, [lik likv] is returned.
%
function [lik,likv]=hmm_cl(X,T,K,Mu,Cov,P,Pi);
p=length(X(1,:));
N=length(X(:,1));
tiny=exp(-700);
if (rem(N,T)~=0)
  disp('Error: Data matrix length must be multiple of sequence length T');
  return;
end;
N=N/T;
alpha=zeros(T,K);
B=zeros(T,K);      % P( output | s_i) 
	
k1=(2*pi)^(-p/2);
Scale=zeros(T,1);
likv=zeros(1,N);
for n=1:N
  
  B=zeros(T,K); 
  iCov=inv(Cov);      
  k2=k1/sqrt(det(Cov));
  for i=1:T
    for l=1:K
      d= Mu(l,:)-X((n-1)*T+i,:);
      B(i,l)=k2*exp(-0.5*d*iCov*d');
    end; 
  end; 
  
  scale=zeros(T,1);
  alpha(1,:)=Pi(:)'.*B(1,:);
  scale(1)=sum(alpha(1,:)); 
  alpha(1,:)=alpha(1,:)/(scale(1)+tiny);
  for i=2:T
    alpha(i,:)=(alpha(i-1,:)*P).*B(i,:); 
    scale(i)=sum(alpha(i,:));
    alpha(i,:)=alpha(i,:)/(scale(i)+tiny);
  end;
  likv(n)=sum(log(scale+(scale==0)*tiny));
  Scale=Scale+log(scale+(scale==0)*tiny);
end;
lik=sum(Scale);

						