隐马尔可夫模型 (HMM) 是一种信号预测模型，已被用于预测经济状况和股票价格。 该项目旨在实现将机器学习算法应用于股票市场的目标。 长短期记忆模型（LSTM）保证了在新的时间状态下，随着隐藏层不断叠加输入序列，之前的信息可以继续向后传播而不会消失。我们的主要目的是通过预测一只股票的涨跌 使用 HMM-LSTM。 Experiment with 4 different models: GMM-HMM XGB-HMM GMM-HMM-LSTM XGB-HMM-LSTM Compared with the results: train_set

语音识别GMM-HMM 模型 语音识别发展 人工智能 ASR 传统结合

人体姿态识别在人机交互, 游戏以及医疗健康等领域有着深远意义, 基于便携式传感器进行多种人体姿态高精度的稳定识别是该领域的研究难点. 本文采集了8种姿态的高频传感器数据, 提取原始数据的窗口时域特征组成数据集. 根据人体姿态的传感器数据特点将人体姿态划分为4个阶段, 使用高斯混合模型(Gaussian Mixture Model, GMM)拟合人体姿态的观测序列, 结合隐马尔可夫模型(Hidden Markov Model, HMM), 利用GMM-HMM算法进行姿态识别. 本文对比了不同窗口值下的一阶隐马尔可夫模型(1 Order Hidden Markov Model, 1OHMM)和二阶隐马尔可夫模型(2 Order Hidden Markov Model, 2OHMM)的效果, 当窗口值为8时, 2OHMM的性能最优, 整体召回率达到了95.30%, 平均准确率达到了95.23%. 与其它研究相比, 本文算法能识别的姿态种类较多, 算法识别性能较佳且算法耗时较短.

在这个项目中，我们要处理使用EM算法训练GMM-HMM的孤立单词数据。 测试阶段也考虑使用维特比算法。 结果表明，通过Matlab 编程获得的性能与HTK 的性能相似。 在运行这些程序之前，请先准备好训练和测试数据。 TIDIGITS 数据库的摘录可以从这个链接获得： http://www.ece.ucsb.edu/Faculty/Rabiner/ece259/speech recognition course.html 标题为“隔离的 TI 数字训练文件，8 kHz 采样，终结点：(isolated_digits_ti_train_endpt.zip)”。 或者您可以直接从这个链接下载训练数据库的 .zip 文件： - 训练数据： http://www.ece.ucsb.edu/Faculty/Rabiner/ece259/speech recognition cours

用于隔离数字识别的简单GMM-HMM模型 简单的GMM和HMM模型的Python实现，用于隔离数字识别。 此实现包含3个模型： 单一高斯：使用具有对角协方差的单一高斯对每个数字进行建模。 高斯混合模型（GMM）：每个数字都是使用高斯混合模型来建模的，并通过扰动单个高斯模型进行初始化。 隐马尔可夫模型（HMM）：每个数字由包含N个状态的HMM建模，其中每个状态的发射概率是具有对角协方差的单个高斯分布。 免责声明：这是一个教育性的实现，预计不会有很高的性能。 安装 要安装使用： pip install git+https://github.com/desh2608/gmm-hmm-asr.git 要安装测试（用于开发）： git clone https://github.com/desh2608/gmm-hmm-asr.git cd gmm-hmm-asr && pip ins

近年来，随着社会生活水平的不断提高，人们对机器智能人声识别的要求越来越高。高斯混合—隐马尔可夫模型（Gaussian of mixture-hidden Markov model, GMM-HMM）是说话人识别研究领域中最重要的模型。由于该模型对大语音数据的建模能力不是很好，对噪声的顽健性也比较差，模型的发展遇到了瓶颈。为了解决该问题，研究者开始关注深度学习技术。引入了CNN深度学习模型研究连续语音说话人识别问题，并提出了CNN连续说话人识别（continuous speaker recognition of convolutional neural network, CSR-CNN）算法。模型提取固定长度、符合语序的语音片段，形成时间线上的有序语谱图，通过CNN提取特征序列，经过奖惩函数对特征序列组合进行连续测量。实验结果表明，CSR-CNN算法在连续—片段说话人识别领域取得了比GMM-HMM更好的识别效果。