王钧

【摘 要】由于鉴别式训练的效果优越，于是出现使用鉴别式训练法则进行转换矩阵调适，称为最小分类错误率线性回归调适算法。我们认为使用最小分类错误率准则进行线性回归调适时，若能再进一步考虑线性回归矩阵之事前概率分布，则可以结合贝氏法则之强健性与最小分类错误率之鉴别性，以估测出更佳之转换矩阵用于语者调适上。透过聚焦事后概率与鉴别式训练间之关连及适当之条件简化，则可得到参数更新之封闭解型式以加速鉴别式训练的参数估测。

【关键词】线性；矩阵；事后概率；计算

一、绪论

一般化最小错误率（generalized minimum error rate，GMER），由事后概率的角度出发，定义聚焦事后概率（aggregate a posteriori，AAP），并将事后概率改写为具鉴别性形式的误辨率（misclassification measure）函式。在训练模型参数上，不使用一般的广义概率递减法则（generalized probabilistic descent，GPD），透过一些条件假设，即可推导出模型参数估测的封闭解形式。在语者调适的研究上，最广为使用的有最大相似度线性回归（maximum likelihood linear regression，MLLR）调适与最大事后概率调适两大类方法。在本研究中我们将使用前者作为调适的主要架构，透过所估测出之线性回归矩阵对语音模型参数进行调适。由于考虑到使用语料量稀少易造成調适效果失准的情况，引入线性转换矩阵之事前分布信息，以强健化调适效能外，也将由鉴别式训练之角度出发，尝试找出不同于传统以贝氏法则为准之最大化。聚焦事后概率线性回归（aggregate a posteriori linear regression，AAPLR）算法。故我们会针对文献中所提过之以线性回归为主之调适算法作回顾。……