５．４．１ 通道錯誤的三種補償方式

在這一節當中，我們將介紹三種錯誤補償的機制。其中前兩種－－

基於音框的消去法（Frame-Based Deletion）和基於音框的外插法

（Frame-Based Extrapolation），是對音框所取出的整個特徵向量 進行補償（因為補償的對象是從音框所取出的特徵向量，所以名曰

“基於音框”）【２】，另一種方式－－基於子特徵向量的外插法 (Sub-Vector Based Extrapolation)，是對發生錯誤的子特徵向量 進行補償（因為補償的對象是子特徵向量，故名曰“基於子特徵向 量”）。在本章一開頭我們就說過，假設我們可以正確的偵測出位 元串流中發生錯誤的地方，那麼我們就可以知道發生錯誤的位元是 位在那一個音框所取出的特徵向量中，或是進一步知道這個位元是 在那一個子特徵向量中，此時，系統便可以宣告某個音框、或是某 個子特徵向量發生錯誤；接著，我們就可以利用三種錯誤補償的機 制，對發生錯誤的特徵向量、或是發生錯誤的子特徵向量進行補償

，最後再以補償後產生的新特徵向量來進行語音辨識的工作。以上 所述的實驗過程就如圖５．９所述。

子特徵向量Ｋ

．．．

E ．．

．．

特徵向量Ｎ

宣告發生音框錯誤 宣告發生子特徵向量錯誤

對特徵向量Ｎ進行補償

，得到新特徵向量Ｎ′

對子特徵向量Ｋ進行補償，得到 新子特徵向量Ｋ′，其他子特徵向 量不變，得到新特徵向量Ｎ′

音節辨識

圖５．９　通道錯誤之補償機制

●基於音框的消去法（Frame-Based Deletion）

簡單來說，消去法就是：對於受到通道錯誤影響的音框，忽略不看

，只看沒有通道錯誤的音框。其理論基礎是根據模糊特徵理論

（Missing Feature Theory）【１２】【１３】。以下是相關的推導：

一．在第三章的地方有提到，對於隱藏式馬可夫模型而言，必須要 建立三組參數：起始機率、轉移機率、狀態輸出函數。若我們 以λ表示隱藏式馬可夫模型，以Ａ表示轉移機率，以Ｂ表示狀 態輸出函數，以π表示起始機率，那麼給定一個隱藏式馬可夫

模型，觀察到一連串的特徵向量Ｏ＝｛ｏ^１，ｏ^２，．．．，ｏ^Ｎ｝

∫ b

( o

) ^d o

= 1

由於在維特比搜尋（Viterbi Search）中，轉移機率的重要性遠比 狀態輸出函數來得小，因此我們可以令（５－１７）中的

ａ^{ｑ(ｌ－１)ｑｌ}＝１，那麼（５－１７）所得到的結果，就只是將發生錯

誤的ｏ^ｌ刪去，用其他正確的向量去做辨識罷了。

●基於音框的外插法（Frame-Based Extrapolation）

觀察從每個音框中所取出的特徵向量，可以發現有一個特性：相鄰 的幾個特徵向量通常變化不大；這代表相鄰的幾個向量具有相關性

。因此，我們可以利用這個性質，對有錯誤的特徵向量進行補償。

我們選擇的方式是外插法：外插法是利用之前所接收到的特徵向量

，經過線性組合後得到新的特徵向量，然後用此新的特徵向量代替

是：

一．先計算出前五個收到的特徵向量的平均向量;

二．決定一個遺忘常數（Forgetting Factor）δ，

其中０≦δ≦１，

則新的特徵向量

＝ 前五個特徵向量的平均 × （１-δ）

＋ 前一個特徵向量的平均 × δ

由於前一個特徵向量與現在接收到的特徵向量相關性較大，因此我 們將δ設為０．９。

●基於子特徵向量的外插法（Sub－Vector Based Extrapolation）

當無線通道有雜訊干擾時，位元串流中發生錯誤的地方可能只是特 徵向量中的某一部分，其他的部分仍然是沒有出錯的，如果我們對 整個特徵向量做補償，那麼我們會修改到沒有發生錯誤的地方。因 為沒有發生錯誤的地方是可信的部分，或許我們可以想辦法保留這 個部分，只對有出錯的地方做補償。

在５．４一開頭我們就有提到，我們假設保護位元用的編碼可以正