1. 从前一单元开始的前面路径的概率forward [t-1, i] ；

2. 从前一状态i到当前状态i的转移概率a ij；

3. 当前状态j与观察符号t匹配的观察似然度b jt。对于在这里考虑的加权自动机来说，如果观察符号与状态相匹配，则b jt为1，否则为0。

图2 在连续语音识别中发现最优状态序列的Viterbi算法，为简单起见，使用音子作为输入。给出音子的观察序列和加权自动机（状态图），算法返回具有最大概率的自动机的路径，并且接收观察序列。a[S,S']表示从当前状态s到下一个状态s'的转移概率，b[S'，Ot]表示对于给定的Ot，s'的观察似然度。对于这里考虑的加权自动机，如果观察符号与状态匹配，b[S', Ot]为1，否则为0

在图3 中，在输入n这一列，每个单词都以[n]开头，因此在状态为n的单元内，每个单元都具有非零概率。在这一列中的其他单元的项目为零，因为它们的状态与n不匹配。当我们向前进入下一列时，每个与iy匹配的单元的值等于前一个单元的内容乘以从前一单元到这一单元的转移概率。这样，单词new的状态iy的viterbi [2, iynew]值等于new的“单词概率”乘以new在这个位置的发音为元音iy的概率。注意，如果只是看iy这一列，单词need就是当前具有“最大概率”的单词。但是，如果继续向前移动，进入最后一列，取得最后胜利的将是单词new,因为need进入end的转移概率最小（等于0.11），而new进入end的转移概率为1.0。现在我们可以跟随返回指针，回溯并找到最后概率为0.00036的路径，从而判断单词new取得最后胜利。

图3 Viterbi算法在单独的状态列中的各个项目。每个单元保持了在当前情况下的最好路径的概率以及沿着这条路径指向前一个单元的指针。从最后状态end回溯，可以重建达到最好的单词new的状态序列nnew iynew

责任编辑：admin