单状态基因克隆HMM语音训练算法-计算机工程与应用.PDF

Computer Engineering and Applications 计算机工程与应用 2011 ，47 （3） 113 ⦾数据库、信号与信息处理⦾ 单状态基因克隆HMM 语音训练算法 杨笔锋，张英杰 YANG Bifeng ，ZHANG Yingjie 湖南大学 计算机与通信学院，长沙 410082 School of Computer Communication ，Hunan University ，Changsha 410082 ，China E-mail ：yangbifeng2004@163.com YANG Bifeng ，ZHANG Yingjie.Speech training algorithm based on HMM of single state gene cloning.Computer Engi- neering and Applications ，2011 ，47 （3 ）：113-116. Abstract ：The classical Baum Welch algorithm for Hidden Markov Model （HMM ）training is easily trapped in local opti- mum.To this question ，this paper proposes a gene cloning Baum Welch algorithm.When the result of Baum Welch algorithm changes less than 10－3 ，based on current local optimized parameters matrix B ，it executes the gene cloning operator to get op- timized HMM parameters matrix B .At last ，the probability of voice templates of Baum Welch algorithm output is improved. Experimental results show that the template probability of new algorithm is greater than the classic Baum Welch algorithm ， and the new training template is better than Baum Welch algorithm ’s. Key words ：speech training ；Hidden Markov Model （HMM ）；Baum Welch algorithm ；gene cloning 摘 要：针对用于隐马尔科夫模型（HMM ）训练的经典Baum Welch 算法容易陷入局部最优解这一问题，提出基因克隆的Baum Welch 算法。该算法在Baum Welch 算法迭代计算到10－3 以内不再改变的情况下，在当前已获得局部最优参数B 矩阵的基础上， 执行基因克隆算子，获得优化的HMM 的B 参数，进一步提升Baum Welch 算法语音模板的输出概率。实验结果表明：该算法模 板计算概率大于经典的Baum Welch 算法，获得了比Baum Welch 算法更优的训练模板。 关键词：语音训练；隐马尔科夫模型；Baum Welch 算法；基因克隆 DOI ：10.3778/j.issn. 1002-8331.2011.03.034 文章编号：1002-8331（2011 ）03-0113-04 文献标识码：A 中图分类号：TN912.3 1 引言 种基于最大似然估计（ML ）的模型训练方法，它对初始参数的 隐马尔科夫模型（HMM ）的出现是语音识别历史上的一 选择依赖大，容易陷入局部最优解。近年来出现了各种智能 个重大转折点，它标志着语音识别算法从模式匹配技术转向 优化算法和Baum Welch 算法相结合的训练算法，目的是扩大 基于统计模型的技术，更多地追求从整体的角度来建立最佳 搜索范围，避免陷入局部最