摘  要： 針對(duì)Baum-Welch算法依賴于初始值的選取而容易陷入局部最優(yōu)解的問(wèn)題，基于全局優(yōu)化的思想，提出了一種改進(jìn)的HMM語(yǔ)音識(shí)別算法。該算法將遺傳算法應(yīng)用到HMM模型訓(xùn)練中，得到了全局最優(yōu)解。實(shí)驗(yàn)結(jié)果表明，所提出的算法使用有效，識(shí)別率顯著提高。
關(guān)鍵詞： 遺傳算法；HMM模型；語(yǔ)音識(shí)別

　近年來(lái)，隨著語(yǔ)音識(shí)別技術(shù)的不斷發(fā)展，語(yǔ)音識(shí)別系統(tǒng)的性能不斷提高，隱馬爾可夫模型方法是當(dāng)中的一個(gè)主要識(shí)別方法。語(yǔ)音識(shí)別系統(tǒng)的識(shí)別率十分依賴于模型的訓(xùn)練，而經(jīng)典的訓(xùn)練算法（Baum-Welch算法）有一個(gè)致命的弱點(diǎn)，即最終所得的解十分依賴于初始值的選取，所以總是局部最優(yōu)解，影響了整個(gè)系統(tǒng)的識(shí)別率。本文將遺傳算法植入HMM模型參數(shù)的優(yōu)化當(dāng)中，使得整個(gè)語(yǔ)音識(shí)別系統(tǒng)的識(shí)別效果大大改善。
1 遺傳算法
　遺傳算法將自然界的生物進(jìn)化原理引入待優(yōu)化參數(shù)形成的編碼串聯(lián)群體中，按所選擇的適應(yīng)度函數(shù)通過(guò)遺傳中的復(fù)制、交叉及變異對(duì)個(gè)體進(jìn)行篩選，使得適應(yīng)度高的個(gè)體被保留下來(lái)，組成新的群體。通過(guò)不斷迭代，保留下的個(gè)體適應(yīng)度不斷提高，直到滿足一定的條件。從數(shù)學(xué)的角度解釋，可以簡(jiǎn)單地認(rèn)為，基因重組使子代基因趨向于局部最優(yōu)解，而基因變異能使子代基因突破局部范疇，經(jīng)過(guò)多代的交叉和變異，達(dá)到全局最優(yōu)解。
　根據(jù)待優(yōu)化問(wèn)題的數(shù)學(xué)模型，定義適應(yīng)度函數(shù)F（ai），其中ai為其中的一條染色體，則F（ai）就是判斷該染色體優(yōu)劣的依據(jù)。對(duì)于每一代基因，計(jì)算所有染色體的適應(yīng)度函數(shù)，進(jìn)行排序，選擇一定數(shù)目的優(yōu)秀染色體，用于產(chǎn)生子代的父代樣本。
　復(fù)制操作只能從舊種群中選擇出較優(yōu)秀的染色體，但是不能創(chuàng)造出新的染色體。交叉操作模擬了生物進(jìn)化過(guò)程中的交配過(guò)程，通過(guò)兩條染色體的分離重組，產(chǎn)生新的優(yōu)良物種。圖1為多點(diǎn)交叉重組的示意圖。交叉過(guò)程為：在匹配池中任選兩條染色體，隨機(jī)選擇一點(diǎn)或多點(diǎn)交換點(diǎn)，然后交換雙親染色體交換點(diǎn)右邊的部分，即可得到兩條新的子代染色體。
　最佳基因是在一代一代的基因重組和基因變異中產(chǎn)生的。基因突變用來(lái)模擬生物在自然的遺傳環(huán)境中由于各種偶然因素引起的變異突變，它以很小的概率隨機(jī)地改變?nèi)旧w編碼串中的某一位。變異算法有利于局部最優(yōu)處跳出，防止算法過(guò)早地收斂。
　遺傳算法的具體實(shí)現(xiàn)步驟如下：
　（1）隨機(jī)產(chǎn)生最初的染色體群體p={a1，a2，…，aL}，ai為其中的一條染色體。
?。?）計(jì)算各個(gè)染色體的適應(yīng)度函數(shù)F（ai），并對(duì)適應(yīng)度函數(shù)F（ai）進(jìn)行排序，根據(jù)設(shè)定的門限選取一定數(shù)目的優(yōu)秀染色體作為產(chǎn)生子代染色體的父代樣本。
?。?）以一點(diǎn)或多點(diǎn)交叉產(chǎn)生新的子代染色體，交叉點(diǎn)隨機(jī)生成。
?。?）設(shè)定變異概率門限，根據(jù)生成的隨機(jī)數(shù)決定染色體中的某個(gè)變量是否有突變發(fā)生。
2 HMM說(shuō)話人識(shí)別系統(tǒng)
　識(shí)別主要有兩個(gè)任務(wù)：一個(gè)是對(duì)每個(gè)HMM模型的訓(xùn)練，也就是計(jì)算HMM參數(shù)；另一個(gè)是識(shí)別任務(wù)，也就是已知了參考模型的HMM參數(shù)，決定未知模式與哪個(gè)參考模式是最佳匹配。訓(xùn)練采用Baum-Welch算法，識(shí)別采用Viterbi算法。


4 實(shí)驗(yàn)結(jié)果分析
　實(shí)驗(yàn)基于HMM進(jìn)行語(yǔ)音識(shí)別，訓(xùn)練數(shù)據(jù)取自10人，在不同SNR下獲取語(yǔ)音數(shù)據(jù)，時(shí)間長(zhǎng)度為5 s，采樣率為8 kHz，A/D轉(zhuǎn)換精度為16 bit，單聲道。遺傳算法的優(yōu)化過(guò)程中適應(yīng)度函數(shù)F的變化過(guò)程如圖3所示。語(yǔ)音識(shí)別系統(tǒng)識(shí)別結(jié)果如表1所示。

　表1中，系統(tǒng)I為基于HMM的語(yǔ)音識(shí)別系統(tǒng)，系統(tǒng)II為基于遺傳算法改進(jìn)的HMM語(yǔ)音識(shí)別系統(tǒng)。從實(shí)驗(yàn)結(jié)果可以看出，基于遺傳算法改進(jìn)的HMM模型對(duì)語(yǔ)音識(shí)別率有較大改善，平均提高了4~5個(gè)百分點(diǎn)。
　本應(yīng)用基于HMM語(yǔ)音識(shí)別算法，結(jié)合遺傳算法進(jìn)行HMM模型訓(xùn)練并將其應(yīng)用于到語(yǔ)音識(shí)別中。經(jīng)過(guò)實(shí)際驗(yàn)證，計(jì)算簡(jiǎn)單，效果好，基本達(dá)到了設(shè)計(jì)目的和現(xiàn)實(shí)要求。
參考文獻(xiàn)
[1] 張思才，張方曉.一種遺傳算法適應(yīng)度函數(shù)的改進(jìn)方法[J].計(jì)算機(jī)應(yīng)用與軟件，2011，23（2）：108-110.
[2] MANIEZZO V. Genetic evolution of the topology and weight distribution of neural networks[J]. IEEE Transactions on Neural Networks， 1994， 5（6）：900~909.
[3] TERASHIMA R， YOSHIMURA T， WAKITA T． Prediction method of speech recognition performance based on HMM-based speech synthesis technique[J]． IEEE Transactions on Electronics， Information and Systems，2010，130： 557-564．
[4] 胡廣書. 現(xiàn)代信號(hào)處理教程[M].北京：清華大學(xué)出版社，2004.