.434 北京科技大学学报 第29卷 其中, v类中第k个样本在模型为入,时,t时刻处于状态 (02,,0= (iD(i× 的前向和后向概率,:()和:()分别为给定第 P(O入) p类中第k个样本在模型为入时,t时刻处于状态i CN(o…,) 的前向和后向概率。 Cin N(o.) 式(6)即为改进的HMM参数重估算法, 重新考虑式(3),当T∞时, (02,j,)= i)(i边× (M*A)= P(OI入) CN(o呢,,) 空空P%a)-P(o- g味原马) 为混合输出概率 当会nl)-当会nP(G)O (0%,i,j)=P(=i,+1=j0,入) 其中,A。={0lu=arg maxp(0|入),0%∈0, (0呢,i,j)=P(s=i,+1=jl0呢,入) 不妨记A。={0i,02,,0处{则0∈A。,K。为 为过渡概率, A。中样本数. P(0,入)= P(O|入)” 对比式(3)和式(7)可以发现:对式(3),所有 P(0l) HMM训练必须同时进行;对式(7),各个HMM训 为相对输出概率.:(i)和:(i)分别为给定第 练可以单独进行,算法流程等同于Baum一Velch算 法,最大化式(7)可以得到: 程(0说,i,j)- (0成,i,j) 时= 0-22a40 k=1=1=1 k=1=1l=1 及0-2G, k=1=1 k=1=1 G= 名产(m)- 222 (8) 8(0i,j)成-e白白i%.y, 明= 发(0呢,j)-e 名启() 5(成-5-e2(呢,.0(成:-5(成-r k=1=1 至此,改进的HMM重估算法基本完成,下面 在参数重估过程中,为保证 台喝=1和 概括整个算法如下: 户G=1,必须对每次估计的参数进行归一化 (l)HMM参数初始化,采用经典Baum Welch 算法估计HMM参数,把估计结果作为本文IMMI 处理: 算法中HMM参数的初始值, (②)考虑到训练初期,训练样本在各个模型下 输出概率相差不是很明显,而在训练后期样本输出 式中号和C为重估值. 概率相差明显;因此,对参数”进行自适应变化,即其中 γv t ( O v kjl)= αvv kt( j)βvv kt( j) P( O v k|λv) × C v jlN( o v ktμv jlΣv jl) ∑ Mv m=1 C v jm N( o v ktμv jmΣv jm) γv t ( O p kjl)= αv p kt( j)βv p kt( j) P( O p k|λv) × C v jlN( o p ktμv jlΣv jl) ∑ Mv m=1 C v jm N( o p ktμv jmΣv jm) 为混合输出概率 ξv t ( O v kij)=P( st= ist+1= j|O v kλv) ξv t ( O p kij)=P( st= ist+1= j|O p kλv) 为过渡概率 φ( O p kλv)= P( O p k|λv) η ∑ V u=1 P( O p k|λu) η 为相对输出概率.αvv kt ( i)和 βvv kt ( i)分别为给定第 v 类中第 k 个样本在模型为λv 时t 时刻处于状态 的前向和后向概率αv p kt( i)和 βv p kt( i)分别为给定第 p 类中第 k 个样本在模型为λv 时t 时刻处于状态 i 的前向和后向概率. 式(6)即为改进的 HMM 参数重估算法. 重新考虑式(3)当 η→∞时 ( M ∗Λ)= ∑ V v=1∑ Kv k=1 {ln P( O v k|λv)—εlnmax u [ P( O v k|λu)]}= ∑ V v=1∑ K v k=1 ln P( O v k|λv)—ε∑ V v=1∑ K v k=1 ln P( O v k|λv) (7) 其中Av={O n k|v =arg max u P( O n k|λu)O n k ∈ O} 不妨记 Av ={O v 1O v 2…O v Kv}则 O v k ∈ AvKv 为 Av 中样本数. 对比式(3)和式(7)可以发现:对式(3)所有 HMM 训练必须同时进行;对式(7)各个 HMM 训 练可以单独进行算法流程等同于 Baum—Welch 算 法.最大化式(7)可以得到: a v ij = ∑ K v k=1∑ T v k-1 t=1 ξ v t ( O v kij)-ε∑ K v k=1∑ T v k-1 t=1 ξ v t ( O v kij) ∑ K v k=1∑ T v k-1 t=1∑ Nv l=1 ξ v t ( O v kil)-ε∑ K v k=1∑ T v k-1 t=1∑ Nv l=1 ξ v t ( O v kil) C v jl = ∑ K v k=1∑ T v k t=1 γ v t ( O v kjl)-ε∑ K v k=1∑ T v k t=1 γ v t ( O v kjl) ∑ K v k=1∑ T v k t=1 ∑ Mv m=1 γ v t ( O v kjm)-ε∑ K v k=1∑ T v k t=1 ∑ Mv m=1 γ v t ( O v kjm) μ v jl = ∑ K v k=1∑ T v k t=1 γ v t ( O v kjl) o v kt -ε∑ K v k=1∑ T v k t=1 γ v t ( O v kjl) o v kt ∑ K v k=1∑ T v k t=1 γ v t ( O v kjl)-ε∑ K v k=1∑ T v k t=1 γ v t ( O v kjl) Σ v jl = ∑ K v k=1∑ T v k t=1 γ v t ( O v kjl)( o v kt - μ v jl)( o v kt - μ v jl) T -ε∑ K v k=1∑ T v k t=1 γ v t ( O v kjl)( o v kt - μ v jl)( o v kt - μ v jl) T ∑ K v k=1∑ T v k t=1 γ v t ( O v kjl)-ε∑ K v k=1∑ T v k t=1 γ v t ( O v kjl) (8) 在参数重估过程中为保证 ∑ Nv j=1 a v ij =1 和 ∑ Mv l=1 C v jl=1必须对每次估计的参数进行归一化 处理: a v ij= a v′ ij ∑ Nv j=1 a v′ ij C v jl=C v′ jl ∑ Mv l=1 C v′ jl 式中 a v′ ij 和 C v′ jl 为重估值. 至此改进的 HMM 重估算法基本完成.下面 概括整个算法如下: (1) HMM 参数初始化.采用经典 Baum-Welch 算法估计 HMM 参数把估计结果作为本文 IMMI 算法中 HMM 参数的初始值. (2) 考虑到训练初期训练样本在各个模型下 输出概率相差不是很明显而在训练后期样本输出 概率相差明显;因此对参数 η进行自适应变化即 ·434· 北 京 科 技 大 学 学 报 第29卷