多观察序列连续隐含马尔柯夫模型的无溢出参数重估

在语音识别系统的HMM模型训练阶段,由于Baum-Welch算法中前向概率和后向概率包含大量连乘项,计算结果数值会越来越小,以致产生溢出.在单观察序列情况下采用定标技术可以妥善地解决溢出问题.在多观察序列情况下,则会引入各序列对HMM的输出概率作为修正系数,其数值很小,溢出问题仍存在.本文分析了溢出问题产生的原因,针对多观察序列的情况,将优化目标函数由输出概率的连乘改为对数累加和形式,推导出一套改进的Baum-Welch算法。该算法降低了HMM参数重估算法的计算复杂度,提高了稳定性,避免了溢出问题.