刘伶俐， 王朝立， 于 震

（上海理工大学光电信息与计算机工程学院，上海 200093）

隐马尔科夫模型（HMM）作为语音信号的一种统计模型，语音识别效果好，能够很好地描述语音信号的特点，在数字语音处理中应用非常广泛.

HMM包括离散的模型（DHMM—Discrete HMM）、连续混合密度模型（CHMM—Continuous HMM）以及半连续模型（SCHMM—Semi－Continuous HMM）.相比较DHMM，CHMM系统识别率更高，这是由于在CHMM中输入向量X即观察值向量，不需要经过矢量量化转变，这个输入向量直接就是每一帧语音信号的特征矢量.基于CHMM系统识别率高的特点，它的应用非常广泛.文献［1］给出了基于性别的CHMM语音识别方法，文献［2］研究了驾驶员意图识别的可能性，文献［3］讨论了基于声音的轴承故障诊断等.

在HMM模型建立后用Baum－Welch迭代算法求解HMM模型，其中一个重要的问题就是初始模型的选取［4］，不同的初始参数模型将产生不同的训练结果与识别结果.关于DHMM初值的研究，文献［5］说明了DHMM初始参数选择的一般规律和最佳选择方法，但是CHMM的初始参数至今还没有一个最佳的选择方法.传统CHMM参数初始化方法是随机分布之值、K均值算法，但是由于K－means方法存在对初始中心的依靠较重、对孤立点影响较大和聚类结果不稳定的缺点［4，6］，因此，有人提出了对初值中心选择的改进方法：基于密度的方法［7］和最大最小距离法［8］.基于密度的方法首先去除孤立点，在密度所在的区域内随机选择初始中心，但是密度相似性大小相差较大时，聚类结果不好；而最大最小距离方法虽然可以使类间相似……