JPH09244689A

JPH09244689A - Ｈｍｍパラメータの並列推定方法

Info

Publication number: JPH09244689A
Application number: JP8057204A
Authority: JP
Inventors: Tomohito Nakagawa; 智仁中川; Hideo Maejima; 英雄前島
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1996-03-14
Filing date: 1996-03-14
Publication date: 1997-09-19

Abstract

(57)【要約】【課題】複数のマイコンを用いた音声認識装置におい
て、ＨＭＭパラメータを効率的に推定する方法を提供す
る。【解決手段】初期値の異なったBaumのパラメータ推定計
算を、複数のマイコン（ＰＥ）でそれぞれ並列に実行さ
せ、一定の間隔で他のＰＥで実行されているパラメータ
の推定系列と比較し、劣った推定系列に確率的な修正を
加える手順を繰り返すことで、局所最適解を回避しつつ
最適なＨＭＭパラメータを計算する。上記確率的修正を
厳密な確率過程にすると、経路競合により通信負荷が多
大となるので、事前に競合が生じないＰＥ選択を類型化
し、それを確率的に選択する。さらに、この際生じるＰ
Ｅ選択確率の偏重を回避するため、各ＰＥが担当してい
る推定系列を、その修正の際に入れ換える。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、複数のマイコン
（以下ＰＥと略記する）を用いた音声認識装置におい
て、認識処理に用いられる隠れマルコフモデル（ＨＭ
Ｍ）のパラメータを、効率的に推定する方法に関する。

【０００２】

【従来の技術】

１．音声認識におけるＨＭＭパラメータの推定問題 1.1 音声認識におけるＨＭＭ音声認識は、例えば図１のようなシステムで構成させ
る。マイクロフォンなどの音声入力装置１０２で入力さ
れた音声信号は、ＡＤ変換によってデジタル信号に変換
される。その後、音の定常的な性質を表現するため、一
定の区間（以下、フレーム）ごとに特徴抽出される。認
識処理では、特徴抽出されたパラメータ群（以下、特徴
ベクトル）の時系列的な性質により認識を行う。この時
系列的な音の性質を表現するモデルとして、ＨＭＭが用
いられる。

【０００３】本発明は、この認識処理で用いるＨＭＭパ
ラメータを動的に調整するような場合、特徴抽出された
信号に基づいて、ＨＭＭパラメータを推定する処理を想
定している。

【０００４】1.2 ＨＭＭによる音声認識の基本原理ここでは、本発明の説明に必要な範囲で、簡単にＨＭＭ
による音声認識方法について説明する。まず、図２のよ
うなマルコフモデルを考える。マルコフモデルとは「時
点ｎ＋１の状態が、時点ｎの状態によってのみ与えられ
る確率モデル」を意味する。この確率的な挙動は、状態
間の遷移確率によって表現される。音声認識では、状態
として固有の出力確率（具体的には、ある特徴ベクトル
のパターンを出力する確率）を与える。そして、入力さ
れた特徴ベクトルの系列（以下、観測系列）と比較し、
状態の遷移過程を推測する。具体的には、観測系列のよ
うな特徴ベクトルを出力する確率の最も高い状態遷移系
列を計算する。各認識要素は状態の遷移系列の類型と対
応している。この一連の手順により、最も確率が高い認
識要素が計算できる。なお、ＨＭＭのHidden（隠れ）と
は、直接状態遷移が観測できない（従って推定してい
る）ことを意味している。

【０００５】1.3 ＨＭＭにおけるパラメータ推定問題先に示したＨＭＭにおいて、ＨＭＭのパラメータ（具体
的には、状態遷移確率ａ_ij，ｂ_ij）を計算する必要があ
る。Baumは、最ゆう推定原理を用いたＨＭＭのパラメー
タ推定法を実現した。

【０００６】最ゆう推定法においては、あるパラメータ
の関数（以下、ゆう度関数）としてシステムを表現し、
教師としての観測系列に対して、そのシステムの出力が
最大となるようにパラメータを決定する。Baumのアルゴ
リズムは、具体的には、次のような手順で実行される。

【０００７】Step １初期値の選定 Step ２パラメータの反復推定 Step ３状態遷移確率および出力確率の確定このうち、Step２において反復計算が必要になる。この
手順は、 Step 2-1 フォワード（Forward）変数の計算 Step 2-2 バックワード（Backward）変数の計算 Step 2-3 状態遷移確率の推定（中間的な推定値の算
出） Step 2-4 出力確率の推定（同上） Baumのアルゴリズムにおいて、Step 2-1, 2-2 のForwar
d変数およびBackward変数の計算は、次の数１のよう
に、状態遷移確率および出力確率に依存する。

【０００８】

【数１】

【０００９】また、Step 2-3, 2-4 の状態遷移確率およ
び出力確率の計算は、次の数２のように、Forward 変数
およびBackward 変数に依存する。

【００１０】

【数２】

【００１１】このような反復計算において、最適解に収
束するか否かは初期設定に依存する。このような問題
は、非線形最適化問題に多い。

【００１２】本発明では、非線形最適化問題における確
率的探索法を一部応用している。そこで、次に非線形最
適化問題における確率的探索法の従来技術を示す。

【００１３】1.4 非線形最適化問題における確率的探索
法多峰性関数の最適化問題を解くために、一般に確率的な
探索方法を用いる。ここでは、代表的なシミュレーテッ
ドアニーリング法（以下、ＳＡ）法および遺伝的アルゴ
リズム（ＧＡ法）について簡単に説明する。

【００１４】（1）ＳＡ法ＳＡ法は、局所最適を回避する方法として脚光を浴びて
いる。これは、熱力学とのアナロジから、状態の更新
（遷移）を確率的に実行する。すなわち、最小にすべき
評価関数をエネルギー関数に見立てて、古い状態と新し
い状態とを比較する。そして、新しい状態のエネルギー
が低ければ確率１で（すなわち、必ず新しい状態に）遷
移し、新しい状態のエネルギーが高ければ、ボルツマン
分布に従ってexp(−ΔＥ／Ｔ) の確率で遷移する。ここ
で、温度Ｔは遷移確率を決定するパラメータである。

【００１５】ＳＡ法では、熱力学とのアナロジから、温
度Ｔを最初は高くとり、徐々に温度Ｔを下げてエネルギ
ー最小状態に到達する。言い換えれば、最初は遷移確率
を大きく取り、徐々に遷移確率を下げることで、大域最
適解に到達する方法である。

【００１６】これはちょうど、高温から急速に冷やす焼
き入れ（最急降下法などに例えられる）より、ゆっくり
冷やす焼きなましがエネルギー的に最小状態に近いこと
に例えられている。ＳＡ法は、近似的解法ではあるが、
比較的良質の解が得られることが知られている。最も、
この処理の計算時間は膨大であり、それがＳＡ法を応用
する際の問題になっている。

【００１７】（2）ＧＡ法確率的探索法の一手法として、ＧＡ法が近年脚光を浴び
ている。このＧＡ法は主に生物の進化とのアナロジから
ホランド（Holland)によって提案された。ＧＡ法は、生
物の進化と対応する「増殖・交叉・突然変異・淘汰」の
各過程によって計算される。

【００１８】例えば、単純にＧＡ法を非線形最適化問題
に適用した例を示す。まず、最初に定義域上にランダム
に複数の点（以下、個体）を選択する。ここで、各点の
値（例えば、２進のビットパターン）を遺伝子に見立て
る。

【００１９】ＧＡ法では、親と同一の個体（ビットパタ
ーン）を生成する。これを増殖という。増殖も一種の確
率過程であり、次の交配において選択される確率に影響
する。次に、生成された個体の中から一定の交配すなわ
ち、遺伝子の組替えを行う。これは通常の反復法におけ
る値の更新に相当する。このあと突然変異と呼ばれる確
率的な遺伝子の変更を行う。このように一定の確率頻度
で解を動かすことで、解が局所最適に落ち込むことを防
いでいる。これらの過程によって生成された個体は、一
定の評価に基づいて淘汰すなわち消滅する。これらの過
程を何世代も経ることにより、次第に最適解に収斂され
ていく。

【００２０】従って、ＧＡ法もＳＡ法と同様に、非常に
多大な計算時間を要する。しかし、各処理は比較的独立
であり、並列計算には適した方法である。また、ＧＡ法
の枠組は、基本的に「増殖・交叉・突然変異・淘汰」の
各過程を具備する一連の確率的手法であり、「何をどの
ように修正するか」によって様々な方法が可能である。
また、他の計算手法と複合的に処理することも十分可能
であり、現在様々なアプローチが試みられている。

【００２１】本発明では、このような競合的な確率的探
索法を応用している。ここで競合的な確率的探索とは、
複数の探索を並列的に実行し、確率的に比較修正して、
大域最適解に到達する探索の確率を向上させる方法であ
る。当該手法の代表例がＧＡであるが、他にもモンテカ
ルロシミュレーションによる探索などがある。

【００２２】(3) 並列計算システム並列計算機には、共有メモリ型と分散メモリ型とがあ
る。共有メモリ型では、全てのプロセッサ（ＰＥ）が共
通のメモリにアクセスできるので、計算処理には都合が
良いが、ハードウェアが複雑になる。これに対して、分
散メモリ型では、各プロセッサに付随してメモリが存在
する（ローカルメモリ）。このため、ハードウェアは単
純で、並列度も大きく取れるが、データの整合性の問題
や通信の問題により、計算効率を引き出すのが難しい。
本発明は、このような分散メモリ型計算機を用いて効率
的にＨＭＭパラメータを学習する方法を提供している。

【００２３】尚、分散メモリ型計算機には、図３（ａ）
のようにハイパーキューブ型トポロジのものと、同図
（ｂ）のようなメッシュ型トポロジのものがある。ハイ
パーキューブ型では、ＰＥ間通信が効率的に実行できる
が、機構的に複雑になるため、現在ではメッシュ型の並
列計算機が多い。

【００２４】

【発明が解決しようとする課題】Baumのアルゴリズム
は、大域最適解に収束することが保証されていないの
で、初期値の設定が推定パラメータの精度に大きく影響
する。しかし、初期値の選択に関してはヒューリスティ
ックに決定されているのが実情で、体系的な局所解回避
法は未だ提案されていない。

【００２５】また、ＳＡ法・ＧＡ法に代表される確率的
探索法は、構造的に並列処理が可能な部分も多く、いく
つかの並列処理方法が提案されている。しかし、分散メ
モリ型計算機では、通信の負荷が多大なため、可能な限
り通信を抑制する計算手法が必要になる。

【００２６】本発明の目的は、ＨＭＭパラメータ推定の
代表的な方法であるBaumのアルゴリズムに、確率的探索
法の要素を取り入れ、かつ並列処理−特に分散メモリ型
計算機に適した方法を提供することにある。

【００２７】

【課題を解決するための手段】上記の課題を解決するた
めに、本発明では次の手段を用いる。第一に、Baumのア
ルゴリズムに基づくパラメータの推定系列を複数個用意
し、その各々の推定系列を各ＰＥで並列に実行させる。
この複数の推定系列に対して、例えばＧＡのような確率
的手法を適用して、推定系列を修正し、最終的に大域最
適に収斂させる。第二に、ＰＥ間のデータ通信の負荷を
低減するため、選択対象を隣接ＰＥに限定し疑似的な確
率過程によって処理を実行する。さらに、ＰＥ間通信の
競合を回避するため、予め通信競合しない選択の組合せ
を抽出し、そのパターンを確率的に選択する手段を用い
る。このような手段は、厳密な確率的手法ではないが、
大域解に到達させるための手段としては十分である。最
も、上記の手段だけでは、選択される相手が偏重する恐
れがある。そこで、第三の手段として、推定系列の比較
・修正に際して、処理ＰＥの交換を行う。これによっ
て、相当回数の反復実行の後には、平均的に確率的な処
理と等価になる。

【００２８】本発明により、従来のBaumのアルゴリズム
の手軽さで、ＳＡ法あるいはＧＡ法のような確率的探索
法に近い最適解が得られる。さらに、分散メモリ型並列
計算機で効率的に実現できる。

【００２９】

【発明の実施の形態】本発明の実施例１を説明する。本
実施例では、２つの計算ユニットを持つ並列処理型のマ
イコンの使用を想定した例について説明する。ここで
は、本発明を実現する最も簡単な例として、２つの推定
系列で処理することを考える。

【００３０】図４は、実施例１の処理の概要を示したフ
ローチャートである。本実施例では、各計算ユニットが
独立に計算するフェーズＩ、具体的には、手順４１１〜
413および手順４２１〜４２３と各計算ユニットが連携
して計算するフェーズII、具体的には手順４０２・４０
４とを交互に繰り返して最適解を得る。以下、フェーズ
ＩとフェーズIIに分けて説明する。

【００３１】START401より処理を開始する。これによ
り、各計算ユニットが一斉に計算を開始する。そして、
フェーズＩに入る。１番目の計算ユニットが担当してい
る推定系列１に着目すると、手順４１１において必要な
初期設定が行われる。

【００３２】本実施例では、２個のＰＥを用いたシステ
ムを考える。この両者は、異なった初期推定値より推定
を開始する。手順４１１は推定系列１の初期設定であ
り、手順４２１は推定系列２の初期設定である。手順４
１２では、従来のBaumの方法における推定値の更新に基
づいて、推定値を更新する。具体的には、各観測系列
（特徴ベクトル列）に対して、数１によるForward 変数
およびBackward変数の計算と、数２による状態遷移確率
および出力確率の計算を繰り返す。

【００３３】２番目の計算ユニットが担当している推定
系列２すなわち、手順４２１・422および４２３でも探
索系列１と同様の処理を行う。ここで、手順４２１は推
定系列１の手順４１１の処理に対応する。同様に、手順
４２２は手順４１２と、手順４２３は手順４１３とそれ
ぞれ対応する。

【００３４】次に、フェーズIIすなわち、各計算ユニッ
トが連携して処理する処理について説明する。このフェ
ーズIIは、基本的に推定系列の再構成を行う手順４０２
と、収束を判定する手順４０４とよりなる。この手順４
０４で劣った系列のパラメータを修正する。この判定
は、両者のゆう度を比較するなどの方法で評価できる。

【００３５】図５には、手順４０２の構成例について説
明する。この実施例１では、最も簡単な例として推定系
列が２系統の最小構成になっているため、比較する推定
系列は系列１と２に固定されている。そこで、手順４１
３および４２３より手順４０２に実行が移ったなら、す
なわち、系列１および２ともフェーズＩの実行が終了す
れば、手順５０１により推定系列の優劣を比較する。

【００３６】推定系列の優劣は、例えば、ゆう度等を考
慮した優劣比較のための評価関数を設定し、その比較に
よって実行できる。ここで、必要な値は手順４１２およ
び手順４２２で計算された値をそれぞれテーブル５１１
および５１２に格納しておき、それを用いれば良い。

【００３７】この結果に基づいて、手順５０２によっ
て、劣性と評価された推定系列を修正する。この修正法
は、いくつかの方法が考えられるが、最も簡単な方法と
しては、探索点をランダムに選定する方法が可能であ
る。また、ＧＡ類似の手法によって、系列１の性質と系
列２の性質を確率的に修正する。例えば、２進表現した
探索点を適当に交配して、新しい探索点を生成する方法
も可能である。ここで、再構成された探索点により、テ
ーブル５１１あるいは５１２を更新する。

【００３８】次に複数のＰＥを用いた本発明の実施例２
について説明する。図６には、本実施例２の処理のフロ
ーの概要を示す。実施例１と同様に、手順４０１よりＳ
ＴＡＲＴする。ｎ個の推定系列はそれぞれｎ番のＰＥが
担当するものとする。推定系列１の手順６１１〜６１３
は、実施例１と同様の処理を行えば良い。探索系統ｎす
なわち、手順６９１〜６９３においても、実施例１で示
した推定系列１と同様の処理を行う。ここで、手順６９
１は推定系列１の手順６１１の処理に対応する。同様
に、手順６９２は手順６１２と、手順６９３は手順６１
３とそれぞれ対応する。

【００３９】次に、フェーズIIすなわち、各計算ユニッ
トが連携して処理する処理について説明する。このフェ
ーズIIは、基本的には実施例１と同様で、推定系列の再
構成を行う手順６０１と大域最適解を判定する手順６０
２とよりなる。しかし、ｎ系列のため、再構成の方法で
いくつか異なる方法が考えられる。

【００４０】図７ａには、推定系列の再構成を行う手順
６０１の処理のフローを示す。手順７０１では、ｎ個の
推定系列を２者１組のペア（以下、比較対）に分類し、
そこで優劣比較を行う。この比較対は、理屈の上ではラ
ンダムに選択すれば良い。そして、このような実現方法
が最も単純である。ここでは、図３ａのようなハイパー
キューブ型計算機を前提として、効率的な比較対の選定
方法を説明する。

【００４１】図３ａのあるノード（ＰＥのこと）に着目
する。これを０番(２進表現で0000)とする。ハイパーキ
ューブにおいては、２進表現で任意の１ビットを変更し
た番号のノード−すなわち、１番(２進表現で０００１)
・２番(２進表現で００１０)・４番（２進表現で０１０
０）および８番（２進表現で１０００）と隣接する。こ
の様子を、図７ｂに示す。

【００４２】図８では、この手順７０１について、より
詳細に示してある。分散型並列計算機においては、ＰＥ
間のデータ通信を効率的に処理する必要がある。ＰＥ間
のデータ転送は、転送回数の低減とともに、通信路の競
合を抑制しなければならない。本発明は、フェーズＩで
は各ＰＥが独立して処理する構造から、データ転送の回
数は低減される。そこで、通信路の競合を抑制する方法
を次に説明する。

【００４３】第一の方法は、通信路が競合しない比較対
の組合せをテーブルとして管理する方法を考える。この
組合せは、非常に数多く存在するが、テーブルとしても
できるだけ多く用意した方がよい。実行時には、図８ａ
における手順８２１で、このテーブルのインデックスを
ランダムに選択する。これにより、比較対は選択したテ
ーブルに従って決定できる。

【００４４】図９には、この一例を示す。図９ａは、パ
ターンｉにおける比較対の組合せを示す。この例では、
通信競合は全く生じない。各ＰＥは、図９ｂのように、
インデックスが与えられた場合の組になる相手ＰＥをテ
ーブルにすれば良い。これは、図８ａの手順８２２にお
いて実行される。例えば、ＰＥ１はテーブル７３１を持
つ。ここでは、ｉに対して、ＰＥ２が選択される。同様
に、ＰＥ１６はテーブル７３９を持つ。ここでは、ｉに
対してＰＥ１２が選択される。そして、比較対のうち必
ずＰＥ番号の小さいＰＥが推定系列の再構成６０１を実
行するように予め決めておけば、各ＰＥは通信競合する
ことなく処理を実行できる。

【００４５】第二の方法は、通信方向をすべて揃える。
これは、ハイパーキューブにおいては、ＰＥ番号を２進
表現で表現した時に、同じ位置のビットを反転させるこ
とで実現できる。１６ＰＥのシステムなら、１〜４の任
意の位置をランダムに選択し、それに応じて対応するビ
ットを反転させれば良い。これは、図８の手順８２１に
相当する。例えば、２番目のビットを反転させるとする
と、（０，２）（１，３）（４，６）（５，７）（８，
１０）（９，１１）（１２，１４）（１３，１５）の組
が得られることになる。

【００４６】手順８２２では、手順８２１で得られた比
較対ごとに、推定系列の優劣比較を行う。この処理は、
基本的に手順７０２と同様に行えば良い。ただし、全て
の比較対について処理を行う。各組の比較は並列に実行
できる。各組の計算は、該当する２個のＰＥで並列処理
することも理屈の上では可能である。しかし、それほど
重たい計算でもないので、ここでは一方のＰＥに実行さ
せる例を示す。すなわち、上記の例では、ＰＥ２→ＰＥ
０，ＰＥ３→ＰＥ１，ＰＥ６→ＰＥ４，ＰＥ７→ＰＥ
５，ＰＥ１０→ＰＥ８，ＰＥ１１→ＰＥ９,ＰＥ１４→
ＰＥ１２,ＰＥ１５→ＰＥ１３のデータ転送を行い、Ｐ
Ｅ０，ＰＥ１，ＰＥ４，ＰＥ５，ＰＥ８，ＰＥ９，ＰＥ
１２，ＰＥ１３において推定系列の優劣比較を行えば良
い。

【００４７】手順７０３では、上記の比較対ごとの評価
で劣性と評価された推定系列について行う。これも、上
で示した各ＰＥ−すなわち、ＰＥ０，ＰＥ１,ＰＥ４,Ｐ
Ｅ５，ＰＥ８，ＰＥ９，ＰＥ１２，ＰＥ１３によってそ
れぞれ並列に実行できる。

【００４８】この方法では、疑似的な確率的処理を行っ
ている。すなわち、完全にランダムに比較対を生成する
のではなく、予め効率的な組のパターンを決めておき、
そのパターンを確率的に選択する方法を用いている。も
ちろん、完全にランダムに組合せることも可能である。

【００４９】

【発明の効果】本発明は、Baumのアルゴリズムにおける
局所解の回避に有効である。以下、本発明の効果につい
て、収束速度・並列効率・解の性質の３点について述べ
る。

【００５０】（1）収束速度に関してＳＡ法あるいはＧＡ法のような確率的探索法において時
間のかかる理由は、局所最適を回避するための確率的処
理は、いわば「後戻り」の処理であるため、収束を遅ら
せる結果をもたらすことにある。そもそも、確率的な過
程を導入した意味は、局所最適の回避であるから、陥っ
た局所解を修正すれば十分であり、すべての手順におい
て確率過程を導入するべき理由はない。

【００５１】本発明においては、複数のパラメータ推定
系列を用意し各系列は基本的に独立して計算を行ってい
る（フェーズＩ）、そして陥った局所解を淘汰するため
の確率的処理としてのみＰＥ間通信の発生するＧＡ類似
の競合的な疑似確率的探索手法を取り入れている（フェ
ーズII）。従って、ＳＡあるいはＧＡに比べて確率的処
理の重みは小さく、全体的に収束速度の低下は僅少に抑
えられる。

【００５２】（2）並列効率に関してフェーズＩにおいて、各ＰＥ独立でのパラメータ推定は
Baumのアルゴリズムによって行われる。この処理ではＰ
Ｅ間通信が一切発生しないため、複数のマイコンを用い
た疎結合型のシステムおいても効率的な実行が期待でき
る。

【００５３】一方、フェーズIIにおいては、各ＰＥ間で
のデータ通信が発生するが、これらはフェーズＩのよう
な反復過程でないために、全体としてフェーズIIに占め
る割合は僅少である。

【００５４】（3）解の性質について複数存在するパラメータの推定系列のうち、劣っている
推定系列を一定の確率的処理により改廃・更新するた
め、局所最適の回避が可能になり、良質の解が得られ
る。

【図面の簡単な説明】

【図１】音声認識装置の一例を示すブロック図。

【図２】left-to-right 型ＨＭＭの構成例を示す説明
図。

【図３】複数のマイコンを用いた装置の接続形態の例を
示すモデル図。

【図４】実施例１によるＨＭＭパラメータ推定方法の処
理フロー図。

【図５】実施例１における手順４０２の詳細の処理フロ
ー図。

【図６】実施例２によるＨＭＭパラメータ推定方法の処
理フロー図。

【図７】実施例２における手順６０１の詳細図。

【図８】実施例２における手順６０１の詳細図。

【図９】実施例２におけるパターンの組合わせおよびＰ
Ｅテーブルの構成を示す説明図。

【符号の説明】

４０１…ＳＴＡＲＴ、４０２…パラメータの再評価、４
０３…ＥＮＤ、４０４…収束判定、４１１…推定系列１
の初期設定、４１２…系列１の推定値の更新、４１３…
系列１の反復回数の判定、４２１…推定系列２の初期設
定、４２２…系列２の推定値の更新、４２３…系列２の
反復回数の判定、５０１…パラメータの評価、５０２…
劣性推定系列の修正、５１１…系列１の過去の推定値の
データ、５１２…系列２の過去の推定値のデータ、６１
１…系列１の初期設定、６１２…系列１の推定値の更
新、６１３…系列１の局所解の判定、６９１…系列ｎの
初期設定、６９２…系列ｎの推定値の更新、６９３…系
列ｎの局所解の判定、６０１…推定系列の再構成、６０
２…大域解の判定、７０１…比較する系列の組の選択、
７０２…推定系列の優劣比較、７０３…劣性推定系列の
修正、７１１…系列１の評価データ、７１９…系列ｎの
評価データ、７３１…系列１のＰＥテーブル、７３９…
系列ｎのＰＥテーブル、８２１…インデックスの選択、
８２２…推定系列の選定。

Claims

【特許請求の範囲】

【請求項１】複数のマイコンを用いた音声認識装置にお
ける初期値の異なったBaum-Welchのパラメータ推定を、
各マイコン（以下ＰＥ）がそれぞれ独立かつ並列に実行
する計算方法であって、各ＰＥがそれぞれ独立にパラメ
ータを推定する第一の手順と、各ＰＥで実行したパラメ
ータの推定系列の結果を比較して、各ＰＥで実行してい
る推定系列を修正する第二の手順を繰り返して最適解を
得ることを特徴とする隠れマルコフモデル（ＨＭＭ）の
パラメータ推定方法。
【請求項２】比較する系列を選択する第一の手順と推定
系列の優劣を比較する第二の手順と、第二の手順で劣性
と判定された推定系列を修正する第三の手順により現在
計算している推定値あるいは収束性に影響するパラメー
タを修正する推定系列の修正方法。
【請求項３】予めＰＥ間の通信競合の発生しないＰＥの
組合せのテーブルを複数個具備し、推定系列の選択時に
おいてそのテーブルより任意の組合せを選択し、対応す
るＰＥによって処理されている推定系列の中から確率的
に推定系列を選択する推定系列の選択方法。
【請求項４】請求項２の第二の手順で劣性と判定された
推定系列を修正する第三の手順の後に、各ＰＥで実行し
ている推定系列のデータを相手ＰＥに転送する第四の手
順を具備し、各ＰＥがそれぞれ比較した相手のＰＥが処
理すべき計算を引継いで計算するパラメータの推定方
法。
【請求項５】請求項２または３において、ハイパーキュ
ーブ型にＰＥを結合したシステムを用い、ＰＥ番号を２進表現した場合の特定の位置をランダムに
選択する第一の手順と、各ＰＥのＰＥ番号において、第
一の手順で選択した特定の位置を反転する第二の手順に
よって、複数の推定系列から確率的に推定系列を選択す
る推定系列の選択方法。