K均值分段算法是基于最佳狀態(tài)序列的理論，因此可以采用Viterbi算法得到最佳狀態(tài)序列，從而方便地在線修改系統(tǒng)參數(shù)，使訓(xùn)練的速度大大提高。

　　為了達(dá)到本系統(tǒng)所需要的功能，對(duì)通常的K均值算法作了一定的改進(jìn)。在系統(tǒng)無(wú)人監(jiān)管的情況下，Viterbi解碼計(jì)算出最大相似度的語(yǔ)音模型，根據(jù)這個(gè)假設(shè)計(jì)算分段K均值算法的輸入?yún)?shù)，對(duì)此模型進(jìn)行參數(shù)重估。首先按照HMM模型的狀態(tài)數(shù)進(jìn)行等間隔分段，每個(gè)間隔的數(shù)據(jù)段作為某一狀態(tài)的訓(xùn)練數(shù)據(jù)，計(jì)算模型的初始參數(shù)λ=f（a，A，B）。采用Viterbi的最佳狀態(tài)序列搜索，得到當(dāng)前最佳狀態(tài)序列參數(shù)和重估參數(shù)θ，其中概率密度函數(shù)P（X，S|θ）代替了最大似然度算法中的P（X，θ），在不同的馬爾科夫狀態(tài)和重估之間跳轉(zhuǎn)?；贙均值算法的參數(shù)重估流程如下：

　　為了使參數(shù)能更快地收斂，在每幀觀察語(yǔ)音最佳狀態(tài)序列的計(jì)算結(jié)束后，加入一個(gè)重估過(guò)程，以求更快地響應(yīng)速度。

　　可以看到，增量K均值算法的特點(diǎn)為：在每次計(jì)算完觀察值最佳狀態(tài)序列后，插入一個(gè)重估過(guò)程。隨時(shí)調(diào)整參數(shù)以識(shí)別下一個(gè)句子。

　　由于采用混合高斯密度函數(shù)作為輸出概率分布可以達(dá)到較好的識(shí)別效果，因此本文采用M的混合度對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。

　　對(duì)λ重估，并比較收斂性，最終得到HMM模型參數(shù)訓(xùn)練結(jié)果。

　　可見(jiàn)，用K均值法在線修改時(shí)，一次數(shù)據(jù)輸入會(huì)有多次重估過(guò)程，這使系統(tǒng)使用最近的模型估計(jì)后續(xù)語(yǔ)句的最佳狀態(tài)序列成為可能。但是對(duì)于在線修改參數(shù)要求，快速收斂是很重要的。為了得到更好的Viterbi序列，最佳狀態(tài)序列使用了漸增的算法模型，即快速收斂算法。