مقایسه الگوریتم پرندگان و الگوریتم جستجوی گرانشی بهبود یافته در آموزش مدل پنهان مارکوف

در این مقاله برای بهبود آموزش مدل پنهان مارکوف (HMM) از روش بهینه سازی الگوریتم پرندگان (PSO) و روش جدیدی مبتنی بر روش جستجوی رانشی بهبود یافته (MGSA) استفاده شده است. آموزش HMM مبتنی بر الگوریتم بام ولش (BW) می باشد. یکی از مشکلات آموزش HMM نبود هیچگونه تضمینی برای رسیدن این الگوریتم به بهینه سراسری و اغلب همگرایی این روش به یک بهینه محلی است. در این مقاله از دو روش متفاوت جستجوی گرانشی بهبود یافته و PSO که از تکنیک های هوش مصنوعی هستند برای خارج کردن بام ولش از بهینه محلی و جستجو برای سایر نقاط بهینه استفاده شده است. در نهایت نیز برای مقایسه دو روش فوق از آنها در بازشناسی گفتار استفاده شده است.

کلیدواژه ها:

مدل پنهان مارکوف ، الگوریتم جستجوی گرانشی بهبود یافته ، الگوریتم بام ولش ، الگوریتم پرندگان