段杰鵬

（北方工業(yè)大學(xué)信息學(xué)院 北京市 100144）

開(kāi)源生態(tài)，成長(zhǎng)與挑戰(zhàn)并存。根據(jù)《2020 中國(guó)開(kāi)源年度報(bào)告》，全球開(kāi)源都呈現(xiàn)一個(gè)大的發(fā)展趨勢(shì)，以Git Hub 和Git ee 為例，無(wú)論是活躍代碼倉(cāng)庫(kù)，還是活躍用戶數(shù)，高速增長(zhǎng)表現(xiàn)強(qiáng)勁[1]。這種結(jié)果除了因?yàn)殚_(kāi)源勢(shì)頭外，還有一個(gè)原因就是受疫情影響，采用遠(yuǎn)程辦公的方式。體量的快速增加，伴隨而來(lái)的問(wèn)題也越發(fā)凸顯。在《開(kāi)源生態(tài)白皮書(shū)（2020）》中，不僅指出開(kāi)源知識(shí)產(chǎn)權(quán)及合規(guī)風(fēng)險(xiǎn)，還著重談到本課題關(guān)心的開(kāi)源軟件（Open Source Software，OSS）風(fēng)險(xiǎn)[2]。技術(shù)更新迭代快、運(yùn)維成本高、安全漏洞威脅嚴(yán)重都是亟待解決的開(kāi)源軟件應(yīng)用問(wèn)題。這些風(fēng)險(xiǎn)一定程度上都需要通過(guò)軟件演化這一環(huán)去解決。

開(kāi)源環(huán)境對(duì)軟件演化提出新的挑戰(zhàn)。軟件演化的核心問(wèn)題是軟件如何適應(yīng)改變，軟件的演化能力主要體現(xiàn)在4 個(gè)方面[3]：可分析性；可修改性；穩(wěn)定性；可測(cè)試性。針對(duì)軟件動(dòng)態(tài)演化，學(xué)術(shù)界主要從以下幾個(gè)方面展開(kāi)工作：程序設(shè)計(jì)語(yǔ)言、模型、軟件體系結(jié)構(gòu)、平臺(tái)。隨著軟件開(kāi)源社區(qū)的出現(xiàn)，基于開(kāi)源代碼的軟件開(kāi)發(fā)成為新的軟件開(kāi)發(fā)生態(tài)[4]。眾所周知，群智開(kāi)發(fā)是開(kāi)源軟件的一大特點(diǎn)，這就造成軟件演化過(guò)程不可控。開(kāi)源項(xiàng)目往往是核心開(kāi)發(fā)人員把自己的初步成果和想法發(fā)布在社區(qū)，由數(shù)量龐雜的貢獻(xiàn)者進(jìn)行項(xiàng)目的完善、測(cè)試和維護(hù)。從項(xiàng)目計(jì)劃開(kāi)始的整個(gè)軟件生命周期，都沒(méi)有完整的文檔對(duì)軟件演化過(guò)程進(jìn)行指導(dǎo)和記錄；軟件演化的發(fā)生也更多發(fā)生在離散的開(kāi)發(fā)、測(cè)試、維護(hù)過(guò)程中。Scacchi W 等人[5]研究指出，當(dāng)前對(duì)OSS 系統(tǒng)的研究沒(méi)有對(duì)軟件演化過(guò)程中有時(shí)超線性，有時(shí)次線性的增長(zhǎng)曲線提供適當(dāng)?shù)慕忉尅Ｓ行┣闆r下，OSS 系統(tǒng)是否符合演化的規(guī)律也尚不清楚。因此，對(duì)開(kāi)源生態(tài)中軟件演化技術(shù)的研究，重新思考開(kāi)源環(huán)境下軟件演化的理論和模型，可以幫助理解、推理和解釋開(kāi)源軟件系統(tǒng)的演化。

1 相關(guān)研究

Neteler 等人[6]提出了基于遠(yuǎn)程和連續(xù)分析的OSS 演化方法。為了提供減輕軟件退化和風(fēng)險(xiǎn)的服務(wù)，該方法運(yùn)用了諸如CVS 版本系統(tǒng)庫(kù)、承諾日志文件和交換郵件等可用數(shù)據(jù)源。核心成果包括增長(zhǎng)、復(fù)雜性和質(zhì)量控制機(jī)制、反饋驅(qū)動(dòng)的通信服務(wù)和OSS 演化儀表板服務(wù)。Arafat 等人[7]將給定源代碼中的評(píng)論量作為可維護(hù)性的指標(biāo)，從而進(jìn)一步了解開(kāi)源軟件開(kāi)發(fā)的過(guò)程和行為。Capiluppi 等人[8]研究了OSS 系統(tǒng)的結(jié)構(gòu)衰減是否會(huì)受到保存該項(xiàng)目的存儲(chǔ)庫(kù)的影響。Beecher等人[9]通過(guò)研究OSS更多存儲(chǔ)庫(kù)，拓展了這項(xiàng)工作。他們根據(jù)不同類(lèi)型的OSS 存儲(chǔ)庫(kù)建立了相應(yīng)的過(guò)度框架。為OSS開(kāi)發(fā)人員選擇在哪里主持項(xiàng)目以及讓項(xiàng)目成功演化提供了指導(dǎo)。Robles[10]等人介紹了研究人員可以在OSS 項(xiàng)目中找到的最重要的可供研究的數(shù)據(jù)源：源代碼、源代碼管理系統(tǒng)、郵件列表和bug 跟蹤系統(tǒng)。他們提出了可根據(jù)分析數(shù)據(jù)源遇到的問(wèn)題給出建議的演化分析工具。Bachmann[11]等人通過(guò)定義數(shù)據(jù)源的質(zhì)量和特征度量標(biāo)準(zhǔn)來(lái)比較不同的OSS 項(xiàng)目。Koponen[12]等人創(chuàng)建了開(kāi)源軟件演化的評(píng)估框架。該框架可以用來(lái)評(píng)估開(kāi)源軟件演化過(guò)程的活性、效率、可追溯性和敏捷性。Capiluppi[13]等人通過(guò)對(duì)比傳統(tǒng)軟件和OSS 項(xiàng)目的軟件演化的共性和差異，對(duì)傳統(tǒng)軟件演化模型進(jìn)行了調(diào)整，提出了適用于OSS 系統(tǒng)的軟件演化模型。李穎[14]研究了開(kāi)源移動(dòng)應(yīng)用項(xiàng)目的演化特征，分析了開(kāi)源移動(dòng)項(xiàng)目動(dòng)態(tài)演化過(guò)程及規(guī)律，提出了代碼關(guān)聯(lián)推薦算法，當(dāng)開(kāi)發(fā)者修改代碼時(shí)，面向開(kāi)發(fā)者提示需要同步修改的代碼塊。Nakagawa[15]等人研究指出軟件體系結(jié)構(gòu)與OSS 質(zhì)量直接相關(guān)，開(kāi)發(fā)人員在OSS 演化中需要充分考慮軟件體系結(jié)構(gòu)知識(shí)體系，包括軟件體系結(jié)構(gòu)風(fēng)格，體系結(jié)構(gòu)模式和體系結(jié)構(gòu)演化方法。

趙會(huì)群[16]等人最早提出了體育計(jì)算的概念，隨著機(jī)器學(xué)習(xí)的發(fā)展，在競(jìng)技體育中無(wú)論是比賽訓(xùn)練，還是技戰(zhàn)術(shù)分析，越來(lái)越多地運(yùn)用了人工智能的輔助手段，體育人工智能成為重要的研究方向。Iyer[17]等人使用神經(jīng)網(wǎng)絡(luò)根據(jù)每個(gè)板球運(yùn)動(dòng)員過(guò)去的表現(xiàn)預(yù)測(cè)其未來(lái)表現(xiàn)，結(jié)果表明，神經(jīng)網(wǎng)絡(luò)確實(shí)可以在團(tuán)隊(duì)選擇過(guò)程中提供有價(jià)值的決策支持。Grunz[18]等人引入人工神經(jīng)網(wǎng)絡(luò)分層架構(gòu)，基于足球運(yùn)動(dòng)員的位置數(shù)據(jù)，得到合適的戰(zhàn)術(shù)模式。結(jié)果表明，分層架構(gòu)能夠識(shí)別不同的戰(zhàn)術(shù)模式和各模式之間的變化。Hassan[19]等人通過(guò)注釋手球比賽723 個(gè)動(dòng)作序列的位置數(shù)據(jù)，利用非線性混合神經(jīng)網(wǎng)絡(luò)，成功預(yù)測(cè)了個(gè)人和團(tuán)隊(duì)的戰(zhàn)術(shù)位置。Kempe[20]等人利用動(dòng)態(tài)可控神經(jīng)網(wǎng)絡(luò)正確檢測(cè)出預(yù)選的戰(zhàn)術(shù)模式。王杰[21]利用改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)對(duì)乒乓球技戰(zhàn)術(shù)進(jìn)行診斷、評(píng)估和預(yù)測(cè)。

綜上所述，對(duì)OSS 演化的研究都集中在演化過(guò)程，演化體系結(jié)構(gòu)，演化確認(rèn)等方面，鮮有對(duì)特定領(lǐng)域演化技術(shù)的具體研究和分析。體育人工智能的研究多集中于神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)與技戰(zhàn)術(shù)分析和預(yù)測(cè)上。本文將結(jié)合開(kāi)源語(yǔ)音識(shí)別在乒乓球技戰(zhàn)術(shù)采集中的應(yīng)用，展開(kāi)對(duì)OSS 演化技術(shù)的研究。

2 模型驅(qū)動(dòng)演化算法

在語(yǔ)音識(shí)別應(yīng)用層面，從輸入、處理過(guò)程、輸出，無(wú)論是識(shí)別流程，還是訓(xùn)練流程，對(duì)于應(yīng)用人員相當(dāng)于是一個(gè)黑盒，輸入和輸出則是用戶可以感知到的?；跈C(jī)器學(xué)習(xí)的語(yǔ)言識(shí)別技術(shù)可以分為訓(xùn)練過(guò)程和識(shí)別過(guò)程兩個(gè)階段，在識(shí)別語(yǔ)音之前需要對(duì)識(shí)別模型進(jìn)行訓(xùn)練，以便建立環(huán)境參數(shù)，為大量語(yǔ)音識(shí)別進(jìn)行分類(lèi)處理。訓(xùn)練過(guò)程輸入為語(yǔ)音數(shù)據(jù)，輸出為語(yǔ)音參數(shù)模型；識(shí)別過(guò)程輸入為語(yǔ)音數(shù)據(jù)和輸出為識(shí)別結(jié)果。識(shí)別過(guò)程是一個(gè)“黑盒”形態(tài)的語(yǔ)音模型，語(yǔ)言模型等要素?zé)o法改變的前提下，識(shí)別效果的改變，取決于可變因素語(yǔ)音參數(shù)模型。語(yǔ)音參數(shù)模型受語(yǔ)料特征的影響，比如數(shù)據(jù)量，說(shuō)話人特征，語(yǔ)音內(nèi)容，語(yǔ)義背景等。根據(jù)不同的語(yǔ)料庫(kù)，可以訓(xùn)練得到不同的語(yǔ)音參數(shù)模型。為了適應(yīng)環(huán)境的變化以及提高識(shí)別效果，這就要求在識(shí)別流程中可以根據(jù)實(shí)際狀態(tài)動(dòng)態(tài)調(diào)整語(yǔ)音參數(shù)模型。模型驅(qū)動(dòng)演化就是根據(jù)語(yǔ)音環(huán)境的變化動(dòng)態(tài)調(diào)整模型訓(xùn)練和識(shí)別過(guò)程的軟件過(guò)程。

模型驅(qū)動(dòng)演化中對(duì)識(shí)別結(jié)果進(jìn)行嗅探，即判斷識(shí)別結(jié)果的正確性，它是觸發(fā)一系列模型驅(qū)動(dòng)演化動(dòng)作的前提。如圖1所示的時(shí)序圖中反射式中間件從應(yīng)用層探知用戶對(duì)識(shí)別結(jié)果的修改活動(dòng)，獲取正確結(jié)果，依據(jù)此正確結(jié)果并結(jié)合該段語(yǔ)音的識(shí)別結(jié)果，計(jì)算當(dāng)前語(yǔ)音參數(shù)模型對(duì)用戶語(yǔ)音的識(shí)別詞錯(cuò)率WER。當(dāng)詞錯(cuò)率達(dá)到閾值時(shí)，反射式中間件開(kāi)始探知系統(tǒng)的運(yùn)行狀態(tài)state，滿足空閑狀態(tài)后，跟據(jù)用戶語(yǔ)音特征，從方法庫(kù)中篩選符合條件的語(yǔ)音參數(shù)模型。分別加載備用語(yǔ)音參數(shù)模型，并計(jì)算獲得語(yǔ)音數(shù)據(jù)wav 的識(shí)別結(jié)果result，將詞錯(cuò)率WER 存儲(chǔ)到對(duì)應(yīng)語(yǔ)音參數(shù)模型之下。比較所有備用語(yǔ)音參數(shù)模型在當(dāng)前環(huán)境下的詞錯(cuò)率WER，返回詞錯(cuò)率WER 最小的語(yǔ)音參數(shù)模型Model。加載Model，判斷是否可以識(shí)別語(yǔ)音數(shù)據(jù)，滿足條件則繼續(xù)進(jìn)行語(yǔ)音識(shí)別。現(xiàn)存語(yǔ)音參數(shù)模型無(wú)法滿足要求時(shí)，開(kāi)啟數(shù)據(jù)驅(qū)動(dòng)演化。

圖1：模型驅(qū)動(dòng)演化時(shí)序圖

在開(kāi)源語(yǔ)音識(shí)別系統(tǒng)輔助應(yīng)用的過(guò)程中，回望開(kāi)源語(yǔ)音識(shí)別模塊為了適應(yīng)環(huán)境和提高識(shí)別效果所作的工作，凝練模型驅(qū)動(dòng)演化算法如下：

算法1 ModelEvo()

算法1 在執(zhí)行過(guò)程中，需要等待系統(tǒng)滿足空閑狀態(tài)，所以等待的時(shí)間T 是該算法時(shí)間復(fù)雜度組成的重要一環(huán)。算法的執(zhí)行時(shí)間還依賴有多少個(gè)備用語(yǔ)音參數(shù)模型，每個(gè)備用語(yǔ)音參數(shù)模型都要進(jìn)行加載、識(shí)別和計(jì)算，此過(guò)程時(shí)間復(fù)雜度為N。當(dāng)現(xiàn)存語(yǔ)音參數(shù)模型都無(wú)法滿足應(yīng)用需求時(shí)，需要啟動(dòng)數(shù)據(jù)驅(qū)動(dòng)演化DataEvo()，在進(jìn)行數(shù)據(jù)驅(qū)動(dòng)演化時(shí)時(shí)間復(fù)雜度為I，綜上所述，算法1 的總體時(shí)間復(fù)雜度為O(T+N+I)。算法1 的空間復(fù)雜度主要取決于對(duì)語(yǔ)音參數(shù)模型的篩選過(guò)程，此過(guò)程的空間復(fù)雜度為S(n)=O(N)，所以算法1整體的空間復(fù)雜度為O(N)。

3 數(shù)據(jù)驅(qū)動(dòng)演化算法

在實(shí)際應(yīng)用過(guò)程中，存在通過(guò)方法庫(kù)和模型庫(kù)篩選語(yǔ)音參數(shù)模型后，模型驅(qū)動(dòng)演化加載最優(yōu)語(yǔ)音參數(shù)模型仍然無(wú)法滿足當(dāng)前復(fù)雜的應(yīng)用需求。為了解決以上問(wèn)題，本文提出了數(shù)據(jù)驅(qū)動(dòng)演化模型：依據(jù)新的語(yǔ)料訓(xùn)練滿足當(dāng)前復(fù)雜環(huán)境的語(yǔ)音參數(shù)模型，并將該語(yǔ)音參數(shù)模型加載到語(yǔ)音識(shí)別模型庫(kù)中。

數(shù)據(jù)驅(qū)動(dòng)演化模型依賴于滿足當(dāng)前應(yīng)用環(huán)境的新的語(yǔ)料，該語(yǔ)料的獲得途徑有兩種方式：首先可以從外部導(dǎo)入滿足應(yīng)用環(huán)境的語(yǔ)料；其次可以在該環(huán)境的應(yīng)用過(guò)程中采集語(yǔ)音數(shù)據(jù)，對(duì)語(yǔ)音數(shù)據(jù)進(jìn)行預(yù)處理，形成訓(xùn)練語(yǔ)料，語(yǔ)料數(shù)據(jù)量達(dá)到閾值時(shí)，啟動(dòng)訓(xùn)練過(guò)程，訓(xùn)練新的語(yǔ)音參數(shù)模型，加載語(yǔ)音參數(shù)模型到語(yǔ)音識(shí)別中，以此來(lái)提高適應(yīng)性。

如圖2所示的時(shí)序圖直觀的展示了數(shù)據(jù)驅(qū)動(dòng)演化的執(zhí)行過(guò)程。當(dāng)模型驅(qū)動(dòng)演化結(jié)束后，在接下來(lái)的應(yīng)用過(guò)程中，詞錯(cuò)率依然低于閾值時(shí)，反射式中間件開(kāi)始對(duì)數(shù)據(jù)庫(kù)進(jìn)行嗅探。在當(dāng)前應(yīng)用時(shí)段中，如果應(yīng)用人員從外部導(dǎo)入了新的語(yǔ)料庫(kù)，或者采集人員不斷采集語(yǔ)音數(shù)據(jù)，語(yǔ)音數(shù)據(jù)量達(dá)到可以訓(xùn)練的閾值時(shí)，反射式中間件開(kāi)始對(duì)系統(tǒng)資源狀態(tài)進(jìn)行嗅探。當(dāng)應(yīng)用程序處于空閑狀態(tài)以及系統(tǒng)資源充足時(shí)，語(yǔ)音識(shí)別模塊從數(shù)據(jù)庫(kù)獲取語(yǔ)料庫(kù)，進(jìn)行新語(yǔ)音參數(shù)模型的訓(xùn)練。訓(xùn)練結(jié)束后，將語(yǔ)音參數(shù)模型加載到語(yǔ)音識(shí)別系統(tǒng)中，并且依據(jù)語(yǔ)音特征更新方法庫(kù)和模型庫(kù)。

圖2：數(shù)據(jù)驅(qū)動(dòng)演化時(shí)序圖

依據(jù)數(shù)據(jù)驅(qū)動(dòng)演化模型，在語(yǔ)音輔助識(shí)別應(yīng)用過(guò)程中，本文提出了數(shù)據(jù)驅(qū)動(dòng)演化算法如下：

算法2 DataEvo()

算法2 中的輸入Cor 表示在語(yǔ)音識(shí)別輔助應(yīng)用開(kāi)始，依據(jù)當(dāng)前環(huán)境在數(shù)據(jù)庫(kù)中新創(chuàng)建的一個(gè)語(yǔ)料庫(kù)。算法2 的執(zhí)行過(guò)程主要是對(duì)數(shù)據(jù)庫(kù)和系統(tǒng)資源的探查。假設(shè)對(duì)數(shù)據(jù)庫(kù)嗅探了N 次，則此while語(yǔ)句的時(shí)間復(fù)雜度為O(N)；假設(shè)對(duì)系統(tǒng)資源嗅探了M 次后，滿足語(yǔ)音參數(shù)模型訓(xùn)練要求，則此過(guò)程的時(shí)間復(fù)雜度為O(M)。所以綜上所述，算法2 的時(shí)間復(fù)雜度為O(N)。因?yàn)橐?xùn)練新的語(yǔ)音參數(shù)模型，所以算法2 的空間復(fù)雜度取決于訓(xùn)練一個(gè)批次所使用的數(shù)據(jù)量，假設(shè)訓(xùn)練一個(gè)批次需要使用L 條數(shù)據(jù)，那么算法2 的空間復(fù)雜度為O(L)。

4 實(shí)驗(yàn)分析

本節(jié)結(jié)合實(shí)際應(yīng)用案例，首先，分別對(duì)上述模型驅(qū)動(dòng)演化模型和數(shù)據(jù)驅(qū)動(dòng)演化模型所提出的算法進(jìn)行驗(yàn)證，最后對(duì)得出的實(shí)驗(yàn)結(jié)果進(jìn)行分析說(shuō)明。

4.1 應(yīng)用案例

本文以開(kāi)源語(yǔ)音識(shí)別輔助乒乓球技戰(zhàn)術(shù)采集為背景，首先模擬采集過(guò)程中，因?yàn)槠古仪蚣紤?zhàn)術(shù)語(yǔ)言的特異性，識(shí)別效果無(wú)法滿足要求，驗(yàn)證系統(tǒng)實(shí)行模型驅(qū)動(dòng)演化，實(shí)現(xiàn)最優(yōu)語(yǔ)音參數(shù)模型的替換；其次模擬當(dāng)前模型庫(kù)中的語(yǔ)音參數(shù)模型仍無(wú)法滿足乒乓球技戰(zhàn)術(shù)采集要求，驗(yàn)證數(shù)據(jù)驅(qū)動(dòng)演化啟動(dòng)后對(duì)數(shù)據(jù)庫(kù)和系統(tǒng)資源的成功嗅探，最終實(shí)現(xiàn)語(yǔ)音參數(shù)模型的訓(xùn)練和加載。

4.2 實(shí)驗(yàn)結(jié)果

本節(jié)給出三組實(shí)驗(yàn)結(jié)果，分別是：識(shí)別結(jié)果和正確結(jié)果的嗅探；參數(shù)模型篩選比較替換；數(shù)據(jù)庫(kù)數(shù)據(jù)量的嗅探。

4.2.1 識(shí)別結(jié)果和正確結(jié)果的嗅探

在模型驅(qū)動(dòng)演化過(guò)程中，某段語(yǔ)音的詞錯(cuò)率是否滿足要求是啟動(dòng)模型驅(qū)動(dòng)演化的前提條件，所以嗅探器首先要對(duì)識(shí)別結(jié)果和人工更正后的正確結(jié)果進(jìn)行嗅探，以此來(lái)計(jì)算詞錯(cuò)率。

在語(yǔ)音識(shí)別輔助乒乓球技戰(zhàn)術(shù)采集中，首先語(yǔ)音識(shí)別模塊加載默認(rèn)語(yǔ)音參數(shù)模型；然后采集人員在應(yīng)用層錄入一段乒乓球技戰(zhàn)術(shù)語(yǔ)音，本文以speechDataA=“接相持段擺失”這一語(yǔ)音數(shù)據(jù)為例。語(yǔ)音識(shí)別模塊對(duì)speechDataA 進(jìn)行識(shí)別，識(shí)別結(jié)果為A=“接向十段白失”。嗅探器從語(yǔ)音識(shí)別模塊嗅探識(shí)別結(jié)果A 的同時(shí)，語(yǔ)音識(shí)別模塊將識(shí)別結(jié)果A 反映到應(yīng)用層，以供采集用戶進(jìn)行更正。嗅探器從應(yīng)用層探知采集用戶的更正動(dòng)作和用戶進(jìn)行下一段語(yǔ)音數(shù)據(jù)speechDataB 的錄制動(dòng)作后，獲得正確結(jié)果A′=“接相持段擺失”，最后開(kāi)始計(jì)算speechDataA 的詞錯(cuò)率。

因?yàn)閮蓚€(gè)嗅探動(dòng)作的成功執(zhí)行（從語(yǔ)音識(shí)別模塊嗅探識(shí)別結(jié)果A；嗅探采集用戶更正動(dòng)作和嗅探speechDataB 的錄制動(dòng)作，最后獲取正確結(jié)果A′）和詞錯(cuò)率的成功計(jì)算存在前后因果關(guān)系，所以本文以speechDataA 詞錯(cuò)率計(jì)算后的結(jié)果展示來(lái)驗(yàn)證算法1 中嗅探器的成功執(zhí)行。如圖3，speechDataA 的詞錯(cuò)率為50%，所以默認(rèn)語(yǔ)音參數(shù)模型的識(shí)別準(zhǔn)確率為50%。

圖3：詞錯(cuò)率計(jì)算

4.2.2 參數(shù)模型篩選比較替換

根據(jù)本文對(duì)乒乓球技戰(zhàn)術(shù)語(yǔ)言的研究，采集一條標(biāo)準(zhǔn)的乒乓球技戰(zhàn)術(shù)信息，其中最多含有7 個(gè)漢字，識(shí)別結(jié)果最多錯(cuò)一個(gè)的前提條件下，詞錯(cuò)率為14%，據(jù)此，本文將詞錯(cuò)率的比較閾值設(shè)置為20%，方便之后的實(shí)驗(yàn)研究。

顯然speechDataA 的詞錯(cuò)率明顯大于閾值，所以嗅探器開(kāi)始對(duì)系統(tǒng)運(yùn)行狀態(tài)進(jìn)行嗅探，當(dāng)系統(tǒng)處于空閑狀態(tài)后，依據(jù)語(yǔ)音特征，從方法庫(kù)（技術(shù)路線是：技戰(zhàn)術(shù)采集→山西口音普通話）和模型庫(kù)中檢索最優(yōu)語(yǔ)音參數(shù)模型備選模型。語(yǔ)音參數(shù)模型準(zhǔn)確率比較篩選后得到三個(gè)語(yǔ)音參數(shù)模型如表1所示。

表1：模型信息

語(yǔ)音識(shí)別模塊分別加載上述模型，依據(jù)speechDataA 和它的標(biāo)簽文本A′計(jì)算當(dāng)前環(huán)境下的詞錯(cuò)率。如圖4所示，Model10 的詞錯(cuò)率為66%左右，Model21 為33%左右，Model30 的詞錯(cuò)率為40%左右。Model21 與默認(rèn)語(yǔ)音參數(shù)模型相比，準(zhǔn)確率明顯提高。綜上所示，現(xiàn)有語(yǔ)音參數(shù)模型中，適應(yīng)當(dāng)前環(huán)境的最優(yōu)語(yǔ)音參數(shù)模型為Model21。

圖4：詞錯(cuò)率比較

本文通過(guò)對(duì)系統(tǒng)資源的監(jiān)控，首先驗(yàn)證了嗅探器對(duì)系統(tǒng)空閑狀態(tài)的探查。如圖5為系統(tǒng)資源使用情況隨時(shí)間的變化圖，圖中對(duì)系統(tǒng)的資源監(jiān)控起始于算法1 中備選語(yǔ)音參數(shù)模型的適應(yīng)性比較，結(jié)束于最優(yōu)語(yǔ)音參數(shù)模型加載前。所以根據(jù)圖中給出的CPU 使用率變化情況，在0ms 之前，系統(tǒng)監(jiān)控結(jié)束之后，CPU 使用率在30%以下，說(shuō)明系統(tǒng)處于空閑狀態(tài)，證明嗅探器對(duì)系統(tǒng)空閑狀態(tài)的嗅探結(jié)果是成功的。

圖5：系統(tǒng)資源圖

CPU 作為計(jì)算機(jī)系統(tǒng)的運(yùn)算和控制核心，是信息處理、程序運(yùn)行的最終執(zhí)行單元，所以當(dāng)軟件運(yùn)行時(shí)，CPU 使用率第一時(shí)間發(fā)生變化。從圖5可以發(fā)現(xiàn)：0-50ms，50-100ms，100-150ms 分別出現(xiàn)了一次波峰，因?yàn)橛腥齻€(gè)候選語(yǔ)音參數(shù)模型，所以每個(gè)時(shí)間段都表示算法在執(zhí)行一次加載語(yǔ)音參數(shù)模型、識(shí)別語(yǔ)音數(shù)據(jù)、計(jì)算詞錯(cuò)率、更新數(shù)據(jù)的過(guò)程。因?yàn)槿斯ぶ悄軐?duì)GPU 的使用是其在硬件資源使用上的一大特點(diǎn)，同樣，進(jìn)行語(yǔ)音識(shí)別時(shí)需要占用GPU 資源。如圖5綠色折線表示演化過(guò)程中，GPU 使用率變化情況，因?yàn)檫M(jìn)行了三次語(yǔ)音參數(shù)模型加載和語(yǔ)音識(shí)別過(guò)程，所以在時(shí)間線上也出現(xiàn)了三次波峰。圖5中橙色折線表示內(nèi)存使用情況，內(nèi)存主要負(fù)責(zé)暫時(shí)存儲(chǔ)CPU 的計(jì)算結(jié)果以及和外部存儲(chǔ)器交換資源。每個(gè)波峰都表示對(duì)識(shí)別結(jié)果和詞錯(cuò)率的計(jì)算和存儲(chǔ)，并將詞錯(cuò)率結(jié)果存儲(chǔ)到數(shù)據(jù)庫(kù)中。

4.2.3 數(shù)據(jù)庫(kù)數(shù)據(jù)量的嗅探

數(shù)據(jù)驅(qū)動(dòng)演化的目的是利用適應(yīng)當(dāng)前環(huán)境的語(yǔ)音數(shù)據(jù)，訓(xùn)練新的語(yǔ)音參數(shù)模型，提高之后語(yǔ)音輔助采集的語(yǔ)音識(shí)別效果。應(yīng)用過(guò)程中采集的語(yǔ)音數(shù)據(jù)達(dá)到一定數(shù)據(jù)量或者有新的語(yǔ)料庫(kù)導(dǎo)入才能開(kāi)始訓(xùn)練新的語(yǔ)音參數(shù)模型。

如圖6所示為嗅探器對(duì)系統(tǒng)創(chuàng)建的語(yǔ)料庫(kù)中語(yǔ)音數(shù)據(jù)量的嗅探。嗅探器每隔一段時(shí)間對(duì)語(yǔ)料庫(kù)中的數(shù)據(jù)量進(jìn)行嗅探，當(dāng)達(dá)到閾值時(shí)，停止嗅探。本文為方便測(cè)試，在實(shí)驗(yàn)過(guò)程中設(shè)置嗅探語(yǔ)音數(shù)據(jù)量的閾值為100 條語(yǔ)音數(shù)據(jù)，設(shè)置嗅探間隔為30min。在圖6中有兩條折線，表示本文分別作了兩次實(shí)驗(yàn)，實(shí)驗(yàn)變量為是否人工導(dǎo)入新的語(yǔ)料庫(kù)。藍(lán)色折線表示隨著語(yǔ)音輔助應(yīng)用的進(jìn)行，嗅探器感知到語(yǔ)料庫(kù)中的語(yǔ)音數(shù)據(jù)量在不斷增加，在210min 嗅探到117 條數(shù)據(jù)時(shí)，停止了嗅探活動(dòng)。橘色折線在120min 之后，就沒(méi)有新的嗅探數(shù)據(jù)，表明120min 之后，嗅探器停止了對(duì)系統(tǒng)創(chuàng)建的語(yǔ)料庫(kù)中數(shù)據(jù)量的嗅探，這是因?yàn)椋崽狡餍崽降搅擞赏獠繉?dǎo)入了新的語(yǔ)料庫(kù)，所以結(jié)束了對(duì)現(xiàn)有語(yǔ)料庫(kù)中數(shù)據(jù)量的嗅探。

圖6：語(yǔ)音數(shù)據(jù)量隨時(shí)間變化圖

5 結(jié)束語(yǔ)

面對(duì)開(kāi)源語(yǔ)音識(shí)別輔助應(yīng)用過(guò)程中因?yàn)樽R(shí)別環(huán)境和語(yǔ)音特征不同造成識(shí)別效果不佳，以及語(yǔ)音模型對(duì)采集人員的黑盒問(wèn)題，本文提出了模型驅(qū)動(dòng)演化算法和數(shù)據(jù)驅(qū)動(dòng)演化算法，通過(guò)替換和訓(xùn)練語(yǔ)音參數(shù)模型實(shí)現(xiàn)識(shí)別效果的提高。本文通過(guò)實(shí)驗(yàn)驗(yàn)證了模型驅(qū)動(dòng)算法和數(shù)據(jù)驅(qū)動(dòng)演化算法的有效性，利用開(kāi)源軟件演化技術(shù)可以提高語(yǔ)音識(shí)別輔助系統(tǒng)對(duì)環(huán)境的適應(yīng)性。最后通過(guò)語(yǔ)音輔助乒乓球技戰(zhàn)術(shù)采集系統(tǒng)的實(shí)現(xiàn)和應(yīng)用，進(jìn)一步驗(yàn)證了本文提出的開(kāi)源語(yǔ)音軟件演化技術(shù)在實(shí)際應(yīng)用中的效果。