双周学习报告------GMM语种识别系统小结.pptVIP

双周学习报告------GMM 语种识别系统小结 徐颖 12月4日 1、主要内容 1 GMM 模型建立与测试 a, GMM模型的训练，建立； b, 运用建立的GMM模型进行识别； 2 EM算法原理 EM 算法又称期望最大(Expectation Maximization) 算法，最初由Dempaster,Laird 和 Rubin 提出的。它是一种在观测数据为不完全数据时求解极大似然估计的迭代算法。大大降低了极大似然估计的计算复杂度。 3 二元插值模型2、GMM系统描述 高斯混合模型(GMM)的核心思想是用多个高斯分布的概率密度函数的组合来描述特征矢量在概率空间的分布状况。用在语音识别中时，每个语种对应一个GMM 。 高斯混合模型用多个具有高斯分布的概率密度函数的加权和来表示，该概率密度函数的个数称之为高斯模型的混合数。一个具有 M个混合数的d维GMM，可以表示为：-----d维观察矢量 ;-----混合权重，且;------表示GMM模型的第i个高斯分量；-------均值矢量；-----表示协方差矩阵； 3、GMM模型参数训练 GMM模型参数的训练一般采用最大似然(ML：Maximum Likelihood)估计的方法。假设某说话人训练的观察矢量序列X={ ，i=1，2? ．，T}中各观察矢量xi是独立不相关的，对于GMM模型的似然度可表示为： 训练的目