高斯混合模型gaussianmixturemodel.pptVIP

高斯混合模型(Gaussian Mixture Model) 高斯分布 其中μ為平均值?(Mean)，σ為標準差(Standard Deviation) 高斯混合模型 利用高斯模型的平均值描述特徵參數的分佈位置，共變異矩陣來描述分型形狀的變化，因此高斯混合模型可以很平滑的描述聲音的特徵分佈 高斯混合模型(10個高斯成分)表示圖 高斯混合模型 用一個高斯混合模型來表示一位語者 高斯混合模型 高斯混合密度為M個高斯密度的權重加總，其公式為: 混合權重必須符合 之條件 基本密度是D維的高斯函數 其中 為特徵向量， 為高斯機率密度值， wi 為混合權重值 其中 為平均向量， 為共變異矩陣，D為特徵向量的維度 演算法流程 LBG演算法 Dtotal = D1 + D2 D1 D2 LBG演算法 計算整體平均向量 進行分裂: 將分裂後的平均向量進行分類，並計算出新群集的平均向量 LBG演算法 計算平均向量與特徵參數的距離總和，使得總體距離和獲得最小，也就是當更新率小於δ時即停止 重複之前的步驟，直到分裂到所設定的數目 其中，D’為前一回合的總距離值 EM演算法 估算初始參數值 假設有12個特徵參數(音框)，分群後的其中一個A群聚由特徵參數1 、 4、7和8四個特徵參數所組成，如下: 混合權重值wi 平均向量 1 2 3 4 5 6 7 8 9 10 11 12 特徵參數1 特徵參數4 特徵參數7 特徵參數8 4/12=0.3334 5.5 6.5 7.5 估算初始參數值 共變異矩陣 估算初始參數值 假設有三組特徵參數分別為 ， 則 1 2 3 4 5 6 平均值為3 平均值為4 EM演算法 取得第i個混和的事後機率值 第1個特徵參數 第2個特徵參數 第3個特徵參數 第4個特徵參數 w1b1 w2b2 w3b3 EM演算法 對各參數進行重新估算 EM演算法 進行最大相似估算 收斂條件 收斂門檻 其中 辨識 將每個樣本與待測的語音進行最大相似估算，機率值最大的，即為答案 * *