GMM高斯混合模型.PDFVIP

GMM ：高斯混合模型 高斯混合模型 （Gaussianmixture model ，簡稱 GMM）是單一高斯機率密度函數的 延伸 ，由於 GMM能夠平滑地近似任意形狀的密度分佈 ，因此近年來常被用在語音 與語者辨識 ，得到不錯的效果 。 8 –1.單一高斯機率密度函數的參數估測法 假設我們有一組在高維空間 （維度為d）的點 x ,i 1n ，若這些點的分佈近似橢 i 球狀 ，則我們可用高斯密度函數 g x , 來描述產生這些點的機率密度函數： i 1  1 T 1  g x ;,  exp  x  x  d 2      2  其中 代表此密度函數的中心點 ，則代表此密度函數的共變異矩陣  （Covariance Matrix），這些參數決定了此密度函數的特性 ，如函數形狀的中心 點 、寬窄及走向等 。 欲求得最佳的參數來描述所觀察到的資料點 ，可由最佳可能性估測法的概念來 x x g x ;,  求得。在上述高斯密度函數的假設下 ，當 時 ，其機率密度為 ，若 i i x ,i 1~ n X x , x x  我們假設 i 之間為互相獨立的事件 ，則發生 1 2 n 的機率密度為 n p X ;,  g x ;,   i i 1 由於 X是已經發生之事件 ，因此我們希望找出 , 值 ，使得 p X ;, 能有最大 值 ，此種估測參數, 的方法 ，即稱為最佳可能性估測法 （MLE ，Maximum LikelihoodEstimation） 欲求得 p X ;, 的最大值 ，我們通常將之轉化為求下列 的最大值 ： J (,)   J (,) ln p X ;, n    