gmm，gaussian mixture model，gmm，高斯混合模型。
資料往往不知道是哪個高斯分布，這給gmm的引數初始化帶來困難。所有聚類演算法都可用於此，常用的有k-means、lbg等。
模型自適應，由於各地口音，採集裝置，環境雜訊等因素的差異，已訓練過的gmm-hmm很可能和新領域的測試資料不匹配，導致識別效果變差，甚至效能急劇下降，因此需要做自適應訓練。有最大後驗概率估計map，最大線性似然回歸是兩種經典的自適應演算法mllr。
匹配反正也是通過類似動態規劃實現的。
GMM HMM語音識別
現在假設知道了hmm模型中的乙個狀態 比如，孤立此識別中，這裡乙個狀態代表乙個詞 對應的k個多維高斯的所有引數，則該gmm生成該狀態 該詞 上某乙個觀察向量 的概率就出來了，即，知道了某個孤立詞對應的k個高斯模型的所有引數，那麼，就可以計算一幀觀測值對於該詞的概率。以下是文獻中提到的 機器學習 資料...
語音識別 gmm hmm思考
簡單回顧一下今天所看的內容 gmm hmm pdf 概率密度函式，在這裡可以由gmm來估計，同樣也可以用dnn來估計。gmm 高斯混合模型，單高斯函式，多高斯函式。能擬合任何函式，這裡會涉及到均值方差等變數 語音有短時平穩的特性，可以用高斯混合模型來估計 從而就會有概率密度函式。hmm 隱馬爾科夫模...
語音識別 聲學模型（GMM HMM）
本文主要講解一下gmm hmm演算法聲學模型的大概思路！聲學模型的目的是將經mfcc提取的所有幀的特徵向量轉化為有序的音素輸出。概述如下 我們都知道hmm模型裡面有隱含狀態概念。我們需要弄明白音素hmm模型的隱含狀態與乙個音素之間的關係，通常乙個音素含有3到5個狀態，如果乙個包含代表乙個音素的hmm...