STC/MLLT--学习笔记

gmm建模方差使用对角矩阵的前提是假设特征之间相互独立，使用full或者block-diagonal矩阵可以对相关性的特征建模，但是参数增多。为了解决使用这个问题，有两种方法：
1. feature-space 使用DCT或者LDA去相关
2. model-space 不同的模型可以使用不同的转换，更灵活
semi-tied covariance matrices（STC）是model-space里面的一种形式，也是为了解决使用full covariance的参数量大的问题。相比于full covariance，这种方法的每个高斯分量有两个方差矩阵：
LDA:
1. 线性判别分析，是一种监督学习的降维技术，也就是说它的数据集的每个样本是有类别输出的。
2. LDA的核心思想为投影后类内方差最小，类间的方差最大。简单来说就是同类的数据集聚集的紧一点，不同类的离得远一点
3. LDA算法流程：
MLLT:
1. 最大似然线性变换
2. 是一个平方特征变换矩阵，用于建模方差，解决full convariance的参数量大的问题。
3. 相比于full convariance，该方法的每个高斯分量有两个方差矩阵：
kaldi中的train_lda_mllt.sh：
1. 主要功能：MFCC→CMVN→Splice→LDA→MLLT→final.matMFCC→CMVN→Splice→LDA→MLLT→final.mat ，然后训练GMM。
2. 该程序的执行流程为：
  1. 计算类内散度矩阵：
    1. 类内散度矩阵：为了最小化类内的可变性，类内分散。
    2. 计算：
      协方差矩阵计算：从每个观测值中减去平均值，然后用矩阵的转置执行矩阵乘法后计算平均值。
  2. 计算类间散度矩阵：
    1. 增加类间差异，类间分散。
    2. 计算（不同类均值相减并乘上转置）:

相关阅读:
value_counts()与count()的简单介绍
如何通过JMobile软件实现虹科物联网HMI/网关的报警功能？
中集集团飞瞳全球港口航运人工智能领军企业中集飞瞳，成熟港航人工智能AI为港口船公司大幅提效降本，新一代智慧港口智慧船公司解决方案
Windows的两种磁盘分区分别是什么？
8月10日TensorFlow学习笔记——TensorFlow 数据类型、创建、索引与切片、维度变换、前向传播
前端开发遇到问题整理
【工业设计】产品的第一印象是什么？
与指定数字相同的数的个数
SQL获取两个日期之间的天数
LLM实战：当网页爬虫集成gpt3.5

原文地址：https://blog.csdn.net/weixin_45647721/article/details/128074924