1
GMM:高斯混合模型
高斯混合模型(Gaussian mixture 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 nix
i
1, ,若這些點的分佈近似橢
球狀,則我們可用高斯密度函數
,
i
xg 來描述產生這些點的機率密度函數:
xxxg
T
d
1
2
1
exp
2
1
,;
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
求得。在上述高斯密度函數的假設下,當
i
xx
時,其機率密度為
,;
i
xg
,若
我們假設
nix
i
~1,
之間為互相獨立的事件,則發生
n
xxxX
21
,
的機率密度為
,;,;
1
i
n
i
xgXp
由於 X 是已經發生之事件,因此我們希望找出
,
值,使得
,;
Xp 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
Likelihood Estimation)
欲求得
,;
Xp 的最大值,我們通常將之轉化為求下列
),(
J
的最大值:
n
i
i
T
i
n
i
i
T
i
i
n
i
i
n
i
xxn
nd
xx
d
xg
xg
XpJ
1
1
1
1
1
1
2
1
ln2ln
2
2
1
ln2ln
2
,;ln
,;ln
,;ln),(
欲求最佳的
值,直接求
),(
J
對
的微分即可:
- 1
- 2
- 3
- 4
- 5
- 6
前往页