1 / 18

高斯混合模型 (Gaussian Mixture Model)

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

quintessa-haley
Download Presentation

高斯混合模型 (Gaussian Mixture Model)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 高斯混合模型(Gaussian Mixture Model)

  2. 高斯分布 其中μ為平均值 (Mean)，σ為標準差(Standard Deviation)

  3. 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

  4. 高斯混合模型 • 用一個高斯混合模型來表示一位語者

  5. 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

  6. 演算法流程

  7. LBG演算法

  8. D2 D1 Dtotal = D1 + D2

  9. 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

  10. 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

  11. EM演算法

  12. 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 特徵參數1 特徵參數4 特徵參數7 特徵參數8 4/12=0.3334

  13. 估算初始參數值 • 共變異矩陣

  14. 估算初始參數值 • 假設有三組特徵參數分別為 ， 則 平均值為4 平均值為3

  15. EM演算法 • 取得第i個混和的事後機率值

  16. EM演算法 • 對各參數進行重新估算

  17. EM演算法 • 進行最大相似估算 • 收斂條件 其中 收斂門檻

  18. 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

More Related