GMM-HMM声学模型实例详解（标贝科技）

欢迎测试标贝科技AI开放平台 https://ai.data-baker.com/#/?source=qwer12

GMM-HMM声学模型实例详解

GMM-HMM为经典的声学模型，基于深度神经网络的语音识别技术，其实就是神经网络代替了GMM来对HMM的观察概率进行建模，建模解码等识别流程的格个模块仍然沿用经典的语音识别技术
接下来我将从GMM、最大似然估计到EM算法实例，再到最后使用一段语音介绍GMM-HMM声学模型参数更新过程

一、GMM (混合高斯分布)

1、正态分布(高斯分布)
如果你绘制出来的概率分布是一条钟型曲线，且平均值、众数和中位数都是相等的，那么随机变量X就服从正态分布，记为X~N(μ，σ2),正态分布概率密度函数：
其中，μ是随机变量的均值，控制曲线的位置，σ^2控制曲线的陡峭程度

2、GMM (混合高斯分布)：
假设一批数据由三个不同的高斯分布生成，将这批数据混在一起，该分布就称为高斯混合分布，从数学上讲，认为这批数据的概率分布密度函数可以通过加权函数表示：

二、最大似然估计：

最大似然估计：使用概率模型，找到模型中的参数能够以较高概率产生观察数据；简单来说就是给定一组观察数据评估模型参数的方法。
比如：要统计全国成年人的身高分布情况，测量全部人口的身高耗费人力物力，假设身高服从正态分布，抽取1000人(抽取样本太少估计出的参数会不太准确)，根据这1000人的身高分布估计全国人口的身高分布情况，已知身高服从正态分布，n个人的最大似然函数表示为：

(1)直接求L的最大值可能不太好求，等式两边同时取对数，根据对数的性质可以将乘除法法转变为加减法