MLLT（最大似然线性变换）

主要目的是：在最大似然（ML）准则下使用一个线性变换矩阵对参数特征矢量进行解相关。

在ML准则下，评价一个模型‘好坏’的标准是训练数据与模型匹配的似然度，如果似然度越高的话，我们说这个模型越好。MLLT的作者给出了在最大似然准则下（ML）使用对角协方差矩阵的缺点，及其对训练数据集描述似然度的损失。

在原特征空间，建立模型，匹配训练数据，得到似然度P。考虑在特征空间做一个线性变换，$y_i = Ax_i$，然后在新的特征空间进行建模、匹配，同样得到一个新的似然度$P_y$。由于似然度分别在两个不同空间计算，所以不能直接相比，解决的办法有两个，一个是限制$|A|=1$，另一个办法就是将似然度变换回原空间的尺度：$P(X_1^N,\{\mu_i\}_x,\{\Sigma_i\}_x)=P_y(y_1^N,\{\mu_i\}_y\{\Sigma_i\}_y)*\prod_{i=1}^ M|A|^{N_i}$。这里，采用第一个限制来叙述，即采取限制$|A|=1$。

为简单起见，采取单高斯模型来分析，在原特征空间，单高斯模型对训练数据的似然度为

P=a(N,d)exp(−12N[(μ¯−μ)TΣ−1(μ¯−μ)+Tr(Σ−1