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, yi=Axi ,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 Py 。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(XN1,{ μi}x,{ Σi}x)=Py(yN1,{ μi}y{ Σi}y)∗∏Mi=1|A|Ni 。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