GMM-HMM总结

最近在做毕设，所以查了很多的资料。有paper有博客，牛人太多了，浙大的一个妹子真的是太厉害了，而且长的也女神~~废话不多，接下来总结一下

GMM-HMM是两个算法，GMM和HMM。

其中GMM是混合高斯模型（Gauss of mixture models），什么意思呢。意思是说，给出一堆观察序列（可以是多维的可以是一维的），用几个高斯函数模拟一个模型，这个模型产生这些观察序列的概率最大，其中组合在一起的每个高斯函数都有一个权重设为Pi，所有Pi的和是1.那么通过EM算法的学习方法，把所有高斯函数的参数都给学习出来。高斯函数的限定只有两个参数我们称之为[mu,sigma],学过高斯人都应该知道，mu是中心点也就是均值，sigma代表了高斯函数的胖瘦，还有一个参数就是权重Pi。当模型搭建好了，用一个test序列跑一下，可以得出每个高斯函数的概率。GMM也是一个聚类过程，几个高斯函数就是几个中心。学习过程就是训练聚类的训练过程。

HMM是隐马尔科夫模型，是在不知道实际状态变化过程的情况下可以看到观察序列。

        之前一直不知道为啥要引入GMM，原来是HMM分为离散马尔科夫和连续的马尔科夫。比如说，离散的我可以穷举出所有的观察可能值，但是连续的就有无穷多观察值，这样Observe就不能确定了。那么需要引入GMM。

GMM把所有的训练样本学习一遍。把类似离散马尔科夫中的发射矩阵训练出来。也就是状态->观察值（可以是数，向量等）。这样HMM再训练自己的状态转移矩阵等，这样HMM就可以用了。

对于每个单词训练一个HMM的类型。只要将信号通过MFCC提取特征值，MFCC可以得到一个 特征维数*帧数 的矩阵。也就是说观察序列为特征维数*帧数 的矩阵。