MLLT(最大似然线性变换)
来源:互联网 发布:php教程视频 百度云 编辑:程序博客网 时间:2024/05/23 17:34
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,
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
这里,
其中
当对特征矢量做线性变换
由于采用了限制
但是在实际应用中的高斯模型是受限的,即样本协方差矩阵被对角化了。也就是说ML的模型参数
由于有Hadamard不等式,对于对称的非负定的矩阵有
也就是似然度变小了,模型的精度下降了。
而作了线性变换之后,似然度为
从而使得新空间中,模型与训练集的似然度增加。
- MLLT(最大似然线性变换)
- 线性变换(Linear Transformation)
- 线性变换
- 线性变换
- 线性变换
- 线性变换
- 声学特征变换 STC/MLLT
- 线性代数笔记(线性方程组、线性空间,线性变换)
- OpenCV学习笔记(一)线性变换
- 线性变换基础(终极理解汇总)
- 重温矩阵(I) 矩阵与线性变换
- 直接线性变换(DLT)求解单应性矩阵
- 3D数学 ---- 矩阵和线性变换(4)
- 3D数学 ---- 矩阵和线性变换(3)
- 3D数学 ---- 矩阵和线性变换(1)
- 3D数学 ---- 矩阵和线性变换(2)
- 3D数学 ---- 矩阵和线性变换 (转载)
- 线性代数笔记(2):线性变换及其矩阵表示
- Spring 配置多环境
- tf.add()
- Unity开发中的各种职位
- Java中int与Integer的使用区别
- FragmentTabHost、TabHost外接刷卡器,键盘等设备输入内容时,与EditText争抢焦点导致输入异常
- MLLT(最大似然线性变换)
- iOS-ReactiveCocoa(RAC)的高级使用之视图与模型的双向绑定
- BZOJ 1026: [SCOI2009]windy数 数位dp
- Spring AspectJ AOP 完整示例
- Spring AOP实现(自定义类)
- 抓取页面想要的数据
- Python guess 游戏
- 1
- TensorFlow中的tf.nn.softmax_cross_entropy_with_logits 交叉熵 损失函数