这篇博客主要是对其公式的理解
【和同学讨论后发现自己理解有问题,原因就是这里的那个occupation counts(γ)是个概率,而且这个概率还是之前HMM中估计参数的时候用的那个】
以下内容有误还未修改,不建议看继续看
前情提要
该论文主要是语音识别用决策树对三音素的HMM状态进行聚类。
其实就是决策树的一种分裂时选择问题的方式。我们一般用信息增益,信息增益比,基尼指数,方差,但这里用的是对观测特征的似然。
先给出论文中的公式
L(S)=∑f∈F∑s∈Slog(Pr(of;μ(S),∑(S)))γs(of)(1)
[嗯,然后论文中竟然还少了一个括号,再加上写的这么复杂,刚开始我都不知道那个少的括号补在哪里]
L(S)=−12(log[(2π)n|∑(S)|]+n)∑s∈S∑f∈Fγs(oF)(2)
自己理解下的推导
用似然作为标准其实就是希望对于训练数据的所有观测帧集合O似然增大,即
argmaxSy,snL(F|Sy)+L(F|Sn)−L(S)
其中Sy,Sn组成集合S,S和论文的含义一样是聚在树种某个node中的三音素状态集合
论文中所求的L(S)其实是L(F|S),其最直观的表示如下
其中FinS表示在F中出现在S中的of组成的集合
论文中貌似为了想统一用F表示,于是写成了如下
这个式子就和论文中的公式(1)是一致的。
设A=∑Ssp(s|of),其实若f在S中A=1否则A=0。也可以把of理解为唯一的数据,因此p(s|o_f)就是个0,1二值数。
上式中p(s|of)就是论文所说的那个后验γs(of),而
|FinS|=∑f∈F∑s∈Sp(s|oF)
至此完成了一个第一个阶段
将n元高斯公式
P(x|N(μ,∑))=1(2π)d2|∑|12exp(−12(x−μ)T∑−1(x−μ))
带入就可得到论文中的公式(2),或者是我写的形式
最难理解的当属那个n了,其实要记住μ,∑都是由集合FinS中的数据训练得到的,于是
n⋅|FinS|=∑FinSf(of−μ)T∑−1(of−μ)
不知为什么优快云打出的公式带有竖线。