cug_coffee的博客

高斯混合模型，首先说的那就是高斯分布， f(x)=12πσexp⁡(−(x−μ)22σ2)=N(x,σ,μ2) f(x)=\frac{1}{\sqrt{{2\pi}}\sigma}\exp(-\frac{(x-\mu)^2}{2\sigma^2})=N(x,\sigma,\mu^2) f(x)=2π​σ1​exp(−2σ2(x−μ)2​)=N(x,σ,μ2) 对应的均值方差是μ\muμ，σ2\si...

现在简单写写最大似然估计。 最大似然估计是一个概率估计问题，譬如已知一个数据空间XXX，数据XXX中的每一个样本都有n为特征。有样本整体x=[x1,x2,x3,x4,.....,xn]x=[x_1,x_2,x_3,x_4,.....,x_n]x=[x1​,x2​,x3​,x4​,.....,xn​]。同时了有这样的先验知识，知道数据空间XXX里面所有的样本，都符合一个的概率密度函数(prob de...

这里就直接贴上代码了。 digraph G { node [shape = circle] 0 -> 1 [ label = sil ] 0 -> 2 [ label = w ] 1 -> 1 [ label = sil ] 1 -> 2 [ label = w ] 2 -> 2 [ label = w ] 2 -> 3 [ labe...

现在写写一般的构图逻辑，这里会介绍ci-phone的，同时也会介绍cd-phone的构图逻辑。 一般介绍 ci-phone构图 cd-phone构图 下面先介绍下技术背景，主要应用在解码过程中，也就是语音识别；譬如唤醒、命令词都可以应用。对于一个词的发音序列 word : phn1 phn2 phn3 word: A B C D E ... Z 其中A就是词头，Z就是词尾。 先介绍ci-p...

简单回顾一下今天所看的内容： gmm-hmm pdf： 概率密度函数，在这里可以由gmm来估计，同样也可以用dnn来估计。 gmm： 高斯混合模型，单高斯函数，多高斯函数。 能拟合任何函数，这里会涉及到均值方差等变量 语音有短时平稳的特性，可以用高斯混合模型来估计；从而就会有概率密度函数。 hmm：隐马尔科夫模型，双马尔科夫链的过程。关键在于理解状态。 首先需要的说的马尔科夫链。当与时间无关时，...

这里贴一个网页： https://www.cnblogs.com/wjgaas/p/4523779.html 简单的说： Posterior probability ∝ Likelihood × Prior probability 从语音识别的角度来看这个问题，那么就是，解码的过程就是求取后验概率的过程。 ref_W = argmax_w(p(O|W) * P(W)/P(O)) 已知观察...

这里记录一下语音识别中的拓扑的问题。 三因子状态的topo Chain-model的topo Ctc的topo 三因子状态的topo <Topology> <TopologyEntry> <ForPhones> 1 2 3 4 5 6 7 8 </ForPhones> <State> 0 <PdfClass> 0 <...