背景
Global Semi-tied Covariance (STC)/Maximum Likelihood Linear Transform (MLLT) estimation
gmm建模方差使用对角矩阵的前提是假设特征之间相互独立,使用full或者block-diagonal矩阵可以对相关性的特征建模,但是参数增多。为了解决使用这个问题,有两种方法:
- feature-space 使用DCT或者LDA去相关
- model-space 不同的模型可以使用不同的转换,更灵活
semi-tied covariance matrices是model-space里面的一种形式,也是为了解决使用full covariance的参数量大的问题。相比于full covariance,这种方法的每个高斯分量有两个方差矩阵:
1. diagonal covariance
2. semi-tied class-dependent nondiagonal matrix
最后的方差矩阵:
如果做变换
kaldi实现
steps/train_lda_mllt.sh
假设特征40维,得到的mllt转换矩阵是40*40,转换矩阵同时作用于gmm的均值和特征
参考
1.Semi-tied covariance matrices for hidden Markov models