簡單回顧一下今天所看的內容：
gmm-hmm
pdf： 概率密度函式，在這裡可以由gmm來估計，同樣也可以用dnn來估計。
gmm：
高斯混合模型，單高斯函式，多高斯函式。
能擬合任何函式，這裡會涉及到均值方差等變數
語音有短時平穩的特性，可以用高斯混合模型來估計；從而就會有概率密度函式。
hmm：隱馬爾科夫模型，雙馬爾科夫鏈的過程。關鍵在於理解狀態。
首先需要的說的馬爾科夫鏈。當與時間無關時，就是齊次馬爾科夫鏈。
隱馬爾科夫模型的特性。
引數問題：
a: 轉移概率[a_ij]
π：初始化概率[π_i]
b: 概率密度函式，離散連續的問題，這裡就是概率密度函式了，這裡就是上面的pdf了。gmm或者dnn來估計。
b: 在給定觀察序列時，各個狀態的概率是多少。即可以理解為gmm的輸出或者dnn的輸出。各個聚類的概率。
隱馬模型的訓練，在於估計轉移概率，概率密度函式的各個引數。
gmm-hmm . -> dnn-hmm:
這裡就是指概率密度函式的替換，也就是對引數估計的替換，即b的替換。
dnn-hmm . -> dnn-ctc:
這裡是ctc替換了hmm，將序列的訓練轉換成了ctc模型。
ctc替換了hmm，在**層面的表象上，就是指topo還掉了。
對於hmm，乙個hmm，三狀態，見拓撲hmm的表示。
對於ctc，乙個token可以跳轉到blk，blk不能跳回token了。
ctc-hmm核心在於序列訓練的準則。
GMM HMM語音識別
現在假設知道了hmm模型中的乙個狀態 比如，孤立此識別中，這裡乙個狀態代表乙個詞 對應的k個多維高斯的所有引數，則該gmm生成該狀態 該詞 上某乙個觀察向量 的概率就出來了，即，知道了某個孤立詞對應的k個高斯模型的所有引數，那麼，就可以計算一幀觀測值對於該詞的概率。以下是文獻中提到的 機器學習 資料...
語音識別 之 GMM HMM
gmm，gaussian mixture model，gmm，高斯混合模型。資料往往不知道是哪個高斯分布，這給gmm的引數初始化帶來困難。所有聚類演算法都可用於此，常用的有k means lbg等。模型自適應，由於各地口音，採集裝置，環境雜訊等因素的差異，已訓練過的gmm hmm很可能和新領域的測試...
語音識別 聲學模型（GMM HMM）
本文主要講解一下gmm hmm演算法聲學模型的大概思路！聲學模型的目的是將經mfcc提取的所有幀的特徵向量轉化為有序的音素輸出。概述如下 我們都知道hmm模型裡面有隱含狀態概念。我們需要弄明白音素hmm模型的隱含狀態與乙個音素之間的關係，通常乙個音素含有3到5個狀態，如果乙個包含代表乙個音素的hmm...