模式识别-第3章概率密度函数的参数估计分析.pptx

第三章 概率密度函数的参数估计;3.0 引言;概率密度函数的估计方法;3.1 最大似然估计;最大似然估计;似然函数;最大似然估计;正态分布的似然估计;3.2 期望最大化算法(EM算法);混合密度模型;两个高斯函数的混合;样本的产生过程;GMM模型产生的2维样本数据;GMM模型的参数估计;训练样本：;K-均值聚类;存在的问题：样本xt可能来自于任何一个子类，但在参数估计时只出现在一个子类中。 修改计算过程：;GMM的参数估计算法(EM);基本EM算法;基本EM算法;基本EM算法;EM算法的性质;隐含Markov模型 (Hidden Markov Model, HMM);输入语音波形;观察序列;一阶Markov模型;一阶Markov模型的状态转移;Markov模型的初始状态概率;一阶Markov模型输出状态序列的概率;一阶Markov模型实例;一阶隐含Markov模型;一阶隐含Markov模型实例;HMM的工作原理;HMM的参数表示;HMM的三个核心问题;估值问题;估值问题的计算;HMM估值算法的简化;HMM的前向算法;解码问题;Viterbi算法;Viterbi算法图示;学习问题;图示;变量说明;变量说明;前向-后向算法(Baum-Welch算法);HMM的其它问题;“左-右”模型结构;带跨越的“左-右”结构HMM模型;3.3 贝叶斯估计;贝叶斯估计与最大似然估计的差别;贝叶斯估计的一般理论;单变量正态分布的贝叶斯估计;均值的后验概率;均值的后验概率;均值分布的变化;类条件概率密度的计算;类条件概率密度的计算;共轭先验分布