參考資料
相應(yīng)工具包：bob.learn.em
K-Means
bob.learn.em.KMeansMachine,bob.learn.em.KMeansTrainer
GMM
- GMM中的EM迭代講解：Mathematical Monk
- MLE：
bob.learn.em.ML_GMMTrainer
最大似然估計(jì)——給定假設(shè)的模型參數(shù)，查看數(shù)據(jù)在模型上擬合的程度 - MAP：
bob.learn.em.MAP_GMMTrainer
極大后驗(yàn)概率——給定觀測(cè)數(shù)據(jù)和先前假設(shè)的模型參數(shù)（先驗(yàn)）推算出當(dāng)前模型參數(shù)的概率分布
會(huì)話(huà)間變化建模
（理論還沒(méi)學(xué)習(xí)）
bob.learn.em.GMMStats：計(jì)算0,1,2階統(tǒng)計(jì)量轧葛，即數(shù)據(jù)在模型上的分布統(tǒng)計(jì)两蟀，其中1,2階統(tǒng)計(jì)量均未進(jìn)行中心化
- 會(huì)話(huà)間變化ISV
bob.learn.em.ISVBase,bob.learn.em.ISVTrainer
理論：假設(shè)類(lèi)內(nèi)變化存在于GMM的均值超向量組成的空間中的一個(gè)線(xiàn)性子空間中开伏，且這些變量可以通過(guò)偏移量加以抑制捣辆，如MAP自適應(yīng)中的每個(gè)均值谴垫。
假設(shè)有類(lèi)富弦，計(jì)算得到
后,表示每一類(lèi)的類(lèi)內(nèi)變化方向而线，后期需要被抑制。
參考文獻(xiàn)：
Session variability modelling for face authentication
Explicit modelling of session variability for speaker verification
JFA
ISV的擴(kuò)展嗡官，附加假設(shè)類(lèi)間變化在一個(gè)低秩矩陣V中箭窜，同時(shí)估計(jì)參數(shù)U與V，計(jì)算得到與
后,
需要被抑制衍腥，
需要被添加磺樱。
Ivector
使用總變異矩陣，bob.learn.em.IVectorMachine,bob.learn.em.IVectorTrainer
線(xiàn)性打分
bob.learn.em.GMMStats.sum_px
（待完善婆咸，沒(méi)聽(tīng)過(guò)呀）
PLDA
bob.learn.em.PLDABase：存放PLDA模型參數(shù)
bob.learn.em.PLDATrainer：創(chuàng)建訓(xùn)練PLDA模型的對(duì)象
bob.learn.em.train()：訓(xùn)練PLDA模型參數(shù)（為什么這里就直接是train呢竹捉？沒(méi)有任何特征標(biāo)識(shí)）
bob.learn.em.PLDAMachine：加載PLDA模型參數(shù)plda.compute_log_likelihood()：計(jì)算兩個(gè)樣本擁有一樣隱變量的概率（該隱變量即為身份變量）
bob.learn.em.PLDATrainer.enroll()：預(yù)先保存注冊(cè)信息
bob.learn.em.PLDAMachine.log_likelihood_ratio()：P(兩個(gè)樣本擁有一致身份)/P(兩個(gè)樣本擁有不同身份)
得分歸一化
補(bǔ)償由于不同注冊(cè)和驗(yàn)證樣本條件的變化而導(dǎo)致的輸出分?jǐn)?shù)的統(tǒng)計(jì)變化。通過(guò)修改系統(tǒng)輸出分?jǐn)?shù)的分布尚骄，以便更好地應(yīng)用單一的块差、全局的閾值。
- Z-Norm：
bob.learn.em.znorm() - T-Norm：
bob.learn.em.tnorm() - ZT-Norm：
bob.learn.em.ztnorm()
