误差可控的GMM似然率近似算法

在语音识别领域，连续概率密度GMM广泛应用于声学建模．由于标准算法复杂度高，各种基于高斯选择的似然率近似算法被提出，包括：部分距离消去（PDE）、最优混合分量预测（BMP）算法，以及部分距离消去的动态高斯选择算法（DGS）．本文通过对各种算法的分析比较，在DGS的基础上引入误差控制参数，在保证算法运行效率的同时，有效的控制了运算误差的大小，为解决似然率近似算法中误差不可控的问题提供了新的思路．实验结果显示，此算法在不降低识别率的前提下，识别时间较标准算法减少10％以上．