使用高斯混合模型进行二进制分类

我想为决策边界实现T = Log（f（x | client）） - Log（f（x | impostor））。我的训练和测试功能是20 * 12。我已经应用了语音盒matlab工具箱。我写下面的MATLAB代码：使用高斯混合模型进行二进制分类

if max(lp_client)- max(lp_impostor) >0.35 
    disp('accept'); 
else 
    disp('reject'); 
end

我应该使用Log对数的概率还是Log对数的最大值？

来源

2013-03-14 amir nemat

问题标题与内容相比太宽泛。 – minerals 2016-02-15 15:23:38

由于估计的概率性质，您应该使用lp_client的总和。如果你有一系列独立的事件（在这个模型中经常假设特征独立），它的概率是每个事件的概率的乘积：

P（Seq | X）= P（feat1 | x）* P （FEAT2 | X）...

或在数域

的logP（SEQ | X）=的logP（FEAT1 | X）+的logP（FEAT2 | X）

所以实际上

logP（x | client）= sum（lp_client）

and

logP（x |冒充者）=总和（lp_impostor）

来源

2013-03-14 10:36:34

感谢您的回应，如果我想用1024混合物构建通用背景模型（UBM），我应该像下面的代码那样通过1 GMM中的所有特征来训练GMM吗？ 'UBM = [training_features1; ...; training_features1024]''[m_ubm，v_ubm，w_ubm] = gaussmix（UBM，[]，No_of_Iterations，No_of_Clusters）; ' – 2013-03-18 02:34:28

是的，你可以这样做 – 2013-03-18 17:12:17

使用高斯混合模型进行二进制分类

回答

相关问题