使用高斯混合模型的二元分类

【问题标题】：Binary Classification by using Gaussian Mixture Model使用高斯混合模型的二元分类
【发布时间】：2013-03-14 04:38:38
【问题描述】：

我想为决策边界实现 T=Log( f ( x | client) ) - Log( f ( x | impostor) )。我的训练和测试特征是 20*12。我已经应用了voicebox matlab 工具箱。我编写了以下 MATLAB 代码：

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

我应该使用对数概率的平均值还是对数概率的最大值？

【问题讨论】：

【解决方案1】：

由于估计的概率性质，您应该使用 lp_client 的总和。如果您有一系列独立事件（此模型中通常假设特征独立），则其概率是每个事件的概率的乘积：

P (Seq | X) = P(feat1 | x) * P(feat2 | X) ...

或者在日志域中

logP (Seq | X) = logP (feat1 | x) + logP(feat2 | X)

其实

logP (x | client) = sum (lp_client)

和

logP(x | impostor) = sum (lp_impostor)

【讨论】：

感谢您的回复，如果我想用 1024 混合构建通用背景模型 (UBM)，我是否应该像下面的代码一样在 1 个 GMM 中通过所有功能训练 GMM？ 'UBM=[training_features1;...;training_features1024]' '[m_ubm,v_ubm,w_ubm]=gaussmix(UBM,[],No_of_Iterations,No_of_Clusters); '