@techreport{oai:ipsj.ixsq.nii.ac.jp:00214068,
 author = {野田, 脩介 and 川端, 豪},
 issue = {5},
 month = {Nov},
 note = {話者認識のための定番手法である混合ガウスモデル（GMM）において，混合要素の順番についてなんら制限が設けられていないため，GMM 適応における EM アルゴリズムの進行につれて，混合要素の平均値の大小関係が入れ替わることがある．これは GMM スーパーベクトルの不整合を引き起こし，話者認識性能の劣化につながる．本報告はまず，GMM 適応における EM アルゴリズムに最大事後確率（MAP）基準を用いた，パラメータ推定の安定化効果を確認する．次に，適応後の GMM スーパーベクトルの要素を特徴量ごとに整列（Sort）することによって混合要素の不整合を防止する．話者認識実験の結果，両者を併用（MAP&Sort）した場合に最良の結果が得られた．, The GMM (Gaussian Mixture Model) adaptation is a promising technology for speaker recognition systems. Because the GMM element order is arbitrary, GMM mean values can shift in order during EM (Expectation Maximization) iterations. This phenomenon leads to the miss alignments of GMM supervectors and degrades the speaker recognition accuracy. This paper, first, describes the MAP (Maximum A posteriori Probability) approach for stabilizing the GMM parameter estimation. Second, we introduce the “Sort” approach for re-arranging the mean values sorted in order in each speech feature. Experiment results show that the combination of MAP and Sort approaches well prevent miss alignments problem.},
 title = {GMM適応に基づく話者認識における混合要素整合の検討},
 year = {2021}
}