gplda也就是我們常說的plda,即假設設本徵音和本徵通道滿足高斯分佈而得名．

ht-plda:重尾分佈的PLDA, 重尾分佈是指少量個體作出大量貢獻,佔大量的資源,假設的是student t 分佈

在一些論文中可以看到，ivector在HT-PLDA上的表現比GPLDA好，並且HT-PLDA的假設是說話人因子和抖動空間是符合student t 分

布，這樣就說明ivector中有很多非高斯的行為．

但是科學家大牛們就很皮，他們覺得由於GPLDA的效率和簡單性,HT-PLDA好是好但是騷操作很多，實現起來不是那麼的高效好用,他

們希望繼續保持PLDA的高斯簡便性設並且對ivector進行一些轉換去減少一些非高斯行為從而減少ivector中非高斯行為對最後效能的影響．畢竟，萬物皆高斯（⊙ο⊙）

大牛們的解決辦法是：一可以用簡單的LN+Whitening處理，第二個是非線性轉換

論文：Analysis of I-vector Length Normalization in Speaker Recognition Systems

參考上面論文，他們的想法和結果展示

Ｄaniel Garcia-Romero教授(來自Kaldi爸媽的學校JHU,x-vector創始人之一)相比Partrick Kenny的論文真的是通俗易懂，公式只挑有用的留著，文字不廢話，妥妥乾貨．

其實後續蠻多對PLDA無論是訓練還是打分的研究都是基於這篇論文，以及HT-PLDA和G-PLDA之間效能差別的分析想法．而我最近

就是在實現很多其他的PLDA的做法，我們稱之為後處理．等後續有發現後再來發文．

HT-PLDA　論文參考：Bayesian Speaker Verification with Heavy-Tailed Priors

Patrick Kenny這老哥寫的論文無論是什麼，都是妥妥的公式，我數學渣滓，嘔血都啃不來，有大神理解後，請告訴我一聲．

如我寫的東西有問題，請及時告訴我改正，謝謝！

手上的專案完成後應該會開始深度學習的內容，雖然我覺得傳統演算法的東西高深莫測，但是現在公司都在深度學習，不前進不行，

但我個人認為，深度學習與傳統演算法的差別在於特徵的差別，所以效能在各大領域會提高很多．畢竟傳統演算法的特徵都是基於很多假

設，假設即真實的世界不一定如大牛們所想，所以一定會存在一定的偏差．

日後更新以前的博文，並且把ivector的真正設計到的公式po上來，並且再聊聊我對說話人識別深度學習的感悟．但這個時間又得很久咯～