上一篇主要讲了triphone 状态绑定的过程，本文主要讲triphone的决策树聚类过程。
基于data-driven的聚类算法，如KNN，有个缺点，就是无法处理训练数据中没有出现过的triphone，基于决策树的聚类可以解决这个问题。
基于决策树的聚类过程中，把任意一个phone分裂成2类，其log 似然必然会增加，因为分裂后同样的个数的数据，其参数增加一倍，因此，选择不同的question对phone集合进行分裂，使得分裂后的log 似然增加最大。具体描述如下：
1）初始所有的状态都在一个类别中，作为tree的root节点；
2）找到一个question，使得分裂后的2个类别的log 似然增加最大，把当前的question作为当前tree节点的问题；
3）从上到家重复这个过程，直到分裂后，增加的log 似然小于某个给定的阈值；
4）最后，对不同父亲节点的两个叶子节点的类别成一个类，计算其减少的log 似然是否小于给定的阈值，如果小于这个阈值，则合并，否则不合并。
其中log似然计算公式如下：s表示HMM中的状态，F代表训练数据中的帧，γ代表占用数(state occupation counts)
实际中通过monophone训练triphone的过程综合了状态绑定和决策树聚类的过程，核心步骤如下所示：
1）用flat-start方式创建 monophone集合，每个状态的输出概率密度函数为单高斯概率密度，均值，方差为训练数据的全局均值和方差；
2）用EM算法迭代3-4次，对高斯参数重新进行估计；
3）对train data中出现的所有x-q+y音素，拷贝monophone q的状态的参数给triphone x-q+y，这样创建了上下文相关音素x-q+y，这步也是对triphone进行初始化的过程
4) 对这些triphone，用EM算法再次迭代，来高斯参数重新进行，同时状态j的占用数(state occupation counts)γ被计算出来
5) 把这些trephine用上述介绍的决策树聚类算法进行聚类。
6）最后对每个类增加高斯混合模型的component，并用EM重新估算高斯参数，直到节点个数到达给定的阈值。
以上就完成了monophone生成triphone的过程。
谢谢。
