在发音过程中，因为协同发音的影响，同一个音素在不同的位置，其发音变化很大，如下图所示：
同样的元音[eh]在不同的单词中的发音在频域上区分非常明显。
因为单音素monophone 是上下文独立的（context-independent）
为了能够表示这种区别，因此提出了triphone的概念，triphone是根据左右音素来确定的，因此是上下文相关的（context-dependent）
上图中：W对应的是词组；Q对应的是monophone；L对应的就是triphone；P对应聚类或者状态绑定之后的triphone
接下来本文就要讨论triphone聚类/状态绑定的过程。
聚类过程有2中，一种是居于数据驱动的聚类过程，第二种是基于决策树的聚类过程，首先讨论基于数据的过程
当单音素集合中有50个音素的时候，如果展开成[x-phone+y]形式的triphone的个数则有50*50*50=125，000个，假设8变量的高斯分布有44个参数（d+(d+1)*d/2）的话，一个triphone由3状态的hmm表示，那么总triphone集合中共参数个数为：125，000*3*44=16,500,000个参数，参数迅速爆炸了，因此，需要对triphone状态进行绑定，然后进行聚类
状态绑定的含义就是状态用共同的高斯参数，这样来减少参数爆炸的问题。
HMM状态绑定过程如下：
步骤为：
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（上图1）；
2）用EM算法迭代3-4次，对高斯参数重新进行估计（上图1）；
3）每个单高斯monophone q被克隆一次,用来初始化那些在训练数据出现的，未被绑定的triphone: x-q+y（上图步骤2）；
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γ被计算出来（上图步骤2）；
5）对每个triphone中的每一个状态，如果来自同一个monophone，则相应的状态被聚类，在每个聚好的类中，选择一个状态作为典型，同类中的状态绑定到这个状态（上图步骤3）；
6）绑定完成之后，对步骤5中的所有triphone的高斯参数再次进行EM迭代同时增加高斯混合模型中的组件（components），直到组件个数达到设定的预期或者性能达到测试预期。（上图步骤4）
上面过程简单总结就是：
monophone训练->monophone克隆->同样的状态进行绑定->增加混合高斯模型个数到设定值
状态绑定之后需要对triphone进行聚类，
聚类方法有两种，一种是基于data-driven的方法，第二种是基于决策树的方法。
基于data-driven的方法是根据状态的均值和方差进行聚类，这种方法的缺点是训练数据中未出现过的的triphone没有办法处理
接下来就要讨论第二种方法，triphone决策树聚类。
