伸展树是一种二叉平衡树，普通搜索树在构造序列不是很理想的情况下，访问复杂度会退化。相比于较高级的一点平衡树，伸展树实现上还是比较简单的，只有左旋和右旋两个操作。这种数据结构的优化思路是利用数据访问的局部性，将上次访问的数据节点旋转到根节点，而不破坏平衡树的结构。

GMM的传统建模中，为了避免建模单元参数过多，默认只存储协方差矩阵的对角形式。实际上这里做了一个隐性的假设，就是数据各个维度之间是不相关的，显然，这一点并不成立，但是如果对于每一个GMM建模单元都采取协方差矩阵表示方差的话，模型的整体参数量会急剧增大，所以，对于这一问题，一般有以下两种方式解决：

• 特征方案，通过去相关算法，使得数据分布更适合用对角矩阵建模，比如DCT和LDA算法
• 模型方案，根据生成观测的不同状态，使用不同的变换算法

Semi-Tied方法属于第二种，是基于state-specific rotation提出的一种通过在状态之间共享变换矩阵，解决该问题的方式。

最近需要参考一下文本检索的思路，所以看了一下后缀自动机并做了实现。

论文参考经典之作“Speech Recognition With Weighted Finite-State Transducers”，网上随便就能搜到。

对于一般决策树而言，每一次的最优划分，是要找到一个标准，使得在这种标准之下进行的划分获取的信息增益最大，这里的信息增益一般表示划分之后信息熵的增量。在ASR中，决策树的划分标准是获取最大似然提升，在GMM模型中，对于一个状态集合$S$，其似然表示为：

用Python调用C模块容易发生的就是参数类型不一致的问题，比如，C函数接收传入指针，python端怎么办？这里使用swig作为一种备选方案，处理方式不一定明智简洁，旨在说明可行性。

Linux上没装matlab，没有audition，开源的audacity程序没法看语谱(找到看的方法了……)，所以当时就简单写了一个，勉强能看。

pyfst是对openfst的python API封装，学习fst过程中，实现代价相对较低，安装的时候只要先装openfst，再pip install pyfst就OK了，但是，问题就出在这俩步上

用NDK很久了，玩一玩交叉编译，其实使用ndk-build和Android.mk，Application.mk文件也可以做这件事，但是因为NDK自带了toolchain的脚本，配置很方便，简单的编译可以依赖cmd了。

最近搞项目期间需要频繁的操作数据文件，之前都是用C进行操作，转到java的时候出现了一点小问题：
在Android平台上进行wave的特征重构，重构的wave文件希望使用C直接输入，因为这部分代码在PC上已经验证通过了。Android的话，Application的Context本身提供了openFileInput和openFileOutput，用于创建，写入存在目录/data/data/package_name/files/里面的文件。所以如果希望java能够读取C的输出文件的话，C在JNI部分的输出目录也应该是上面这个。