M=10; %产生M行N列的随机数矩阵
N=8;
miu1=1;%第一个分布的参数
sigma1=2;%第一个分布的参数
miu2=6;%第二个分布的参数
sigma2=1;%第二个分布的参数
R = 02normrnd(miu1,sigma1,M,N)+08normrnd(miu2,sigma2,M,N);
单点的概率全是0，那你取出来的随机数算什么？
若干个随机数要满足统计分布，是要按区间统计的
另外我不知道你要做什么就是了。
你如果想按一定的概率密度来产生随机数，你最好用反函数法之类的来弄。
比如产生一个x^2分布的随机数，不过这些要归一化。
============================================
首先，我知道我的是错的了。如下图就可知
M=1000; %产生M行N列的随机数矩阵
N=1;
miu1=1;%第一个分布的参数
sigma1=2;%第一个分布的参数
miu2=6;%第二个分布的参数
sigma2=1;%第二个分布的参数
R = 02normrnd(miu1,sigma1,M,N)+08normrnd(miu2,sigma2,M,N);
x=-5:0001:15;
y1=normpdf(x,miu1,sigma1);
y2=normpdf(x,miu2,sigma2);
subplot(2,2,1);
plot(x,y1);
subplot(2,2,2);
plot(x,y2);
subplot(2,2,3);
y3=02y1+08y2;
plot(x,y3);
subplot(2,2,4)
dx=05;
xx=-5:dx:15;
yy=hist(R,xx);
yy=yy/M/dx;
plot(x,y3);
hold on
bar(xx,yy)
=======================================
正确做法，我还没弄出来，继续中。。。。
============================================
_____________________新的尝试
下面的结果我觉得可能可以接受。
思路：基于反变换法
Matlab下面有
p=normpdf(x,miu,sigma)是求出x处的概率密度。
p=normcdf(x,miu,sigma)是求出X<x的累积概率密度(就是从负无穷大到x处的概率密度的积分)
我给定一个区间，这个区间外的概率我认为是0（这一点不够严谨，理论上应当是从负无穷到正无穷）
我这里取的是-10:15，其间我取了25000个点，求出这些点的累积概率值(两个的加权和y3)，记这个为F(x)，根据反变换法，
F(x)=u,其中u是一个0到1的均匀随机数。只要求出它的解x0,那么x0就满足所给定的概率密度分布。这里我用的是插值。用
（y3,x）来插值出u所在的位置
声明，这里有一些地方不够严谨，严谨应当用解析的方法来做反变换。
%%%%%下面是程序
M=1000; %产生M行N列的随机数矩阵
N=1;
miu1=1;%第一个分布的参数
sigma1=2;%第一个分布的参数
miu2=6;%第二个分布的参数
sigma2=1;%第二个分布的参数
x=-10:0001:15;
y1=normpdf(x,miu1,sigma1);
y2=normpdf(x,miu2,sigma2);
y3=02y1+08y2;
y1=normcdf(x,miu1,sigma1);
y2=normcdf(x,miu2,sigma2);
y=02y1+08y2;
u=rand(N,M);
R=interp1(y,x,u,'linear');
dx=05;
xx=-10:dx:15;
yy=hist(R,xx);
yy=yy/M/dx;
bar(xx,yy)
hold on;
plot(x,y3,'r')
这应该是职级划分的方式，总体来说分为p级与m级，p级代表执行层，也就是员工，m及代表管理层；gm代表管理高层如高级总监。
薪酬方面：
每个职级应该都分为多个档位，如p1可能工资分为12档（大体如是），分别是1-12k；p2分为12档，分别是3-15k。薪酬也会出现倒挂的情况，如职级为p1，但是薪酬 是14k，那就会出现职级晋升为p2，但薪酬不调整的情况。
1、GM是General Manager缩写即总经理
2、M级即Manger经理代表管理层
3、p级代表执行层，也就是员工
扩展资料：
薪酬体系中职位级别GM,M,P共同点：
都符合公平性，激励性，竞争性这三个原则
不同点：
职位薪酬体系适用于大部分企业（但并不适合过于扁平化的企业以及技术研发为核心的企业），而技能薪酬体系则特别适用于以技术研发为核心的行业（比如IT行业）。职位薪酬体系是一种较为稳定的体系，员工的薪酬增长是随着职位晋升而提高的；
而技能薪酬体系则给员工提供了更大的薪酬增长机会，员工更加重视自身的技术发展。
在监督管理方面，职位薪酬体系的企业需要加强监管力度，而技能薪酬体系的企业则可以减少一些。技能薪酬体系更适合于大公司，因为他们能够在提供培训机会和支付高额培训费中更有优势。
-薪酬体系
声学模型的输入是由特征提取模块提取的特征。一般来说，这些特征是多维的向量，并且其取值可以是离散或连续的。早期的声学模型常常采用矢量聚类(Vector Quantification)的方法，将信号直接映射到某个码本k，而后再计算某个模型j输出该码本的概率bj(k)。但是这一方法是比较粗糙的，其性能受到VQ算法的极大影响，如果VQ本身性能就很差，声学模型的估计就会很不准确。因此，对于连续取值的特征应当采用连续的概率分布。由于语音信号特征的分布并不能用简单的概率分布，例如高斯分布等来直接描述，故而常用混合高斯模型或混合拉普拉斯模型等方法对语音信号的分布进行拟合。在此，混合高斯分布可以表示为若干高斯分量Gi的加权组合。即：
G(x) = \prod_{i=1}^{n}w_i\cdot G_i(x) 其中Gi(x)是均值为μi方差为σi的高斯分布。从数学角度看，当i趋向于无穷时，任何连续分布都可以用混合高斯模型来逼近。但是，高斯混合模型也存在着问题，那就是其计算量偏大。假设对于一个包含n个混合分量的混合高斯模型，其维度为m维，那么至少要进行m\times n次运算才能得到结果，如果有i个模型需要计算，那么时间复杂度就是O(mnk)。相比之下，离散HMM就相对简单，只需要进行一次VQ，再进行i次查表操作，就能够计算所有模型的概率值。因此，也出现了将二者结合起来的半连续隐马模型。其思路是输出概率不仅仅由bj(k)来决定，还乘上了VQ的概率，亦即该信号属于次码本的概率。
从精确度上看，连续隐马模型要优于半连续隐马模型，而半连续隐马模型又优于离散隐马模型。从算法复杂度上来看则正好相反。[2]
高斯混合模型（Gaussian Mixture Model, GMM）是语音信号处理中的一种常用的统计模型，该模型的一个基本理论前提是只要高斯混合的数目足够多，一个任意的分布就可以在任意的精度下用这些高斯混合的加权平均来逼近。一个包含M个分量的高斯混合分布的概率密度函数是M个高斯概率密度分布函数的加权组合，定义为[3]:
p(x|\lambda) = \sum_{i}^{M}\omega_ip_i(x) 其中的x是D维随机矢量，p_i(x), i = 1, 2, \cdots,M为M个概率密度函数分量，\omega_i, i = 1,2,\cdots,M为各个概率密度函数分量的权重。在上式中，每个概率密度函数分量pi(x)都服从D维高斯分布，即
p_i(x)=\frac{1}{(2\pi)^{D/2}|\Sigma_i|} \exp\left\{-\frac{1}{2}(x-\mu)'\Sigma_i^{-1(x-\mu_i)}\right\} 其中，μi表示该高斯分量的均值，Σi表示该高斯分量的协方差矩阵。另外，为了满足概率密度函数分布的要求，上式中各个概率密度函数分量的权重必须满足\sum_{i=1}^{M}w_i = 1的要求。
在高斯混合模型中，每一个高斯概率密度函数分量pi(x)都可以由其权重wi、均值μi和协方差矩阵Σi来描述。这样，一个完整的M分量混合的高斯分 布就可以由以下的三元组集合来表示：
\lambda=\left\{w_i,\mu_i,\Sigma_i\right\} \quad\quad i=1,2,\cdots,M GMM模型的主要问题为训练问题，亦即参数估计问题数估计，使得GMM模型和训练数据之间达到最佳的匹配程度。GMM的参数估 计方法有多种方法，其中应用最广泛的是基于最大似然准则(Maximum Likelihood Estimation, MLE)的方法。
对于一段给定的训练语音特征序列O = O_1,O_2,\cdots,O_T ，GMM模型的似然度定义为：
p(O|\lambda) = \prod_{t=1}^{T}p(O_t|\lambda) 最大似然估计的主要思想就是要找到使得GMM模型对于训练语料的似然度最大的模型参数λ。同HMM的训练类似，GMM训练也可以通过EM进行训练，其模型参数更新公式为：
\hat{w}_i = \frac{1}{T}\sum_t^{T}p(i|x_t,\lambda) \hat{\mu}_i = \frac{\sum_{t=1}^{T}p(i|x_t,\lambda)x_t}{\sum_{t=1}^{T}p(i|x_t,\lambda)} \hat{\sigma}_i = \frac{\sum_{t=1}^{T}p(i|x_t,\lambda)x^{2}_t}{\sum_{t=1}^{T}p(i|x_t,\lambda)\hat{\mu}_i^2}-
其中p(i | xt,λ)表示xt属于第i个高斯分量的后验概率。而w_i,\mu_i,\sigma_i^2分表表示上一步迭代中模型的 权重、均值、协方差矩阵，而\hat{w_i},\hat{\mu_i},\hat{\sigma}_i^2则是更新后的对应参数。p(i | xt,λ)的定义为：
p(i|x_t,\lambda) = \frac{w_ip_i(x_i)}{\sum_{k=1}^M w_kp_k(x_i)} 如果随机矢量各维间的是独立的，那么可以采用对角协方差阵，亦即仅估计方差。这种方法能够极大减少模型参数，让模型训练更加充分。同时，需要注意的是，在某些情况下，对角协方差阵可能会出现非常小的方差值，从而使得协方差阵奇异。因此在训练对角协方差阵的时候必须采用最小方差约束。亦即当新估计出的某维方差\hat{\sigma}_i小于设定σmin时，让\hat{\sigma}_i等于σmin。
在声学模型训练中常用GMM为状态输出概率建模，同时GMM也常用于其他声音分类任务中，例如声音分割与分类，说话人识别等。
欢迎分享，转载请注明来源：品搜搜测评网
微信扫一扫
支付宝扫一扫
