gplda也就是我们常说的plda,即假设设本征音和本征信道满足高斯分布而得名．
ht-plda:重尾分布的PLDA, 重尾分布是指少量个体作出大量贡献,占大量的资源,假设的是student t 分布
在一些论文中可以看到，ivector在HT-PLDA上的表现比GPLDA好，并且HT-PLDA的假设是说话人因子和抖动空间是符合student t 分
布，这样就说明ivector中有很多非高斯的行为．
但是科学家大牛们就很皮，他们觉得由于GPLDA的效率和简单性,HT-PLDA好是好但是骚操作很多，实现起来不是那么的高效好用,他
们希望继续保持PLDA的高斯简便性设并且对ivector进行一些转换去减少一些非高斯行为从而减少ivector中非高斯行为对最后性能的影响．毕竟，万物皆高斯（⊙ο⊙）
大牛们的解决办法是：一可以用简单的LN+Whitening处理，第二个是非线性转换
论文：Analysis of I-vector Length Normalization in Speaker Recognition Systems
参考上面论文，他们的想法和结果展示
Ｄaniel Garcia-Romero教授(来自Kaldi爸妈的学校JHU,x-vector创始人之一)相比Partrick Kenny的论文真的是通俗易懂，公式只挑有用的留着，文字不废话，妥妥干货．
其实后续蛮多对PLDA无论是训练还是打分的研究都是基于这篇论文，以及HT-PLDA和G-PLDA之间性能差别的分析想法．而我最近
就是在实现很多其他的PLDA的做法，我们称之为后处理．等后续有发现后再来发文．
HT-PLDA 论文参考：Bayesian Speaker Verification with Heavy-Tailed Priors
Patrick Kenny这老哥写的论文无论是什么，都是妥妥的公式，我数学渣滓，呕血都啃不来，有大神理解后，请告诉我一声．
如我写的东西有问题，请及时告诉我改正，谢谢！
手上的项目完成后应该会开始深度学习的内容，虽然我觉得传统算法的东西高深莫测，但是现在公司都在深度学习，不前进不行，
但我个人认为，深度学习与传统算法的差别在于特征的差别，所以性能在各大领域会提高很多．毕竟传统算法的特征都是基于很多假
设，假设即真实的世界不一定如大牛们所想，所以一定会存在一定的偏差．
日后更新以前的博文，并且把ivector的真正设计到的公式po上来，并且再聊聊我对说话人识别深度学习的感悟．但这个时间又得很久咯～