of Gaussians has limitations 1) whe

of Gaussians has limitations 1) when they are used to model a PDF with more number of modes than the components, and 2) when PDF has uniform regions. To address these limitations, we use Kernel Density Estimation (KDE). KDE is a data driven, non-parametric approach to probability mass function calculation. Here, we adopt it to model the emission PDF using a Gaussian Kernel as described in the following section:

Results (Vietnamese) 1:

của Gaussians có những hạn chế 1) khi họ được sử dụng để mô hình một PDF với số nhiều chế độ so với các thành phần, và 2) khi PDF đã thống nhất khu vực. Để giải quyết những hạn chế này, chúng tôi sử dụng hạt nhân mật độ dự toán (KDE). KDE là một dữ liệu hướng, cách tiếp cận không tham số để tính toán hàm khối xác suất. Ở đây, chúng tôi áp dụng nó để mô hình phát thải PDF bằng cách sử dụng một hạt nhân Gaussian như mô tả trong các phần sau đây:

Results (Vietnamese) 2:

Gaussian có những hạn chế 1) khi chúng được sử dụng để mô hình hóa một file PDF với số lượng nhiều hơn các chế độ hơn so với các thành phần, và 2) khi PDF có vùng đồng phục. Để giải quyết những hạn chế này, chúng tôi sử dụng Kernel Ước lượng mật độ (KDE). KDE là một dữ liệu điều khiển, phương pháp tiếp cận phi tham số để tính toán khối lượng chức năng xác suất. Ở đây, chúng tôi áp dụng nó để mô hình phát thải PDF bằng cách sử dụng một Gaussian Kernel như được mô tả trong phần sau đây: