注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 高斯混合模型 EM 算法

  2. GMM只是一个数学模型，只是对数据形态的拟和，但是和你所看到的数据分布存在出入也是正常的，因为用EM估计GMM的那些参数时，一般假设我们所得到的数据是不完备的（也就是说假设我们看到的数据分布不是真正的分布，它在运算时把那部分丢失或者叫隐藏的数据“补”上了）

  3. 所属分类：其它

    • 发布日期：2012-09-08
    • 文件大小：11kb
    • 提供者：yu992324

  1. EM迭代高斯混合模型算法

  2. 高斯混合模型（GMM）可以平滑任意形状的概率分布。其参数求解方法一般使用极大似然估计求解，但使用极大似然估计法往往不能获得完整数据（比如样本已知，但样本类别（属于哪个高斯分布）未知），于是出现了EM（最大期望值）求解方法。 虽然上面说的简单，但是混合高斯模型和EM求解的理论还是比较复杂的，我把我所找到的我认为能够快速掌握高斯混合模型的资料打包到了附件中，大家可以去下载，了解混合高斯模型以及EM的完整推导过程。

  3. 所属分类：其它

    • 发布日期：2013-12-24
    • 文件大小：130kb
    • 提供者：u013268017

  1. 二维高斯混合模型GMM图形化简单明了

  2. 在matlab上实现的二维高斯混合模型 是基于界面形式的 直接画出高斯分布 更方便的了解GMM 你值得拥有 机器学习

  3. 所属分类：其它

    • 发布日期：2014-11-25
    • 文件大小：10kb
    • 提供者：monkey_g

  1. 生成二维高斯混合分布

  2. R语言。随机生成两个二维高斯混合分布，每种分布有1000个点。并运行R语言自带的EM算法的包。可直接运行。

  3. 所属分类：其它

    • 发布日期：2016-06-05
    • 文件大小：974byte
    • 提供者：u014214360

  1. 高斯混合模型(Gaussian Mixture Model)的背景建立

  2. 高斯密度函数估计是一种参数化模型。高斯混合模型（Gaussian Mixture Model, GMM）是单一高斯概率密度函数的延伸，GMM能够平滑地近似任意形状的密度分布。高斯混合模型种类有单高斯模型（Single Gaussian Model, SGM）和高斯混合模型（Gaussian Mixture Model, GMM）两类。类似于聚类，根据高斯概率密度函数（Probability Density Function, PDF）参数不同，每一个高斯模型可以看作一种类别，输入一个样本x，即

  3. 所属分类：讲义

    • 发布日期：2016-10-09
    • 文件大小：239kb
    • 提供者：issac12138

  1. EM算法求高斯混合分布java代码

  2. java编写的EM求解高斯混合分布的代码，有运行截图

  3. 所属分类：机器学习

    • 发布日期：2017-08-04
    • 文件大小：6kb
    • 提供者：hb_688

  1. GMM高斯混合模型C源码

  2. 高斯混合模型(Gaussian mixture model,简称GMM)是单一高斯机率密度函数的延伸,由於GMM 能够平滑地近似任意形状的密度分布,因此近年来常被用在语音与语者辨识,得到不错的效果。

  3. 所属分类：C

    • 发布日期：2008-12-06
    • 文件大小：62kb
    • 提供者：houliqiao

  1. 高斯混合分布

  2. 高斯混合分布建模，有详细的注释，matlab，对于学习高斯混合模型很有帮助

  3. 所属分类：算法与数据结构

  1. GMM高斯混合模型代码c++版

  2. 高斯混合模型（Gaussian Mixed Model）指的是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同的分布的情况（或者是同一类分布但参数不一样，或者是不同类型的分布，比如正态分布和伯努利分布）。该代码用vs2012打开即可运行。

  3. 所属分类：C++

    • 发布日期：2018-05-22
    • 文件大小：2mb
    • 提供者：liyajuan1226

  1. 高斯分布参数的极大似然估计，EM算法

  2. 哈工大研究生课程讲义高斯分布参数的极大似然估计，EM算法高斯混合模型算法的迭代公式推导 我们首先来推导般混合密度模型参数估计的算法达代公式,然后再将般的混合 密度模型具体化为髙斯混合模型。 混合密度模型 假设样本集={x1,…,x}中的样本相互独立,并且按照如下的过程产生: 样木是依据桃率由个分布中的一个产生的,分布的概率密度数为(x0), 1,,,0为分布的参数 由第个分布产生样本的先验概率为a 先验概率a=(a1…,a),以及分布的参数日,…,0均未知。 我们称样本集来自于一个混合密度模型,

  3. 所属分类：讲义

    • 发布日期：2019-03-03
    • 文件大小：209kb
    • 提供者：qq_27328663

  1. 基于高斯混合分布的交通拥堵评价模型.pdf

  2. 为了客观、有效的评价交通拥堵的程度, 采用速度指标作为反映交通流状态特征的关键变量, 针对交通流速 度变量存在混合分布的特点, 建立了基于高斯混合分布的交通拥堵评价模型, 并将EM 算法运用于模型求解, 通过 对速度变量的聚类分析, 以判别交通状态, 评价交通拥堵程度。上海市快速高架路实测数据应用模型分析的结果表 明: 模型可以客观分析交通流的混合分布, 有效评价交通拥堵。

  3. 所属分类：专业指导

    • 发布日期：2013-09-08
    • 文件大小：283kb
    • 提供者：ofourier

  1. (五)OpenCV图像分割_03_GMM(高斯混合模型)数据分类_机器学习

  2. 数据聚类 图像分类 高斯混合模型(GMM) 高斯分布与概率密度分布(PDF) 初始化 跟K-Means相比较，属于软分类(随机概率) 实现方法:期望最大化(E-M) 停止条件:收敛 样本数据训练与预言 #include #include using namespace std; using namespace cv; using namespace cv::ml; int main(int argc, char** argv) { Mat src(500, 500, CV_8UC3); R

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：84kb
    • 提供者：weixin_38640984

  1. 免疫自适应高斯混合粒子滤波器用于状态估计

  2. 粒子滤波器（PF）是一种灵活而强大的顺序蒙特卡洛（SMC）技术，能够对非线性，非高斯和非平稳动力系统进行建模。但是，通用PF受到粒子退化和样品贫乏的困扰，这极大地影响了其在非线性，非高斯跟踪问题上的性能。为了解决这些问题，提出了一种改进的PF。该算法由一个PF组成，该PF使用基于免疫自适应高斯混合模型（IAGM）的免疫算法来重新逼近后验密度。同时，三个免疫抗体操作员被嵌入到新的过滤器中。代替使用重采样策略，最新的观察结果和条件似然被集成到那些免疫抗体操作员中以更新粒子，这可以进一步改善粒子的多样

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：725kb
    • 提供者：weixin_38737144

  1. 磁共振图像中脑组织分割的多网格非局部高斯混合模型

  2. 我们提出了一种基于区域和非局部信息的新颖分割方法，以克服图像强度不均匀性和噪声在人脑磁共振图像中的影响。 考虑到大脑图像中不同组织的空间分布，我们的方法不需要针对强度不均匀性和噪声进行预先估计或预先校正的过程。 为了减少噪声的影响，提出了一种基于非局部信息的高斯混合模型（NGMM）。 为了减少强度不均匀性的影响，提出了一种多网格非局部高斯混合模型（MNGMM）来分割使用新的多网格生成方法生成的每个不重叠的多网格中的脑部MR图像。 因此，提出的模型可以同时克服噪声和强度不均匀性的影响，并将2D和3

  3. 所属分类：其它

  1. SAR图像去斑之前使用高斯混合的基于方向波的方法

  2. 本文提出了一种基于方向波变换和最大后验估计的去噪算法。 对数变换后的无噪声图像的详细方向性系数被认为是具有零均值的高斯混合概率密度函数（PDF），方向性域中的斑点噪声被建模为具有高斯分布的加性噪声​​。 然后，我们使用这些假定的先验分布来开发贝叶斯MAP估计器。 由于作为MAP方程解的估计器是假定的混合PDF模型参数的函数，因此最大期望（EM）算法也可用于估计参数，包括权重因子和方差。 最后，从MAP估计器得出的估计系数中恢复无噪声SAR图像。 实验结果表明，基于方向图的MAP方法可以成功地应用

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：730kb
    • 提供者：weixin_38622777

  1. 用类高斯分布处理低阶混合模固体激光器光束的方法和实验

  2. 本文运用类高斯型分布的光束处理方法,即把低阶混合模的光束视为扩大K倍的基模高斯光束。首先从混合模与基模光强及光斑半径的计算说明这种假设的合理性。由此出发给出了混合模光束特性的计算公式,又用类高斯光束去分析一个典型的连续波Nd:YAG激光器,找到了最佳腔长的范围,接着又叙述了K的实验测定方法.最后,分析讨论了激光器输出光束与光纤的耦合,求出了实际应用的必要参量。

  3. 所属分类：其它

  1. 基于压缩感知的期望最大化贝努利非对称高斯近似信息传递算法

  2. 期望最大化贝努利高斯(BG)近似信息传递(EM-BG-AMP)算法中的BG模型因为具有对称性,在逼近实际信号先验分布时会受到限制;而期望最大化高斯混合近似信息传递(EM-GM-AMP)算法中的GM模型是BG模型的高阶形式,复杂度较高。为了解决以上问题,提出贝努利不对称高斯模型(BAG),进而推导得到期望最大化贝努利不对称高斯近似信息传递(EM-BAG-AMP)算法。该算法的主要思路是假设输入信号服从BAG模型,然后使用广义近似信息传递(GAMP)重构信号并在算法迭代中同时更新模型参数。实验证明,

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：385kb
    • 提供者：weixin_38656676

  1. 一种基于椭圆随机超曲面模型的群目标高斯混合PHD滤波器

  2. 在弹道导弹防御系统中，群目标跟踪是目前较为困难的问题之一。这些目标不仅具有相似的运动特性，且相互邻近，又由于红外光学探测器的特性和分辨率的影响，使得它们在像平面不再是点目标而是簇状像斑。因此，“一个目标至多产生一个量测”的传统多目标跟踪方法不再适用。为了实现对该类目标的有效跟踪，提出了一种新型滤波算法。该算法视群目标为一个整体，用椭圆随机超曲面模型描述其扩散程度，并将其与扩展目标高斯混合概率假设密度(PHD)滤波器相结合，通过跟踪群质心和扩散程度实现对像平面群目标的跟踪。通过仿真对比，所提算法在

  3. 所属分类：其它

  1. 高斯-瑞利混合模型在遥感图像分割中的应用

  2. 在遥感图像的众多分割方法中，高斯混合模型(GMM)是一种常用的图像建模方法。提出了高斯-瑞利混合模型(GRMM)可能更适合对遥感图像建模。介绍了传统高斯混合模型和高斯-瑞利混合模型的区别。比较了这两种混合模型对图像建模的结果，并用数据说明高斯-瑞利混合模型拟合图像的像素分布误差更小。采用最大熵方法确定图像的最佳分类数，采用马尔可夫随机场(MRF)方法及新的势能函数完成图像的分割，采用迭代条件模型(ICM)完成分割过程中的最大后验概率计算问题。在实验中采用了3幅遥感图像，实验过程中比较了各个图像运

  3. 所属分类：其它

  1. 高斯混合模型（GMM）和EM算法详解

  2. 小白一枚，接触到GMM和EM，现将学习到的整理出来，如有错误，欢迎指正，文中涉及到公式的推导比较繁琐，故先在纸上推导出来再拍照发出来。希望大家多多交流，共同进步。接下来将按照思路一步一步进行介绍。 1. 单高斯模型GSM（一维） 单高斯模型很简单，大家也很清楚，这里不做过多的解释，如不明白可自行百度。如图 概率密度函数为： 2.单高斯模型（多维，以二维为例） 二维高斯分布图像如下 关于二维高斯分布的参数设定对为高斯曲面的影响，可以参考这篇文章（二维高斯分布的参数分析） （以上两条是基础

  3. 所属分类：其它

« 12 3 4 5 6 7 8 »