gmm

1.极大似然估计 http://blog.csdn.net/bingduanlbd/article/details/24384771 2.GMM概念: http://blog.csdn.net/abcjennifer/article/details/8198352 EM算法: http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html

转 http://www.cnblogs.com/YangQiaoblog/p/5462453.html ==========图片版============================================================================== ===================================================================================== 最近学习了一下多目标跟踪,看了看Mat

目录 EM算法(1):K-means 算法 EM算法(2):GMM训练算法 EM算法(3):EM算法详解

在聚类算法K-Means, K-Medoids, GMM, Spectral clustering,Ncut一文中我们给出了GMM算法的基本模型与似然函数,在EM算法原理中对EM算法的实现与收敛性证明进行了具体说明.本文主要针对怎样用EM算法在混合高斯模型下进行聚类进行代码上的分析说明. 1. GMM模型: 每一个 GMM 由 K 个 Gaussian 分布组成,每一个 Gaussian 称为一个"Component",这些 Component 线性加成在一起就组成了 GMM 的概率密

(图片from http://www.cnblogs.com/zhangchaoyang/articles/2624882.html) 单高斯分布 如果特征x是一维(只考虑点的x坐标)的,高斯分布是:(from这篇博客) 如果特征是二维(x坐标和y坐标,意义可以是身高和体重)的,聚类的效果应该是: 在上面两张图中,我们用EM-GMM算法做聚类,用的是单个高斯函数描述一个咧别. 如用一维高斯描述了男生和女生的身高分布. 高斯混合分布 但是如果统计的这些身高同时有荷兰人(高)和刚果人(矮),这个单高

In EM and GMM(Theory), I have introduced the theory of em algorithm for gmm. Now lets practice it in matlab! 1. Generate 1000 pieces of  random 2-dimention data which obey 5 gaussian distribution. function X = GenerateData Sigma = [1, 0; 0, 1]; mu1 =

高斯混合模型GMM是一个非常基础并且应用很广的模型.对于它的透彻理解非常重要.网上的关于GMM的大多资料介绍都是大段公式,而且符号表述不太清楚,或者文笔非常生硬.本文尝试用通俗的语言全面介绍一下GMM,不足之处还望各位指正. 首先给出GMM的定义 这里引用李航老师<统计学习方法>上的定义,如下图: 定义很好理解,高斯混合模型是一种混合模型,混合的基本分布是高斯分布而已. 第一个细节:为什么系数之和为0? PRML上给出过一张图: 这图显示了拥有三个高斯分量的一个维度的GMM是如何由其高斯分量叠

复习: 1.概率密度函数,密度函数,概率分布函数和累计分布函数 概率密度函数一般以大写“PDF”(Probability Density Function),也称概率分布函数,有的时候又简称概率分布函数. 而累计分布函数是概率分布函数的积分. 注意区分 从数学上看,累计分布函数F(x)=P(X<x),表示随机变量X的值小于x的概率.这个意义很容易理解. 概率密度f(x)是F(x)在x处的关于x的一阶导数,即变化率.如果在某一x附近取非常小的一个邻域Δx,那么,随机变量X落在(x, x+Δx)内的

# GMM model # 2015/7/22 library(mvtnorm) set.seed(1) n1 = 1000 n2 = 1000 mu1 = c(0,1) mu2 = c(-5,-6) sigma1 = matrix(c(1,.5,.5,2),nrow=2) sigma2 = matrix(c(2,.5,.5,1),nrow=2) y1 = rep(1,n1) y2 = rep(2,n2) x1 = rmvnorm(n1, mean=mu1, sigma=sigma1) x2 =

tornadomeet 前景检测算法_4(opencv自带GMM) http://www.cnblogs.com/tornadomeet/archive/2012/06/02/2531705.html 前面已经有3篇博文介绍了背景减图方面相关知识(见下面的链接),在第3篇博文中自己也实现了gmm简单算法,但效果不是很好,下面来体验下opencv自带2个gmm算法. opencv实现背景减图法1(codebook和平均背景法) http://www.cnblogs.com/tornadomeet/