高斯混合模型学习笔记

最新推荐文章于 2024-09-11 20:00:00 发布
最新推荐文章于 2024-09-11 20:00:00 发布
阅读量6.2w 收藏 90
点赞数 23
分类专栏： 概率论 文章标签： 高斯混合模型 GMM k-means
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HEVC_CJL/article/details/9733945
版权
本文介绍了高斯混合模型（GMM）及其与单高斯模型（SGM）的区别，详细阐述了GMM的参数估计过程，包括EM算法的E步和M步。同时，还讲解了K-means算法的聚类步骤和收敛条件，帮助理解两种不同的数据建模方法。
摘要由CSDN通过智能技术生成


0 预备知识

l  设离散型随机变量X的分布律为


则称 为X的数学期望或均值

l  设连续型随机变量X的概率密度函数（PDF）为

其数学期望定义为

l  称为随机变量X的方差，称为X的标准差

l  正态分布 ~

概率密度函数

l  设（X, Y）为二维随机变量，若存在，则称其为随机变量X和Y的协方差，记为

最低0.47元/天 解锁文章
HEVC_CJL
关注
专栏目录
机器学习笔记 - 什么是高斯混合模型(GMM)？
学以致用 知行合一
05-21 4万+
高斯混合模型 (GMM) 是一种机器学习算法。它们用于根据概率分布将数据分类为不同的类别。高斯混合模型可用于许多不同的领域，包括金融、营销等等！这里要对高斯混合模型进行介绍以及真实世界的示例、它们的作用以及何时应该使用GMM。 高斯混合模型 (GMM) 是一个概率概念，用于对真实世界的数据集进行建模。GMM是高斯分布的泛化，可用于表示可聚类为多个高斯分布的任何数据集。 高斯混合模型是一种概率模型，它假设所有数据点都是从具有未知参数的...
机器学习笔记之高斯混合模型(一)模型介绍
静静的学习就好
09-08 2807
上一系列介绍了EM算法，本节将介绍第一个基于EM算法求解的概率生成模型——高斯混合模型(Gaussian Mixture Model,GMM)。
高斯混合模型
03-30
高斯混合模型相关资料 包括极大似然估计求解完全推导过程 包括EM求解的完全推导过程 深入浅出 很快就能入门了
混合高斯模型学习
ro9er的专栏
04-18 6296
刚刚看了下原论文。。发现确实。。比网上找的所有资料都要详细和准确。。不过还是感谢其他的中文作者。。 首先作者介绍了混合高斯模型是将单一像素的值建模成一组高斯分布的混合，在这一组高斯分布中决定了哪些高斯分布对应了背景。 然后说了下混合高斯模型能够在处理光线变化、重复移动对象、慢速移动对象和混乱场景的追踪方面有很好的鲁棒性。 然后提到了该模型中有两个重要参数：学习参数α和决定背景的比例数据 T。
数学基础 -- 概率统计之高斯分布
最新发布
sz66cm 学习随笔
09-11 2045
项目泰勒展开勒让德展开基于函数的导数勒让德多项式的正交性适用区间任意一点附近，尤其在aaa点附近−11[-1, 1]−11区间应用场景函数近似，局部线性化，物理和工程学中的小范围分析球谐分析，量子力学，电磁场中的球对称问题级数收敛性依赖于函数在展开点附近的光滑性与导数性质依赖于区间−11[-1, 1]−11上的函数特性优点在函数光滑时能够较好地逼近函数正交性保证了在一定区间内的良好逼近局限性可能在某些区域不收敛或逼近较差仅适用于固定区间，非球对称问题较少应用。
机器学习笔记之高斯混合模型(二)模型求解——尝试使用极大似然估计求解模型参数
静静的学习就好
09-09 934
上一节介绍了高斯混合模型(Gaussian Mixture Model,GMM)，本节将对高斯混合模型的模型参数进行求解。
【西瓜书笔记】10. 高斯混合模型
weixin_39236489的博客
03-21 423
定义 定义： P(x)=∑i=1kαi⋅ϕ(x∣μi,Σi) P(\boldsymbol{x})=\sum_{i=1}^{k} \alpha_{i} \cdot \phi\left(\boldsymbol{x} \mid \boldsymbol{\mu}_{i}, \boldsymbol{\Sigma}_{i}\right) P(x)=i=1∑k​αi​⋅ϕ(x∣μi​,Σi​) 该模型共由k个混合成分组成，每个混合成分对应一个高斯分布，其中， x∈Rn\boldsymbol{x} \in \mathbb{
达观数据陈运文：一文详解高斯混合模型原理
达观数据
11-17 2113
什么是高斯混合模型（Gaussian Mixture Model）高斯混合模型（Gaussian Mixture Model）通常简称GMM，是一种业界广泛使用的聚类算法，该方法使用了高斯分布作为参数模型，并使用了期望最大（Expectation Maximization，简称EM）算法进行训练。本文对该方法的原理进行了通俗易懂的讲解，期望读者能够更直观地理解方法原理。文本的最后还分析了高斯混合模...
GMM学习笔记：详解高斯混合模型在视频背景建模中的应用
高斯混合模型通过引入多个高斯分布来模拟复杂背景，提供了更强大的背景建模能力，是现代计算机视觉和机器学习中不可或缺的工具之一。理解和掌握GMM的原理和应用，对于从事IT行业的专业人士来说，是一项重要的技能...
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值