baidu_36161424的博客

LMS与RLS算法学习笔记一、 研究目的1.1最陡下降法理论1.2$LMS算法$1.3$RLS算法$1.4研究目标二、代码解析三、结果一、 研究目的1.1最陡下降法理论LMS算法总是与最陡下降法联合使用,顾名思义，最陡下降法就是沿着性能曲面最陡放方向向下(曲面负梯度方向)搜索曲面的最低点。迭代过程首先从曲面上某个初始点(对应与初始权矢量w(0) )出发，沿着该点负梯度方向搜索至第一点(对应与...

最陡下降法矢量迭代公式：w(n+1)=w(n)+μ(−∇(n)) \boldsymbol{w(n+1)}=\boldsymbol{w(n)}+\mu(-\boldsymbol{\nabla}(n)) w(n+1)=w(n)+μ(−∇(n))其中梯度∇=Rw(n)−P\boldsymbol{\nabla}=\boldsymbol{Rw(n)-P}∇=Rw(n)−P代入上式：w(n+1)=w...

文章目录1、EM原理2、啥是混合高斯模型3、EM算法求解GMM4、实例1、EM原理EM本质是上是极大似然估计(MLE)概率模型有时即含有观测变量，又含有隐变量，如果概率模型的变量都是观测变量，只要show出测量数据，可以直接用极大似然估计法，或者用贝叶斯估计法估计模型参数。但是当模型含有隐变量时，就不能简单的用这些估计方法，EM算法就是含有隐变量的概率模型参数的极大似然估计法。举个例子啥是隐...