- 高斯分布的数学表达式
p(x) = \frac{1}{\sqrt{2\pi} \sigma}e{-\frac{(x-\mu)2}{2\sigma^2}} - 标准高斯分布
当均值变化而方差不变的时候,可以看作将图像进行了平移。当均值不变,而标准差变化的时候,可以看作将图像进行了“挤”或“压”(方差越大越扁).总结来说,\mu决定了高斯分布的对称轴,\sigma决定了高斯分布的扩散程度. - 求解高斯分布 即均值和方差
最大似然估计 MLE
似然函数(Likelihood)
似然指的是在给定模型参数的情况下观测值出现的概率。它被定义成了一个条件概率 p ( { x i } ∣ μ , σ ) p(\{x_i\}|\mu,\sigma) p({xi}∣μ,σ)。比如,在上一节的小球例子中, { x i } \{x_i\} {xi}表示所有“黄色”像素点的色相值,如果给定了高斯分布的\mu和\sigma,我们就能算出 { x i } \{x_i\} {xi}出现的概率。
-
最大似然概率,就是在已知观测的数据的前提下,找到使得似然概率最大的参数值
μ ^ , σ ^ = arg max μ , σ ∏ i = 1 N p ( x i ∣ μ , σ ) \hat{\mu}, \hat{\sigma}=\text{arg}\ \underset{\mu,\sigma}{\max}\ {\prod_{i=1}^Np(x_i|\mu,\sigma)} μ^,σ^=arg μ,σmax ∏i=1Np(xi∣μ,σ) -
多元高斯模型
p ( x ) = 1 ( 2 π ) D / 2 ∣ Σ ∣ 1 / 2 exp { − 1 2 ( x − μ ) T Σ − 1 ( x − μ ) } p(\boldsymbol{x}) = \frac{1}{(2\pi)^{D/2}|\Sigma|^{1/2}}\exp\{-\frac{1}{2}(\boldsymbol{x}-\boldsymbol\mu)^T\Sigma^{-1}(\boldsymbol{x}-\boldsymbol\mu)\} p(x)=(2π)D/2∣Σ∣1/21exp{−21(x−μ)TΣ−1(x−μ)} -
混合高斯模型
高斯混合模型就是多个单高斯模型的和。它的表达能力十分强,任何分布都可以用GMM来表示。
p ( x ) = ∑ k = 1 K w k g k ( x ∣ μ k , Σ k ) p(\boldsymbol{x})=\sum_{k=1}^Kw_kg_k(\boldsymbol{x}|\boldsymbol\mu_k,\Sigma_k) p(x)=∑k=1Kwkgk(x∣μk,Σk)
其中,g_k是均值为 μ k \boldsymbol\mu_k μk,协方差矩阵为 Σ k \Sigma_k Σk的单高斯模型,w_k是g_k的权重系数(w_k>0, ∑ k = 1 K w k = 1 \sum_{k=1}^Kw_k=1 ∑k=1Kwk=1),K是单高斯模型的个数。
GMM也有缺点。其一,参数太多了,每一个单高斯模型都有均值、协方差矩阵和权重系数, 另外还有单高斯模型的个数K也是其中一个参数,这使得求解GMM十分复杂。 其二,有时候所建立的高斯混合模型对观测值的建模效果很好,但是其他值可能效果不好, 我们称这个缺点为过度拟合(Overfitting)
- 求解高斯混合模型:EM算法 最大期望算法
用迭代的思想求解
参考文献
https://zhuanlan.zhihu.com/p/21648507?refer=robotics-learning