最近看到论文中很多地方提到EM算法,之前对EM算法只是大概知道是一个参数优化算法,而不知道具体的过程,通过阅读相关的资料,大概了解了其推导过程以及实现过程。
GMM模型就是由若干个高斯分量相互组成的,通过混合的高斯模型来逼近样本的真实分布。
GMM模型估计包括三个参数:混合权重,每个高斯函数的均值以及方差,他们的递推公式如下:
权重的递推公式如下:
均值和方差的递推公式如下:
其中M为混合高斯数,n为训练的样本数
假设现在有训练样本data集合,每一列为一个样本,行数代表样本的特征维数,采用Matlab实现EM算法的训练过程如下:
- %演示EM训练算法的实现过程
- clc;
- clear all;
- load data;
- [dim,Num]=size(data);
- max_iter=10;%最大迭代次数
- min_improve=1e-4;% 提升的精度
- Ngauss=3;%混合高斯函数个数
- Pw=zeros(1,Ngauss);%保存权重
- mu= zeros(dim,Ngauss);%保存每个高斯分类的均值,每一列为一个高斯分量
- sigma= zeros(dim,dim,Ngauss);%保存高斯分类的协方差矩阵
- fprintf('采用K均值算法对各个高斯分量进行初始化\n');
- [cost,cm,cv,cc,cs,map] = vq_flat(data, Ngauss);%聚类过程 map:样本所对应的聚类中心
- mu=cm;%均值初始化
- for j=1:Ngauss
- gauss_labels=find(map==j);%找出每个类对应的标签
- Pw(j)= length(gauss_labels)/length(map);%类别为1的样本个数占总样本的个数
- sigma(:,:,j) = diag(std(data(:,gauss_labels),0,2)); %求行向量的方差,只取对角线,其他特征独立,并将其赋值给对角线
- end
- last_loglik = -Inf;%上次的概率
- % 采用EM算法估计GMM的各个参数
- if Ngauss==1,%一个高斯函数不需要用EM进行估计
- sigma(:,:,1) = sqrtm(cov(data',1));
- mu(:,1) = mean(data,2);
- else
- sigma_i = squeeze(sigma(:,:,:));
- iter= 0;
- for iter = 1:max_iter
- %E 步骤
- %求每一样样本对应于GMM函数的输出以及每个高斯分量的输出,
- sigma_old=sigma_i;
- %E步骤。。。。。
- for i=1:Ngauss
- P(:,i)= Pw(i) * p_single(data, squeeze(mu(:,i)), squeeze(sigma_i(:,:,i)));%每一个样本对应每一个高斯分量的输出
- end
- s=sum(P,2);%
- for j=1:Num
- P(j,:)=P(j,:)/s(j);
- end
- %%%Max步骤
- Pw(1:Ngauss) = 1/Num*sum(P);%权重的估计
- %均值的估计
- for i=1:Ngauss
- sum1=0;
- for j=1:Num
- sum1=sum1+P(j,i).*data(:,j);
- end
- mu(:,i)=sum1./sum(P(:,i));
- end
- %方差估计按照公式类似
- %sigma_i
- if((sum(sum(sum(abs(sigma_i- sigma_old))))<min_improve))
- break;
- end
- end
- end
%演示EM训练算法的实现过程
clc;
clear all;
load data;
[dim,Num]=size(data);
max_iter=10;%最大迭代次数
min_improve=1e-4;% 提升的精度
Ngauss=3;%混合高斯函数个数
Pw=zeros(1,Ngauss);%保存权重
mu= zeros(dim,Ngauss);%保存每个高斯分类的均值,每一列为一个高斯分量
sigma= zeros(dim,dim,Ngauss);%保存高斯分类的协方差矩阵
fprintf('采用K均值算法对各个高斯分量进行初始化\n');
[cost,cm,cv,cc,cs,map] = vq_flat(data, Ngauss);%聚类过程 map:样本所对应的聚类中心
mu=cm;%均值初始化
for j=1:Ngauss
gauss_labels=find(map==j);%找出每个类对应的标签
Pw(j)= length(gauss_labels)/length(map);%类别为1的样本个数占总样本的个数
sigma(:,:,j) = diag(std(data(:,gauss_labels),0,2)); %求行向量的方差,只取对角线,其他特征独立,并将其赋值给对角线
end
last_loglik = -Inf;%上次的概率
% 采用EM算法估计GMM的各个参数
if Ngauss==1,%一个高斯函数不需要用EM进行估计
sigma(:,:,1) = sqrtm(cov(data',1));
mu(:,1) = mean(data,2);
else
sigma_i = squeeze(sigma(:,:,:));
iter= 0;
for iter = 1:max_iter
%E 步骤
%求每一样样本对应于GMM函数的输出以及每个高斯分量的输出,
sigma_old=sigma_i;
%E步骤。。。。。
for i=1:Ngauss
P(:,i)= Pw(i) * p_single(data, squeeze(mu(:,i)), squeeze(sigma_i(:,:,i)));%每一个样本对应每一个高斯分量的输出
end
s=sum(P,2);%
for j=1:Num
P(j,:)=P(j,:)/s(j);
end
%%%Max步骤
Pw(1:Ngauss) = 1/Num*sum(P);%权重的估计
%均值的估计
for i=1:Ngauss
sum1=0;
for j=1:Num
sum1=sum1+P(j,i).*data(:,j);
end
mu(:,i)=sum1./sum(P(:,i));
end
%方差估计按照公式类似
%sigma_i
if((sum(sum(sum(abs(sigma_i- sigma_old))))<min_improve))
break;
end
end
end
子函数:
- function p = p_single(x, mu, sigma)
- %返回高斯函数的值
- [dim,N]=size(x);
- p=zeros(1,N);
- for i=1:N
- p(i)= 1/(2*pi*abs(det(sigma)))^(length(mu)/2)*exp(-0.5*(x(:,i)-mu)'*inv(sigma)*(x(:,i)-mu));
- end
function p = p_single(x, mu, sigma)
%返回高斯函数的值
[dim,N]=size(x);
p=zeros(1,N);
for i=1:N
p(i)= 1/(2*pi*abs(det(sigma)))^(length(mu)/2)*exp(-0.5*(x(:,i)-mu)'*inv(sigma)*(x(:,i)-mu));
end
注明:鉴于大家都要求vq_flat代码,这里就不一一发送到邮箱了,提供下载地http://download.csdn.net/detail/xiaoding133/5501211