em算法 java_EM算法训练GMM的Matlab实现过程(总结) | 学步园

本文详细介绍了使用EM算法在Matlab中训练Gaussian Mixture Model (GMM)的过程,包括参数初始化、E-step和M-step的迭代计算,以及如何通过K均值算法对高斯分量进行初始化。
摘要由CSDN通过智能技术生成

最近看到论文中很多地方提到EM

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:

0_1332405720zhx7.gif

均值和方差的递推公式如下:

0_13324057680p0N.gif

0_1332405780Ca7a.gif

0_1332405834jwwg.gif

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);

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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