作者:桂。
时间:2017-03-21 07:25:17
链接:http://www.cnblogs.com/xingshansi/p/6592599.html
声明:欢迎被转载,不过记得注明出处哦~
前言
本文为曲线拟合与分布拟合系列的一部分,主要讲解混合拉普拉斯分布(Laplace Mixture Model,LMM)。拉普拉斯也是常用的统计概率模型之一,网上关于混合高斯模型(GMM)的例子很多,而关于LMM实现的很少。其实混合模型都可以用EM算法推导,只是求闭式解的运算上略有差别,全文包括:
1)LMM理论推导;
2)LMM代码实现;
内容多有借鉴他人,最后一并附上链接。
一、LMM理论推导
A-模型介绍
对于单个拉普拉斯分布,表达式为:
$f(Y) = \frac{1}{ {2b}}{e^{ - \frac{ {\left| {Y - \mu } \right|}}{b}}}$
对于$K$个模型的混合分布:
$P\left( { {Y_j}|\Theta } \right) = \sum\limits_{k = 1}^K { {w_k}f\left( { {Y_j}|{\mu _k},{b_k}} \right)} $
如何拟合呢?下面利用EM分析迭代公式,仅分析Y为一维的情况,其