三维点云学习（3）4-Expectation-Maximization (EM)

三维点云学习（3）4-Expectation-Maximization (EM)

EM算法的概述

EM算法中的M-step不断优化Q函数


使用两种方法推导出GMM
1.最大似然法
2.EM算法

K-Means GMM EM 关系

K-Means是特殊的GMM
K-Measn的方差接近·为0



EM是通用的优化方法
GMM是基于线性高斯模型的EM算法

K-Means 与 GMM比较

缺点：
1.个个方向的方差一样，认为各个类都是一个圆或者球
2.需要提供K
3.对噪声比较敏感，可以使用k中值进行缓解

缺点：
1.不知道k
2.空间上是椭圆
3.MLE建模GMM ，会出现奇点问题

图示比较

通过比较，可以很直观的看出，在处理椭圆类型分布的点云时，GMM更为有优势，K-Means在处理点云分布大致为圆形时，效果会好