混合高斯模型&AIC-BIC挑选中心个数

最新推荐文章于 2024-07-06 03:18:08 发布

zzucaicai

最新推荐文章于 2024-07-06 03:18:08 发布

阅读量6.3k

点赞数

分类专栏：工程

本文链接：https://blog.csdn.net/zzucaicai/article/details/50202801

版权

在实验室项目中，通过混合高斯模型结合BIC准则，有效地将正态分布数据分为不超过三类。初始值的选择对GMM结果至关重要，采用数据极值与均值来设定，整体数据方差作为初始方差，取得了良好效果。这个方法在实际应用中展示了其价值。

摘要由CSDN通过智能技术生成

实验室项目中要把数据按正态分布分成几类，但是有不知道有几类，估计不超过三类。然后就用了BIC准则选择类个数，效果出奇的好哈哈哈哈

GMM初值对结果会有很大影响，按数据min，max均分正态的均值，然后用整体数据的方差作为初始方差完美的解决了这个问题。可能是我们数据本身的原因。

研一学的总算用上一点好开心

const static int MAX_ITERATOR = 1000;
const static double END_THR = 0.0001;
const static double SIM_THR = 0.2;
const static double PI = 3.14159265;
const static double EE  = 2.71828;

struct Gaussian{
    double mean, dalta;
    double weight;
    Gaussian(double m=0, double v=0, double w=1.0): mean(m), dalta(v), weight(w){
    }
    double getProbability(double x) const {
        return weight * std::pow(EE, -std::pow(x-mean, 2.0) / (2*dalta*dalta)) / ( std::pow(2*PI, 0.5) * dalta );
    }
    private:
    friend std::ostream& operator<<(std::ostream& os, const Gaussian & x);
};

std::ostream& operator<<(std::ostream& os, const Gaussian & x) {
    os <&l