EM算法(期望最大化)——应用:GMM
来源:互联网 发布:windows http服务器 编辑:程序博客网 时间:2024/06/06 05:14
GMM模型简介
GMM(Gaussian Mixture Model)也叫高斯混合模型。我们(1)可以把它看做是高斯分量的简单线性叠加,其目标是提供一种比单独的高斯分布(GSM,Gaussian Single Model)更为强大的概率模型;(2)也可以利用离散隐变量来描述GMM,并从EM算法层面给出GMM模型的一种优雅解法。
首先,给出高斯混合模型的概率公式(考虑单样本):
在第(1)种理解中,我们认为
离散变量
而原先被认为是单独高斯分布的
GMM与EM算法的联系
借鉴贝努利分布和狄里克雷分布中表示方法(1-of-K表示法),我们换一种方式对上述分布进行重新表示:
(1)先验分布:
(2)条件高斯分布:
所以,高斯混合模型GMM(单样本)可表示为:
假设,我们有样本集
GMM利用EM算法求解
这与EM算法需要解决的问题完全契合,所以,我们自然而然地想到利用EM算法求解GMM问题。
(1)E步骤:固定参数
(2)M步骤:固定
具体做法为:
(1)E步骤:求解
给定样本
令
(2)M步骤:
利用
对于
两边同时乘以
令
相关文章:
EM算法(期望最大化)——理论部分http://blog.csdn.net/tingyue_/article/details/70474042
EM算法(期望最大化)——从EM算法角度理解K-Means与GMM的区别http://blog.csdn.net/tingyue_/article/details/70739671
- EM算法(期望最大化)——应用:GMM
- EM算法(期望最大化)——从EM算法角度理解K-Means与GMM的区别
- EM算法(期望最大化)——理论部分
- 期望最大化(EM)算法
- 期望最大化(EM)算法与高斯混合模型(GMM)证明
- 期望最大化算法EM
- EM 期望最大化算法
- EM-期望最大化算法
- 期望最大化算法(Expectation Maximum, EM)
- soledede--期望最大化(EM)算法
- 期望最大化(EM)算法(讲的很好)
- 期望最大化(EM)算法(讲的很好)
- EM(期望最大化)算法(1):初探原理
- <zz>EM(Expectation Maximization)期望最大化算法
- 期望最大化算法(The EM algorithm)
- EM期望最大化
- EM算法与GMM的训练应用
- EM 算法在GMM中的应用
- 小型迷宫实现---迷宫算法(递归回溯法)
- java设计模式
- I帧 P帧 B帧 解惑
- OOP思想之虚函数表分析.
- java的正则表达式
- EM算法(期望最大化)——应用:GMM
- git 版本回退
- 用后缀表达式计算四则运算算法
- java一对一生产者消费者多线程练习
- N-Queens II
- Java ThreadLocal使用浅析
- post提交中神秘消失的post数据
- [运维]-Can't init tc log
- GitHub Permission denied(publickey)