GMM的推.docVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
GMM的推

GMM的推导 由独立同分布样本集合,应用EM算法估计高斯混合模型(GMM)的参数。 EM基本算法 观测数据,“隐”数据。 E步,计算在当前参数和观测数据的条件下,似然函数对的数学期望: (1) M步,计算参数的最大值,作为迭代结果: 或寻找,使得: E步 定义混合密度模型: (2) 其中参数,并且。 引入“隐”数据,其中,表示样本是由第个混合分量“产生”的,则: 对数似然函数可以表示为: (3) 令现在已知一个的“猜想”值,根据Bayes公式,有: (4) 而: (5) 其中:, 代入公式(1)有: (6) 其中:。 因,所以(6)式中最内层大括号的内容可以简化为: (乘法的分配率) (7) 将(7)代入(6): (8) (8)式即为E步的结果。 M步 由(8)式可以看出,参数与不相关,可以分别进行优化。 先对进行优化,因有限定条件,引入Lagrange乘数,构造目标函数: 所以: (9) 等式两边对求和: 因此:,代入(9),则有混合系数的迭代公式: (10) 其中可由(4)式计算。(10)式对任何的混合密度模型均成立。 下面针对特定的高斯混合模型GMM计算参数的递推公式,此时,分别为高斯分布的均值矢量和协方差矩阵: 代入到(8)式的后半部分,构造目标函数: 首先对求导数: 等式两边左乘,则有: 因此有均值的迭代公式: (11) 因与存在一一对应关系,因此对求极值可以转化为对求极值,首先将目标函数写成:(参见“Gauss分布参数估计”) 然后目标函数对求导: 因此有的迭代公式: (12) 总结 混合高斯模型参数的EM算法迭代公式为: ,其中均为Gauss分布

文档评论(0)

cgsx259 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档